Documentos de Académico
Documentos de Profesional
Documentos de Cultura
a la Analítica de Negocios
Acerca de mi:
Acerca de la evaluación:
% Evaluación Tema
15% Taller 1
15% Taller 2
15% Taller 3
30% Trabajo Final: 5% (Primera entrega) – 10% (Segunda entrega) – 20% (Entrega y exposición final)
Conocimientos Previos:
• Probabilidad e inferencia estadística
• Programación y algoritmia
Metodología:
Sesiones teóricas:
• Explicación de conceptos
Sesiones prácticas:
• Python - Streamlit
• SQL
• DataStudio – Gsuite
Seguimiento:
• Talleres y tareas
• Lúdicas
• Lectura y discusión de artículos científicos
• Conocer y aplicar técnicas de pre-procesamiento de datos para la formulación y solución de problemas de analítica.
• Conocer técnicas de visualización de datos como un insumo para el análisis de datos y la implementación de la
inteligencia de negocio.
Introducción a la Analítica de Negocios:
Consiste en crear conocimiento de valor a partir del análisis de datos masivos con el propósito de extraer patrones de
comportamiento sobre nuestros hábitos y costumbres, así como interpretar de forma eficiente situaciones
empresariales para tomar decisiones informadas e inteligentes.
Comprende el conjunto de métodos de análisis básicos que conlleva el uso de datos para conocer qué ha pasado o qué
está pasando en este momento (descriptivo), así como métodos de análisis avanzados para saber qué pasará
(predictivo) o qué debería suceder en el futuro (prescriptivo)
Historia de la Analítica de Negocios
Los 90s:
1958 1. Volumen
BI 1.0:Todo el personal tenía
El alemán de IBM Hans acceso a los datos. pero hacer 2. Velocidad
Peter Luhn pública nuevas preguntas seguía siendo 3. Variedad
“A Business Intelligence Los 70s:
muy caro. Una vez que se 4. Veracidad
System”- “Habilidad de Se crean grandes bases de
"diseñó" una pregunta, la 5. Valor
aprender las relaciones de datos y aplicaciones para
respuesta estaría disponible
hechos presentados de empresas, creando un campo Actualidad:
rápidamente, pero solo para esa
forma que guíen las acciones de acción importante para el
pregunta.
hacia una meta deseada” desarrollo del BI. BIG DATA
ÉNFASIS
Inteligencia Artificial
Analítica
Avanzada
Analítica
Cognitiva
Analítica
Prescriptiva
Analítica
Predictiva
Analítica
Operaciona
Analítica
Descriptiva
l
Analítica Descriptiva
Da respuesta a: ¿Qué pasó o está pasando en el negocio?
Es una etapa preliminar del procesamiento de datos que crea un resumen de los datos históricos para proporcionar información
útil y preparar los datos para su posterior análisis.
Beneficios
• Hace más fácil el entendimiento y consumo de los datos.
• Filtrar o quitar datos no significativos (se concentra en patrones y no datos atípicos)
Ejemplos:
Observar la evolución histórica de las Averiguar personas más influyentes en una red
demandas de un determinado servicio o de comunicación empresarial, o cuellos de
producto, para diferentes periodos temporales. botella existentes entre departamentos.
Analítica Descriptiva
Sin embargo, existen algunas desventajas: ¿Qué es la estadística engañosa?
El uso indebido, intencional o no de datos numéricos. Los resultados dan una información engañosa al receptor quien luego se
queda con ese pensamiento si no nota el error o no tiene la imagen completa de los datos. Para generar confiabilidad se
utilizan: Pruebas de control (resultados similares al reproducir el experimento bajo condiciones similares)
¡ Verdades a medias !
En una encuesta de investigación de 2009 realizada por el Dr. Fanelli se encontró que el 33,7% de los científicos encuestados
admitieron prácticas de investigación cuestionables, incluyendo: modificación de resultados para mejorar los resultados,
interpretación subjetiva de datos, retención de detalles analíticos y eliminación de observaciones.
