Comprensión del negocio.

¿Alguna vez te ha pasado?

Tu jefe te ha llamado a una reunión para ponerte al tanto de una tarea importante

con una fecha de entrega cercana que debe cumplirse a como dé lugar.

Los dos conversan para asegurar que todos los aspectos de la tarea se tengan en cuenta

y la reunión termina con ambos confiados en que las cosas van sobre ruedas.

Pero esa misma tarde, después de haber gastado un tiempo examinando los distintos factores

en juego, descubres que necesitas hacer varias preguntas adicionales para cumplir

tu tarea a cabalidad.

Infortunadamente, el jefe no estará disponible hasta la mañana siguiente.

Ahora, con la fecha de entrega resonando en tus oídos, empiezas a sentir algo de

inquietud.

¿Entonces, qué haces?

¿Te arriesgas a continuar o te detienes y buscas una aclaración?

La metodología de la ciencia de datos destina tiempo a buscar aclaraciones, para obtener

lo que podría llamarse una comprensión del negocio.

Lograr esta comprensión es el comienzo mismo de esta metodología porque obtener

claridad en torno al problema a resolver, te permitirá definir cuáles datos se usarán para

responder la pregunta central.

Rollins sugiere que tener una pregunta claramente definida es vital porque en últimas dirige

el enfoque analítico que se necesitará para abordar la pregunta.

Demasiadas veces, se pone mucho esfuerzo en responder lo que la gente CREE que es la pregunta,
y aunque

los métodos usados para abordar esa pregunta podrían ser sólidos, no ayudan a resolver

el verdadero problema.

Formular una pregunta claramente definida empieza por entender la META de la persona

que hace la pregunta.

Por ejemplo, si el dueño de un negocio pregunta: "¿Cómo reducimos los costos de una actividad?"

Debemos entender, ¿acaso la meta es mejorar la eficiencia de la actividad?

¿O es aumentar la rentabilidad del negocio?

Habiendo aclarado la meta, la próxima pieza del rompecabezas es definir los objetivos

que conducen a la meta.

Al enumerar los objetivos, pueden tenerse discusiones estructuradas donde las prioridades

puedan identificarse de un modo que permita organizar y planear cómo afrontar el

problema.
Dependiendo del problema, diferentes actores deberán involucrarse en la discusión

para ayudar a definir los requisitos y aclarar preguntas.

Ahora, veamos el estudio de caso en relación con la aplicación de la "Comprensión del Negocio"

En el caso de estudio, la pregunta a responder es: ¿Cuál es la mejor forma de asignar un

presupuesto de salud para prestar una atención de alta calidad?

Esta pregunta se volvió un tema candente para un proveedor americano de seguros de salud.

Al bajar los fondos públicos para readmisiones, esta aseguradora estaba en riesgo de tener

que asumir la diferencia de costo, lo cual podría aumentar las tarifas de cara a sus clientes.

Sabiendo que aumentar las tarifas de aseguramiento no sería popular, la aseguradora

se reunió con las autoridades de salud de su región y convocó a científicos de datos de IBM

para ver cómo aplicar la ciencia de datos al asunto en cuestión.

Incluso antes de empezar a recoger datos, tuvieron que definirse las metas y objetivos.

Luego de pasar un tiempo definiendo las metas y objetivos, el equipo priorizó las "readmisiones

de pacientes" como un área efectiva a revisar.

Con las metas y objetivos en mente, se encontró que aproximadamente el 30% de los individuos

que acababan un tratamiento de rehabilitación serían readmitidos dentro de un año; y que el

50% sería readmitido dentro de 5 años.

Habiendo revisado algunos registros, se halló que los pacientes con insuficiencia cardíaca

estaban de primeros en las listas de readmisión.

Además se decidió usar un modelo de árbol de decisión para revisar este escenario,

para determinar por qué ocurría esto.

Para obtener la comprensión del negocio que orientaría al equipo de análisis al formular y

ejecutar su primer proyecto, los Científicos de datos de IBM propusieron y desarrollaron un

taller in situ como primer paso.

