Ciencia de datos: etapas, objetivos en la empresa y roles
La ciencia de datos responde preguntas de negocio con datos, combinando estadística, programación y conocimiento del dominio. Su proceso es un ciclo, no una secuencia. Los objetivos en la empresa se ordenan en cuatro niveles — describir, explicar, predecir, prescribir — y la mayoría de las empresas obtienen la mayor parte del valor de los dos primeros, que no necesitan ningún modelo de IA.
1Las etapas: CRISP-DM + MLOps
CRISP-DM (1999) sigue siendo el modelo de referencia; la industria le añadió las etapas de operación (MLOps).
| Etapa | Qué se hace | Tiempo típico | Lo que suele salir mal |
|---|---|---|---|
| 1. Comprensión del negocio | Traducir "queremos usar los datos" a una pregunta con una decisión y un valor medible | Poco, y es el error | Saltársela: modelo excelente para una pregunta que no importa |
| 2. Comprensión de los datos | Inventariar, cargar, explorar (EDA) | Medio | Descubrir tarde que el dato clave no existe |
| 3. Preparación | Limpiar, unir, construir variables | La mayor parte (~80 %) | Fuga de información (leakage) |
| 4. Modelado | Elegir y entrenar técnicas | Menos de lo que se cree | Empezar por el modelo complejo sin línea base |
| 5. Evaluación | Medir en datos no vistos; comprobar sesgos | Medio | Optimizar la métrica equivocada |
| 6. Despliegue | Integrar en un sistema o proceso | Más de lo previsto | Funciona en el notebook y no se integra nunca |
| 7. Monitorización | Vigilar deriva de datos y de concepto; reentrenar | Continuo | Nadie lo hace: el modelo de 2019 decide en 2026 |
Las etapas no son secuenciales: la evaluación devuelve a la comprensión del negocio, el modelado a la preparación, la monitorización a los datos. Encaja mejor con los ciclos iterativos (UD1-05) que con una cascada — salvo la etapa 1, que sí conviene cerrar antes de gastar.
2Los cuatro niveles de la analítica
| Nivel | Pregunta | Necesita IA |
|---|---|---|
| Descriptiva | ¿Qué pasó? | No |
| Diagnóstica | ¿Por qué pasó? | No (a veces ML para factores) |
| Predictiva | ¿Qué pasará? | Sí (ML clásico casi siempre) |
| Prescriptiva | ¿Qué deberíamos hacer? | A veces; y siempre un proceso que actúe |
La observación honesta: la mayoría de las empresas obtiene la mayor parte del valor de los dos primeros niveles, y muchas que compran "IA" necesitaban un cuadro de mando fiable.
3Cuándo no hacer ciencia de datos
- No hay pregunta con una decisión detrás.
- No hay datos suficientes o son de mala calidad (primero el ciclo de vida).
- Una regla simple resuelve el 95 %: "avisar si el stock baja de 10" no necesita un modelo.
- No hay verdad con la que evaluar.
- El coste del error es inaceptable y el modelo no es explicable.
4Errores clásicos
| Error | Qué es |
|---|---|
| Correlación ≠ causalidad | Ventas de helado y ahogamientos suben juntos: los une el verano |
| Fuga de información | Entrenar con un dato que en producción no existiría |
| Sesgo de supervivencia | Analizar solo lo que sobrevivió |
| Ley de Goodhart | Cuando una métrica se convierte en objetivo, deja de ser buena métrica |
| Sobreajuste | El modelo memoriza el ruido del entrenamiento |
| Métrica inadecuada | 99 % de accuracy detectando fraude cuando el 99 % no lo es |
5Los roles, y por qué se confunden
| Rol | Qué hace | Lo que lo distingue |
|---|---|---|
| Analista de datos | Informes, cuadros de mando | Niveles descriptivo/diagnóstico |
| Científico de datos | Modelos y análisis avanzados | Niveles predictivo/prescriptivo |
| Ingeniero de datos | Tuberías: ingesta, almacenamiento, calidad | El más demandado y el más cercano a DAM |
| Ingeniero de ML / MLOps | Lleva modelos a producción y los mantiene | Etapas 6-7 |
| Ingeniero de IA | Apps sobre LLM: RAG, agentes, evaluación | En la práctica, backend con un componente no determinista |
Para un alumno de DAM, los perfiles con más continuidad natural son ingeniero de datos e ingeniero de IA.
6Para debatir en clase
- Un gimnasio quiere "predecir qué socios se darán de baja". Recorrer las 7 etapas: ¿necesita un modelo o una regla?
- Un modelo de previsión de demanda de 2019 sin monitorización. ¿Qué pasó en marzo de 2020? ¿Qué etapa lo habría detectado?
- Una oferta pide "científico de datos" para "dashboards y mantener el pipeline nocturno". ¿Qué rol es realmente?
- ¿Qué pregunta del propio instituto se podría responder con analítica descriptiva ya disponible?
✓Autoevaluación — puntos que debes dominar
Adaptado de 07-ciencia-de-datos.md.