Universidad de San Buenaventura

Facultad De Ciencias Económicas

Administración de Negocios, Mercadeo y Negocios Internacionales, Economía y
Contaduría Pública, Finanzas y Negocios Internacionales
Big data
Docente: Sebastián Castañeda Martínez
scastanedam@usbcali.edu.co

Estudiante: Esteban Delvasto Ávila

Actividad en Clase.

Teniendo en cuenta lo trabajado durante todo el curso responda:

1. En sus palabras defina qué es la analítica descriptiva y cuál considera que es su

objetivo principal
R//
La analítica descriptiva es una rama de la analítica de datos que se enfoca en
comprender y resumir los datos existentes con el fin de obtener información
significativa y útil. Su objetivo principal es describir y resumir los datos de manera
clara y concisa, revelando patrones, tendencias y características clave que pueden
ayudar a los analistas y tomadores de decisiones a comprender mejor una situación
o problema.

La analítica descriptiva utiliza técnicas estadísticas y visuales para explorar los

datos y proporcionar un panorama general de lo que está sucediendo en un conjunto
de datos. Se centra en responder preguntas como "¿qué ha sucedido?" y "¿qué
patrones o tendencias se pueden identificar?". A través de la aplicación de métodos
y herramientas analíticas, como la visualización de datos, las tablas de frecuencia,
los gráficos y los resúmenes estadísticos, la analítica descriptiva ayuda a los
analistas a entender mejor los datos y comunicar la información de manera efectiva.

2. ¿Cuáles son las ventajas de utilizar la analítica descriptiva en un negocio o empresa

según su opinión?
R//
En mi opinión, utilizar la analítica descriptiva en un negocio o empresa ofrece
varias ventajas significativas. Algunas de las principales ventajas son:

● Comprensión clara de los datos: La analítica descriptiva permite comprender

y describir los datos de manera clara y concisa. Esto ayuda a identificar
patrones, tendencias y relaciones que pueden no ser evidentes a simple vista.
Al comprender mejor los datos, las empresas pueden tomar decisiones más
informadas y fundamentadas.
Universidad de San Buenaventura
Facultad De Ciencias Económicas
Administración de Negocios, Mercadeo y Negocios Internacionales, Economía y
Contaduría Pública, Finanzas y Negocios Internacionales
Big data
Docente: Sebastián Castañeda Martínez
scastanedam@usbcali.edu.co

● Identificación de oportunidades y problemas: Al analizar y resumir los

datos, la analítica descriptiva puede revelar oportunidades de mejora o
problemas en diferentes áreas del negocio. Por ejemplo, puede ayudar a
identificar brechas en el rendimiento, áreas de ineficiencia o necesidades no
satisfechas de los clientes. Esto permite tomar medidas proactivas para
abordar esas áreas y optimizar el desempeño empresarial.

● Toma de decisiones informadas: La analítica descriptiva proporciona

información valiosa que respalda la toma de decisiones informadas. Al
comprender los datos históricos y actuales, los líderes empresariales pueden
evaluar diferentes escenarios, evaluar el rendimiento pasado y predecir
resultados futuros. Esto ayuda a reducir la incertidumbre y mejorar la
precisión de las decisiones estratégicas y operativas.

● Optimización de procesos: Al analizar los datos de los procesos

empresariales, la analítica descriptiva puede identificar áreas de ineficiencia
y oportunidades de mejora. Esto permite optimizar los procesos, reducir
costos, aumentar la eficiencia operativa y mejorar la calidad del producto o
servicio.

● Ventaja competitiva: Utilizar la analítica descriptiva puede brindar una

ventaja competitiva a las empresas. Al comprender mejor a los clientes,
identificar tendencias del mercado y adaptarse rápidamente a los cambios,
las empresas pueden tomar decisiones estratégicas más efectivas y responder
de manera ágil a las demandas del mercado. Esto les permite diferenciarse
de la competencia y mantenerse relevantes en un entorno empresarial en
constante cambio.