Involucrar al actor clave a lo largo del proyecto fue crucial, puesto que el actor:

Fijó la dirección general

Se mantuvo activo y brindó orientación.

Aseguró el apoyo necesario, cuando se requirió.

Al final, se identificaron cuatro requisitos del negocio para cualquier modelo a utilizar.

A saber:

Predecir desenlaces de readmisión para pacientes con Insuficiencia Cardíaca.

Predecir el riesgo de readmisión.

Entender la combinación de eventos que llevaron al resultado predicho.

Aplicar un proceso fácil de entender para nuevos pacientes, en cuanto a su riesgo de

readmisión.

Aquí termina la sección de Comprensión del Negocio de este curso.

¡Gracias por tu atención!

Fin de la transcripción. Saltar al inicio.

Enfoque Analítico.

Seleccionar el enfoque analítico adecuado dependerá de la pregunta a responder.

El enfoque incluye buscar aclaraciones de la persona que hace la pregunta,

para poder elegir la ruta o enfoque más apropiado.

En este video veremos cómo aplicar la segunda etapa de la metodología de la ciencia de datos.

Una vez definido el problema a resolver, el enfoque analítico apropiado para este

problema se selecciona en el contexto de las necesidades del negocio.

Esta es la segunda etapa de la metodología de la ciencia de datos.

Habiendo logrado una sólida comprensión de la pregunta, se puede seleccionar el

enfoque analítico.

Esto significa identificar el tipo de patrones necesarios para responder la pregunta del modo más

efectivo.

Si la pregunta es determinar las probabilidades de una acción, podría usarse un modelo

predictivo.

Si la pregunta es mostrar relaciones, podría necesitarse un enfoque descriptivo.

Éste observaría grupos de actividades similares con base en eventos y

preferencias.

El análisis estadístico aplica para los problemas que requieren conteos.

Por ejemplo, si la pregunta requiere una respuesta "sí" o "no", sería adecuado un enfoque

de clasificación para predecir una respuesta.

El Aprendizaje Automático es un campo de estudio que dota a las computadoras de capacidad para
aprender sin

ser explícitamente programadas.

El Aprendizaje Automático puede usarse para identificar relaciones y tendencias en los datos, que
de otro modo no serían

accesibles o identificadas.

En casos donde la pregunta sea aprender sobre el comportamiento humano, una respuesta

apropiada sería usar enfoques de Análisis de Grupos.

Ahora, veamos el estudio de caso en relación con la aplicación del Enfoque Analítico.

Para el estudio de caso, se usó un modelo de clasificación de árbol de decisión para identificar la
combinación
de condiciones que conducen al resultado de cada paciente.

En este enfoque, examinar las variables de cada nodo a lo largo de la ruta de cada

hoja, condujo a un respectivo valor de umbral.

Esto significa que la clasificación de árbol de decisión indica tanto el resultado predicho, como la

probabilidad de cada desenlace, con base en la proporción de un resultado dominante, "sí" o "no",
en cada

grupo.

Con esta información, los analistas pueden obtener el riesgo de readmisión, o la probabilidad de

un "sí" para cada paciente. Si el resultado dominante es "sí", entonces el riesgo

es simplemente la proporción de pacientes "sí" de la hoja.

Si es "no", entonces el riesgo es 1 menos la proporción de pacientes "no" de la hoja.

Un modelo de clasificación de árbol de decisión es fácil de aplicar y entender para los no científicos

de datos, para puntuar a nuevos pacientes según su riesgo de readmisión.

Los médicos ven fácilmente las condiciones que hacen que un paciente sea puntuado como de alto
riesgo,

y pueden construirse y aplicarse múltiples modelos en varios puntos de la estadía en el hospital.

Esto brinda una imagen móvil del riesgo del paciente y cómo éste evoluciona con los diversos

tratamientos aplicados. Por ello, se eligió el enfoque de clasificación de árbol

de decisión para construir el modelo de readmisión de Insuficiencia Cardíaca.

Aquí termina la sección de Enfoque Analítico de este curso.