Encuesta mal Correlación vs Visualización Pesca de datos Sesgo intencionado y Usar cambio porcentual con un
diseñada causalidad engañosa de datos selectivo tamaño de muestra pequeño
Fanelli, D. (2009). How many scientists fabricate and falsify research? A systematic review and meta-analysis of survey data. PloS one, 4(5), e5738.
Analítica Descriptiva Encuesta mal
¿Cómo engañar con la analítica descriptiva? diseñada
Los patrones de redacción específicos tienen un efecto persuasivo e inducen a los encuestados a responder de manera
predecible. Ejemplo Preguntas Cargadas sobre una encuesta de asistencia de gobierno:
1. ¿Cree que debería pagar impuestos para que otros ciudadanos no tengan que trabajar?
2. ¿Cree que el gobierno debería ayudar a las personas que no pueden encontrar trabajo?
Hacer una pregunta, pero precederla con una declaración condicional o una declaración de hecho:
3. Dados los crecientes costos para la clase media, ¿apoya los programas de asistencia del gobierno?
Preguntas Neutrales:
4. ¿Apoya los programas de asistencia del gobierno para el desempleo?
5. ¿Cuál es su punto de vista con respecto a la asistencia por desempleo?
Analítica Descriptiva Pesca de
¿Cómo engañar con la analítica descriptiva? datos
La Paradoja de Simpson
En probabilidad y estadística, la paradoja de Simpson o efecto Yule-Simpson es una paradoja en la cual una tendencia que aparece
en varios grupos de datos desaparece cuando estos grupos se combinan y en su lugar aparece la tendencia contraria para los
datos agregados. Esta situación se presenta con frecuencia en las ciencias sociales y en la estadística médica,1 y es causa de
confusión cuando a la frecuencia de los datos se le asigna sin fundamento una interpretación causal.
https://www.youtube.com/watch?v=hpbXkrm68rI
Analítica Descriptiva
Normalmente usamos:
Adquisición de Carga y
Procesamiento Visualización
datos Almacenamiento
Analítica Predictiva
Da respuesta a: ¿Qué pasará en mi negocio?
La analítica predictiva es el uso de datos, algoritmos estadísticos y técnicas de machine learning para identificar la probabilidad
de resultados futuros basados en datos históricos. El objetivo es llegar más allá de saber lo que ha sucedido para proveer la mejor
evaluación de lo que sucederá en el futuro.
Beneficios
Es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello.
Tienen la habilidad de identificar patrones entre los datos para hacer predicciones. Este aprendizaje automático se produce por
medio de algoritmos: Un algoritmo no es más que una serie de pasos ordenados que se dan para realizar una tarea.
Analítica Predictiva
¿Cómo funciona?
1. Aprendizaje supervisado
2. Aprendizaje no supervisado
3. Aprendizaje de refuerzo según la naturaleza de los datos que recibe.
Analítica Predictiva
Aprendizaje supervisado:
En el aprendizaje supervisado los algoritmos trabajan con datos “etiquetados”, intentado encontrar una función que, dadas las
variables de entrada, les asigne la etiqueta de salida adecuada. El algoritmo se entrena con un “histórico” de datos y así “aprende” a
asignar la etiqueta de salida adecuada a un nuevo valor, es decir, predice el valor de salida. (Simeone, 2018). Ejemplo: Detector de
Spam
Estos dos tipos principales de aprendizaje supervisado, clasificación y regresión, se distinguen por el tipo de variable objetivo. En los casos
de clasificación, es de tipo categórico, mientras que, en los casos de regresión, la variable objetivo es de tipo numérico.
Los algoritmos más habituales aplicados: Árboles de decisión, Clasificación de Naïve Bayes, Regresión por mínimos cuadrados, Regresión
Logística, Máquinas de vector soporte (SVM), Métodos “Ensamble” (Conjuntos de clasificadores)
k-neighbors
1. Dorada
>= 7gr ; 2cm < x <= 5cm
2. Plateada
3gr < x <= 7gr; <= 3.5m
El aprendizaje no supervisado tiene lugar cuando no se dispone de datos “etiquetados” para el entrenamiento. Sólo conocemos los
datos de entrada, pero no existen datos de salida que correspondan a un determinado input. Por tanto, sólo podemos describir la
estructura de los datos, para intentar encontrar algún tipo de organización que simplifique el análisis. Por ello, tienen un carácter
exploratorio.