3. ¿Cómo se pueden visualizar los datos en la analítica descriptiva?

R//
En la analítica descriptiva, existen diversas formas de visualizar los datos para
facilitar su comprensión y análisis. Algunas de las técnicas comunes de
visualización de datos utilizadas en la analítica descriptiva incluyen:
Universidad de San Buenaventura
Facultad De Ciencias Económicas
Administración de Negocios, Mercadeo y Negocios Internacionales, Economía y
Contaduría Pública, Finanzas y Negocios Internacionales
Big data
Docente: Sebastián Castañeda Martínez
scastanedam@usbcali.edu.co

● Gráficos de barras: Los gráficos de barras son una forma efectiva de

comparar diferentes categorías o variables. Pueden representar datos
cualitativos o cuantitativos, y permiten observar las diferencias o similitudes
entre distintas categorías.

● Gráficos de líneas: Los gráficos de líneas son útiles para mostrar tendencias
y cambios a lo largo del tiempo. Son ideales para representar series de datos
cronológicos y permiten identificar patrones, fluctuaciones y cambios en los
valores a lo largo de un período específico.

● Gráficos circulares: Los gráficos circulares, también conocidos como

gráficos de torta o pie, son adecuados para mostrar la proporción de
diferentes categorías en un conjunto de datos. Son útiles para representar
porcentajes y comparar la contribución de cada categoría al total.

● Gráficos de dispersión: Los gráficos de dispersión se utilizan para analizar la

relación entre dos variables cuantitativas. Permiten identificar patrones de
dispersión, correlaciones o agrupamientos de puntos en un plano.

● Histogramas: Los histogramas se utilizan para representar la distribución de

una variable cuantitativa. Muestran la frecuencia de los diferentes valores o
rangos de valores en forma de barras, lo que permite observar la forma y la
concentración de los datos.

● Mapas y gráficos geoespaciales: Estas visualizaciones se utilizan cuando se

analizan datos relacionados con ubicaciones geográficas. Permiten mapear
los datos en un mapa o representarlos en forma de gráficos para visualizar
patrones o variaciones geográficas.

Además de estas técnicas, también existen otras visualizaciones como diagramas de

caja y bigotes, gráficos de burbujas, diagramas de Gantt, entre otros. La elección de
la visualización adecuada depende del tipo de datos, los objetivos de análisis y la
historia que se desea contar con los datos.
Universidad de San Buenaventura
Facultad De Ciencias Económicas
Administración de Negocios, Mercadeo y Negocios Internacionales, Economía y
Contaduría Pública, Finanzas y Negocios Internacionales
Big data
Docente: Sebastián Castañeda Martínez
scastanedam@usbcali.edu.co

4. ¿Cuál es la importancia de la analítica descriptiva en la toma de decisiones

empresariales?
R//
La analítica descriptiva desempeña un papel fundamental en la toma de decisiones
empresariales debido a su importancia en los siguientes aspectos:

● Comprensión de datos: La analítica descriptiva ayuda a comprender los

datos existentes en un negocio o empresa. Proporciona una visión clara y
concisa de lo que ha sucedido en el pasado y de las tendencias actuales en
los datos. Esta comprensión es esencial para evaluar la situación actual de la
empresa y tomar decisiones informadas.

● Identificación de patrones y tendencias: La analítica descriptiva permite

identificar patrones y tendencias en los datos. Al explorar y visualizar los
datos, se pueden descubrir relaciones entre variables, cambios estacionales,
comportamientos del mercado y otros patrones que pueden influir en la toma
de decisiones. Estos patrones y tendencias pueden proporcionar información
valiosa sobre el rendimiento pasado y futuro de la empresa.

