La ciencia de datos al servicio de la analítica digital

Todos llevamos a un analista dentro y los datos se están convirtiendo en algo imprescindible pero, ¿sabemos realmente transformar datos en conocimiento? Existen varias disciplinas como la Analítica Web, Data Science o la Arquitectura Big Data que tienen este objetivo y por eso, Jose Ramón Cajide, profesor del Máster de Analítica Web de KSchool y analista digital en el Arte de Medir, nos cuenta qué es la ciencia de los datos en el siguiente artículo.

La ciencia de datos al servicio de la analítica digital

Vivimos un momento en el que los datos, esas representaciones simbólicas que sirven para describir atributos de una variable, ya sea de forma cuantitativa o cualitativa, son parte vital y la base sobre la que se sustentan términos como Big Data, Digital Analytics, Marketing Analytics o Data Science.

Estoy convencido de que en algún momento habrás leído o escuchado a muchos hablando sobre todos o algunos de estos temas por lo que no voy a detenerme mucho con los primeros para acercarte al último de ellos, el de Data Science, no sin querer resaltar que todas esas disciplinas tienen un mismo objetivo: transformar datos en conocimiento.

Y es que metidos ya de lleno en la era big data, donde prácticamente no existen limitaciones en los sistemas y tecnologías de la información para la extracción, procesado y almacenamiento masivo de datos, todavía debemos enfrentarnos al gran reto de poder convertir grandes volúmenes de datos en información útil para la toma de decisiones dentro de los más diversos ámbitos como las finanzas, la medicina, la agricultura, la educación o el marketing entre otros.

Y es precisamente en el mundo del marketing, y en concreto en el marketing digital, entendiendo tanto aspectos del marketing online como offline, en donde quiero profundizar.

Con ingentes cantidades de datos generadas por el cada vez mayor número de plataformas de publicidad, afiliación, email marketing, analítica, redes sociales, etc. integradas o conectadas con nuestros activos digitales, ya sea una web o una app, las empresas centran ahora sus esfuerzos en aprender a recoger e integrar todas esas fuentes de datos con el fin de poder obtener un mayor conocimiento sobre sus usuarios con el fin de definir aquellas estrategias con las que posicionarse  en un mercado cada vez más competitivo y en el que no siempre la empresa más grande tiene la última palabra.

Con la expansión de las tecnologías basadas en sistemas informáticos en la nube y lo servicios SaaS (Software as a Service) como los ofrecidos por los gigantes de internet (Google, Amazon o Microsoft entre otros), cualquier empresa puede tener acceso a una infraestructura y capacidad de procesamiento, antes sólo al alcance de un gran presupuesto, dejando de ser una debilidad a la hora de planear una estrategia de futuro.

Sin embargo, es todavía en el campo de la transformación del dato en conocimiento, donde las grandes empresas juegan con ventaja, al poder incorporar a sus plantillas equipos de estadísticos, matemáticos y analistas altamente cualificados. Con el aumento de la velocidad de generación de los datos y la necesidad de obtener de éstos información en tiempo real, ya no es suficiente con contar con un equipo de analistas que exploren los datos de forma manual.

La gran variedad de datos y los distintos tipos de problemas e hipótesis que se nos plantean hacen que las tareas de interpretación y de análisis sean cada vez más complejas por lo que se buscan aquellos principios, procesos y  técnicas que nos permitan comprender cualquier fenómeno mediante el análisis automatizado de los datos y es aquí donde entra en juego la ciencia de datos.

La ciencia de datos actúa no sólo como soporte para la toma de decisiones basadas en datos hasta el punto que muchas decisiones son tomadas automáticamente por sistemas informáticos, tal y como sucede, por ejemplo, en los sistemas de pujas que emplean las distintas plataformas publicitarias en internet, los sistemas de recomendación de productos o los algoritmos de posicionamiento entre muchos otros que nos rodean.

En marketing digital, las empresas son cada vez más conscientes de la necesidad de medir, de recoger datos sobre lo que los usuarios hacen a través de todos sus dispositivos (smartphones, ordenadores personales, tablets, smarttv, etc.) y sobre qué activos digitales interactúan (online, mobile, redes sociales, website, etc.) con el fin de optimizar campañas, canales, procesos, … sus beneficios.

Surgen así múltiples plataformas que recolectan distintos tipos de datos sobre campañas, clickstream, encuestas, competencia, etc. Es la analítica digital la que nos sitúa entonces en el campo del análisis de todos esos datos, en entender qué es lo que ha pasado para intentar predecir el futuro.

La analítica digital se vuelve cada días más compleja al hacerse necesario integrar, interpretar y generar de forma ágil conocimiento sobre un creciente número de canales, tecnologías y caminos seguidos por los usuarios durante su proceso de decisión de compra.

¿En qué puede ayudarnos la Ciencia de Datos?

En ciencia de datos se define un principio por el cual un proceso de minería de datos (data mining) tiene una serie de etapas definidas en algunas de las cuales se aplican los sistemas informáticos como el descubrimiento automático (machine learning) para la obtención de patrones.