Por ejemplo, las tareas de clustering, buscan agrupamientos basados en similitudes, pero nada garantiza que éstas tengan algún
significado o utilidad. En ocasiones, al explorar los datos sin un objetivo definido, se pueden encontrar correlaciones espúreas
curiosas, pero poco prácticas.
El aprendizaje no supervisado se suele usar en:
• Problemas de clustering
• Agrupamientos de co-ocurrencias
• Perfilado.
Los tipos de algoritmo más habituales en aprendizaje no supervisado son: Algoritmos de clustering, Análisis de componentes principales
y Descomposición en valores singulares
y
Nombre Anotacione Pases
s
Anotaciones
Laura ## ##
Sara ## ##
Daniel ## ##
Santiago ## ##
Sebastián ## ##
Pases x
Analítica Predictiva – Machine Learning
Supervisado vs No supervisado
No todos los algoritmos ML se pueden clasificar como algoritmos de aprendizaje supervisado o no supervisado. Hay una “tierra de
nadie” que es donde encajan las técnicas de aprendizaje por refuerzo. Este tipo aprendizaje se basa en mejorar la respuesta del
modelo usando un proceso de retroalimentación. El algoritmo aprende observando el mundo que le rodea. Su información de
entrada es la retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a
base de ensayo-error.
No es un tipo de aprendizaje supervisado, porque no se basa estrictamente en un conjunto de datos etiquetados, sino en la
monitorización de la respuesta a las acciones tomadas. Tampoco es un aprendizaje no supervisado, ya que, cuando modelamos a
nuestro “aprendiz” sabemos de antemano cuál es la recompensa esperada.
Gato
Perro
Analítica Predictiva
Algoritmos
Analítica Prescriptiva
Da respuesta a: Dado que se que va pasar ¿Qué hacer con mi negocio?
Nos permite encontrar el mejor curso de acción para una situación o escenario determinado. También puede recomendar opciones de
decisión o incluso automatizar acciones para acelerar una oportunidad futura o mitigar un riesgo
El análisis prescriptivo combina sinérgicamente datos, reglas de negocio, modelos matemáticos y optimización.
Beneficios:
• Optimización de procesos, campañas y estrategias.
• Reduce al mínimo las necesidades de mantenimiento y las entrelaza a mejores condiciones.
• Reduce los costos sin afectar el rendimiento.
• Aumenta la probabilidad de que las empresas enfoquen y planifiquen de forma adecuada el crecimiento interno.
Ejemplos:
Una de las transformaciones recientes más importante es la llegada de la tecnología cognitiva. Los sistemas cognitivos
pueden ingerir/digerir datos no estructurados en todas sus formas. Además, es capaz de razonar sobre esos datos, y de
aprender de cada interacción. De hecho nunca deja de aprender.
Cora, Agente inteligente del Royal Bank of Scotland Planificador de viaje personal por WayBlazer
Minería
de PLN Analíticas
datos
Datos
Machine Deep
Robótica
Learning Learning
Inteligencia Artificial
Intento de hacer a un dispositivo tan o más inteligente que un humano. Darle la capacidad de razonar o pensar
en función a los datos que se le está pasando.
● Inteligencia Artificial Débil: Ejemplo, un asistente de celular como Siri. No rebasan la línea de lo que
están programados para hacer.
● Inteligencia Artificial Fuerte: Tiene la habilidad de reconocer patrones en el comportamiento humano
y/o el ambiente.
● Super Inteligencia Artificial: Supera la inteligencia de un humano, incluso alguno considerado genio.
Tiene la capacidad de tomar decisiones propias.
● Singularidad Tecnológica: Es el nombre que se le da al concepto del momento en el que la Super
Inteligencia Artificial va a dominar.
Inteligencia Artificial
Algunas dificultades:
Puedes apoyarse de: una ppt, diagrama, mapa mental, mapa conceptual, etc.
Exposición: 5 min
Nota: Cada presentación será evaluada por el resto de los compañeros. En classroom se van a subir los criterios de la
evaluación. Se debe enviar el nombre del artículo a más tardar el jueves al medio día.