● Evaluación del rendimiento: La analítica descriptiva ayuda a evaluar el

rendimiento empresarial en diferentes áreas y dimensiones. Permite analizar
métricas clave, como ventas, ingresos, costos, eficiencia operativa,
satisfacción del cliente y muchos otros aspectos relevantes para la empresa.
Al comprender y evaluar el rendimiento pasado, se pueden tomar decisiones
estratégicas y operativas para mejorar y optimizar el desempeño en el futuro.

● Identificación de oportunidades y problemas: La analítica descriptiva ayuda

a identificar oportunidades de mejora y problemas en el negocio. Al analizar
los datos, se pueden descubrir áreas donde se están logrando resultados
destacados, así como áreas donde hay brechas o ineficiencias. Esto permite
tomar decisiones para capitalizar las oportunidades y abordar los problemas,
mejorando la posición competitiva y el crecimiento de la empresa.

● Apoyo a la planificación estratégica: La analítica descriptiva proporciona

información esencial para la planificación estratégica. Al comprender los
Universidad de San Buenaventura
Facultad De Ciencias Económicas
Administración de Negocios, Mercadeo y Negocios Internacionales, Economía y
Contaduría Pública, Finanzas y Negocios Internacionales
Big data
Docente: Sebastián Castañeda Martínez
scastanedam@usbcali.edu.co

datos pasados y actuales, se pueden identificar los factores que influyen en

el éxito o el fracaso de la empresa. Esto permite establecer metas realistas,
definir estrategias efectivas y asignar recursos de manera adecuada para
lograr los objetivos establecidos.

5. En sus palabras mencione el objetivo principal de la analítica predictiva

R//
El objetivo principal de la analítica predictiva es utilizar técnicas y modelos avanzados para
predecir eventos y comportamientos futuros. Se trata de utilizar datos históricos, variables
relevantes y algoritmos sofisticados para identificar patrones, tendencias y relaciones
ocultas en los datos, y así generar pronósticos y estimaciones precisas sobre eventos
futuros.

La analítica predictiva busca responder preguntas como: ¿Qué eventos o situaciones son
más probables que ocurran en el futuro? ¿Cuál es la probabilidad de que un cliente compre
un determinado producto? ¿Cuándo es más probable que ocurra una falla en una máquina o
equipo? ¿Cuáles son los factores que influyen en la demanda de un producto o servicio en
un determinado período de tiempo?

Al utilizar técnicas de análisis de datos y aprendizaje automático, la analítica predictiva

permite a las organizaciones tomar decisiones más informadas y anticiparse a eventos
futuros, lo que puede tener un impacto significativo en la eficiencia operativa, la
planificación estratégica, la optimización de recursos y la toma de decisiones en general.

6. ¿Qué tipo de técnicas, algoritmos o regresiones se utilizan en la analítica predictiva?

R//
En la analítica predictiva, se utilizan una variedad de técnicas, algoritmos y regresiones
para realizar pronósticos y estimaciones. A continuación, mencionaré algunas de las más
comunes:
● Regresión lineal: Es un método estadístico que busca establecer una relación lineal
entre una variable dependiente y una o más variables independientes. Se utiliza para
predecir valores numéricos continuos.
● Regresión logística: Es un algoritmo utilizado para predecir la probabilidad de que
ocurra un evento binario, como "sí" o "no", "éxito" o "fracaso". Es ampliamente
utilizado en problemas de clasificación.
● Árboles de decisión: Son estructuras en forma de árbol que se utilizan para tomar
decisiones o hacer predicciones. Cada nodo interno del árbol representa una
característica o atributo, y las ramas representan las posibles respuestas o resultados.
Universidad de San Buenaventura
Facultad De Ciencias Económicas
Administración de Negocios, Mercadeo y Negocios Internacionales, Economía y
Contaduría Pública, Finanzas y Negocios Internacionales
Big data
Docente: Sebastián Castañeda Martínez
scastanedam@usbcali.edu.co