Dicho proceso de minería de datos nos permite resolver diferentes problemas de negocio como ¿qué clientes tienen una mayor sensibilidad a una determinada oferta?, ¿qué clientes tienen una mayor probabilidad de cancelar su suscripción?, ¿cómo evolucionará la tasa de captación de nuevos usuarios en nuestro sitio web?, ¿qué productos debemos ofrecer a cada segmento de clientes?, ¿qué productos son comprados conjuntamente? ¿qué tipos de artículos son leídos por ciertos segmentos de lectores?, ¿cuáles son los principales atributos que nos sirven para conocer las preferencias de nuestros lectores?, ¿cuál ha sido el impacto de la última campaña en televisión en nuestras ventas online?.

Conviértete en Experto en Analítica Web

¡Máster Analítica Digital en KSchool! Estudia online o presencial en Madrid o Barcelona. Más de 60 ediciones. Dirigido por Gemma Muñoz. KSchool, escuela líder en analítica digital.

¡Ver oferta!

La ciencia de datos nos provee de un conjunto de técnicas y algoritmos que nos ayudarán a dar respuesta a dichas preguntas mediante la generación de modelos a partir de los cuales podremos entender y evaluar nuestras hipótesis.

Entre estas técnicas existen sistemas de clasificación basados en probabilidades que pretenden ubicar a cada individuo de una muestra en una o varias clases o grupos (classification); sistemas de regresión que tratan de predecir el valor de una determinada variable (regression); sistemas para encontrar entidades similares (similarity matching); sistemas para agrupar individuos de una población por similitudes (clustering); sistemas para descubrimiento de relaciones entre entidades en base a las transacciones en las que están presentes (associations); sistemas para descubrir el comportamiento típico de un individuo, grupo o población (profiling); sistemas para predecir conexiones entre datos o individuos (link prediction); sistemas para reducir la dimensionalidad de los datos y facilitar el trabajo con los mismos (data reduction) o sistemas para ayudar a entender que eventos influyen en otros (causal analysis).

La aplicación de dichas soluciones requerirá el seguimiento de un proceso que comienza con el entendimiento del negocio y el problema al que queremos dar respuesta y para lo cual se requieren dosis de creatividad.

A continuación debemos comprender los datos que tenemos y a partir de los cuales se construirá el modelo ya que en ocasiones haremos uso de datos históricos que no fueron obtenidos para dar respuesta a nuestro problema actual o recurriremos a datos de diferentes fuentes que son obtenidos de poblaciones distintas.

En la fase de preparación tendremos que manipular y convertir los datos con el fin de facilitar el trabajo con los mismos (Data wrangling).  Nos enfrentaremos a datos incoherentes, incompletos, mal formateados, con valores extremos, etc que deberemos transformar, combinar, escalar o estandarizar. Se estima que entre un 50 por ciento y 80 por ciento del tiempo en proyecto de análisis se dedica a estas tareas de limpieza de datos.

El objetivo final es la creación de un modelo, es decir, unas reglas, un algoritmo o patrón que recoja la mayor variabilidad existente en el conjunto de datos. Es en esta fase de modelado cuando tendremos que decidir qué algoritmos vamos a aplicar a nuestros datos, pudiendo optar por el uso de métodos supervisados (predicen un dato a partir de otros datos históricos) o no supervisados (tratan de descubrir un patrón o una tendencia en los datos).

En la fase de evaluación aplicaremos nuevas técnicas para comprobar que el modelo extraído de nuestros datos es generalizable. Se trata de descartar que no hemos construido un modelo ajustado en exceso  a nuestros datos, que los describe con gran precisión pero que no puede ajustarse a nuevos conjuntos de datos.

Evaluaremos, además, si el modelo da respuesta a los objetivos de negocio iniciales y servirá de apoyo en las tomas de decisiones.

La última fase, no presente en todas los proyectos, es la de implementación del modelo a través de algún sistema informático o dentro de algún proceso de negocio. Así, un modelo que sirva para recomendar a un usuario un determinado producto en función los productos por los que ha mostrado interés mientras navega por un sitio web y/o de acuerdo a los gustos de otros usuarios con perfiles similares, deberá estar disponible en un entorno que permita el envío de datos al modelo y que a su vez nos permita recibir la predicción del modelo para aplicarla en tiempo real durante la navegación del usuario.

Proyectos como Microsoft Azure, Amazon ML, Google Prediction API o BigML nos permiten hacer uso de estas técnicas y algoritmos, lo que produce una reducción a las barreras de entrada a la aplicación de soluciones de aprendizaje automático que nos permitan transformar datos en información accionable apoyándonos en las matemáticas y la estadística.

Si te interesa el mundo de la analítica web o todo lo relacionado con los datos, no dudes en pedir información sobre nuestros masters a:

elsa.duran@kschool.com o llama al 91 577 83 41

–Máster de Analítica Web

Fecha inicio: 27 de noviembre

–Máster de Data Science

Fecha inicio: 13 de noviembre

–Máster de Big Data

Fecha inicio: 13 de noviembre