Proyecto de Evaluación de Pares

Curso edX: Introducción a la Ciencia de Datos y el Big Data

Diciembre 2021

Utilizando la Ciencia de Datos en una

organización
Fermín Lubo
 edX - Proyecto de Evaluación de Pares - Introducción a la Ciencia de Datos y el Big Data

Utilizando la Ciencia de Datos en una

organización
Introducción

Objetivo: Analizar fuentes de información externas e internas de una organización a

través de herramientas computacionales para generar un modelo basado en Ciencia
de Datos como apoyo a la toma de decisiones.

Caso de estudio: La Librería Iztaccihuatl ubicada en la ciudad de Monterrey, Nuevo

León, México ha decidido desarrollar un proyecto basado en ciencia de datos para
mejorar sus indicadores de desempeño (KPI’s) y a la vez desarrollar una mejor
estrategia en la toma de decisiones.

El proceso de toma de decisiones es holístico y complejo. Existe un creciente interés en las

organizaciones para que las decisiones sean data-driven, es decir, basadas en datos
(evidencia). Esto es importante para asegurar mejores rendimientos a través del
cumplimiento efectivo de los objetivos y metas fijados. Todo esto requiere el compromiso de
la alta dirección, que fija la estrategia, y la asignación adecuada de recursos para la
implementación del proyecto.

Estrategia de implementación

Por tratarse de una librería, se propone mejorar la experiencia de usuario para aumentar su
nivel de satisfacción. Para ello, consideraremos como indicadores de desempeño a los
siguientes:
● Tiempo de actividad, como medida del tiempo absoluto que dedica cada usuario a
los contenidos que accede, en el caso de libros digitales.
● Calificaciones de producto. Es la valoración que cada usuario hace del contenido
solicitado.
● Lectura finalizada, que indica si una lectura fue completada, está en proceso o fue
abandonada por el usuario.

Partiendo del CRM de la compañía obtenemos datos estructurados de las preferencias del
consumidor/cliente, por ejemplo, libros por leer y calificación. A partir de herramientas de
análisis descriptivo y visualización, podemos obtener una imagen del estado actual del
sistema de venta-consumo. Otras fuentes pueden ser consultadas e incorporadas a este
proceso de revisión inicial, al mismo tiempo que se recomienda una instancia de
benchmarking con los principales competidores. Las fuentes pueden tener diversos
orígenes y formatos, debiendo establecerse los criterios de selección de datos, su adecuado
tratamiento, y carga de los que finalmente se deberán incluir en el modelo.
 edX - Proyecto de Evaluación de Pares - Introducción a la Ciencia de Datos y el Big Data

Se vuelve necesaria la aplicación de un algoritmo de recomendación (análisis prescriptivo)

que, en base a las preferencias de los clientes (según ratings y listas de lectura, entre
otros), pueda sugerir contenidos que les resulten atractivos, mejorando sus niveles de
satisfacción.

La recomendación puede estar orientada a definir diversos sets de similaridades, como por
ejemplo, clustering de usuarios que también han leído títulos en común o pertenecen al
mismo lugar geográfico, o libros del mismo autor/editorial, tema, etc. Como las posibilidades
son endless, es recomendable utilizar servicios en la nube de inteligencia artificial que
permita relacionar grandes volúmenes de datos y detectar patrones de comportamiento de
los usuarios.

También deberá tener en cuenta las tendencias de mercado (análisis predictivo), para
efectuar los ajustes de las métricas. Sería interesante poder contrastar los resultados
obtenidos a través del data mining y discovery, con datos de control a través de una
muestra que participe de un focus group y encuestas de satisfacción, a fin de verificar el
correcto desempeño de los algoritmos y fuentes utilizadas.

Más allá del impacto que pueda tener el producto recomendado per sé en la satisfacción del
cliente, también será necesario medir la eficacia de la campaña de recomendación,
estableciendo el canal y modo más adecuado de recomendar un producto al cliente.