Los árboles de decisión son fáciles de interpretar y se utilizan en problemas de

clasificación y regresión.
● Random Forest: Es un conjunto de árboles de decisión independientes que trabajan
en paralelo y se combinan para realizar predicciones. Se utiliza para problemas de
clasificación y regresión, y suele ser más preciso que un solo árbol de decisión.
● Support Vector Machines (SVM): Es un algoritmo de aprendizaje supervisado
utilizado para problemas de clasificación. SVM encuentra un hiperplano que
maximiza la separación entre las clases de datos.
● Redes neuronales: Son modelos de aprendizaje automático inspirados en el
funcionamiento del cerebro humano. Las redes neuronales pueden ser utilizadas
para problemas de clasificación, regresión y predicción.

Estas son solo algunas de las técnicas y algoritmos utilizados en la analítica predictiva.
Dependiendo del problema y los datos disponibles, pueden emplearse otros métodos y
enfoques más especializados.

¿Cuál es la importancia de la selección de variables en la analítica predictiva?

R//

La selección de variables es de vital importancia en la analítica predictiva por varias

razones:

● Mejora de la precisión del modelo: La inclusión de variables irrelevantes o

redundantes en un modelo predictivo puede introducir ruido y disminuir su
capacidad para hacer pronósticos precisos. Al seleccionar cuidadosamente las
variables relevantes, se puede mejorar la calidad del modelo y aumentar su
precisión.
● Reducción del riesgo de sobreajuste: El sobreajuste ocurre cuando un modelo se
ajusta demasiado a los datos de entrenamiento y no generaliza bien a nuevos datos.
Si se incluyen demasiadas variables en el modelo, existe un mayor riesgo de
sobreajuste. La selección adecuada de variables ayuda a evitar este problema al
eliminar aquellas que no contribuyen significativamente a la capacidad predictiva
del modelo.
● Eficiencia computacional: Al reducir el número de variables utilizadas en un
modelo, se reduce la carga computacional necesaria para entrenar y utilizar el
modelo. Esto es especialmente importante cuando se trabajan con conjuntos de
datos grandes o cuando se necesita implementar el modelo en sistemas con recursos
limitados.
Universidad de San Buenaventura
Facultad De Ciencias Económicas
Administración de Negocios, Mercadeo y Negocios Internacionales, Economía y
Contaduría Pública, Finanzas y Negocios Internacionales
Big data
Docente: Sebastián Castañeda Martínez
scastanedam@usbcali.edu.co

● Interpretación y comprensión del modelo: La selección de variables relevantes

permite simplificar y facilitar la interpretación del modelo. Al eliminar las variables
menos importantes, se pueden identificar las variables clave que influyen en la
predicción, lo que brinda una comprensión más clara de los factores que impulsan
los resultados.
Es importante tener en cuenta que la selección de variables es un proceso iterativo y
depende en gran medida del problema específico, el conocimiento del dominio y la
disponibilidad de datos. Hay varias técnicas disponibles para realizar la selección de
variables, como análisis de correlación, pruebas estadísticas, técnicas de selección basadas
en modelos y algoritmos específicos de selección de variables. El objetivo final es
encontrar un conjunto óptimo de variables que maximice la precisión del modelo y lo haga
más interpretable y eficiente.

7. Mencione los aspectos más relevantes que aprendió en este curso.

R//

En el curso de big data tuve la oportunidad de poder aprender a analizar bases de datos,
conocer ayudas como EMIS en el cual podíamos encontrar mucha información sobre
empresas, de donde sacamos bases de datos de las diferentes perspectivas financieras y
podíamos realizar ejercicios para analizar estas.

Así mismo, realizamos el uso del programa Power BI el cual nos ayudaba a poder plasmar
los análisis de los datos de forma más ejecutiva y así mismo presentar gráficos y tablas más
interactivas.

En general las clases, los programas y la información suministrada por el profesor fueron
muy útiles e interesantes de aprender.