Sin título

Página 1

1️⃣ General Data Analytics Principles & Data Types

reglas básicas para trabajar bien con datos + los tipos de datos que existen

Principios básicos de Data Analytics-

Accuracy - Exactitud (para que los datos sean correctos y sin errores, sirve ara dar conclusiones confiables)

Relevance - Relevancia (Que los datos sean útiles para el problema que se quiere resolver. Sirve para no perder el timepo ni sacar conclusiones erroneas)

Timeliness - Actulidad ( Que los datos estén actualizados Para tomar decisiones correctas; Fechas recientes, Información vigente, Frecuencia adecuada de actualización)

Consistency - Consistencia (Que los datos sean coherentes entre sí. Integra; Mismos formatos, Mismas unidades, Mismos nombres y categorías y sirve para Para evitar contradicciones y errores al analizar.)

Ethics - Ética (uso responsable y justo de datos; Privacidad, no discriminación, para preteger a las personas y mantener la confiaza)

Tipos de datos

Por forma:

Quantitative → números (edad, ventas)

Qualitative → categorías (color, país)

Por estructura:

Structured → tablas, Excel, SQL

Unstructured → texto, imágenes, videos

2️⃣ Data Strategy

El plan para usar datos y cumplir un objetivo. Responde a:

¿Qué datos necesito?

¿Para qué?

¿Cómo los obtengo?

¿Quién los usa?

Data strategy = usar datos con propósito Ejemplo: Empresa quiere vender más →Analiza ventas pasadas + comportamiento de clientes → toma decisiones.

3️⃣ Data Integrity, Cleaning & Organization

La integridad de los datos (data integrity) es la garantía de que la información almacenada en sistemas digitales es precisa, coherente, fiable y completa a lo largo de todo su ciclo de vida

🔹 Data Integrity

👉 Los datos son correctos, completos y confiables.

❌ Sin errores

❌ Sin duplicados

❌ Sin datos faltantes importantes

🔹 Data Cleaning

👉 Limpiar los datos antes de analizarlos.

Eliminar duplicados

Corregir errores

Llenar o eliminar valores vacíos

🔹 Data Organization

👉 Ordenar los datos para analizarlos mejor.

Columnas claras

Nombres correctos

Formatos iguales

📍 Ejemplo:

Fecha siempre en el mismo formato.

4️⃣ Python Programming Language (pandas)

¿Qué es Python? Es un lenguaje de programación muy usado en data analysis.

¿Qué es pandas? Es una librería de Python para trabajar con tablas de datos.

📌 Funciona como Excel, pero más potente.

5️⃣ Data Visualization & Dashboards

🔹 Data Visualization

👉 Mostrar datos de forma visual para entenderlos rápido.

Tipos comunes:

Gráficas de barras

Gráficas de líneas

Gráficas circulares

📌 Objetivo: entender patrones y tendencias

🔹 Dashboards

👉 Pantalla que muestra varias gráficas juntas con métricas clave.

KPIs

Resúmenes

Datos en tiempo real

Idea clave para memorizar:

A dashboard tells a data story

Ejemplo:

Dashboard de ventas:

Ventas totales

Ventas por mes

Ventas por región

Página 2

Sesgo o Bias:

Son errores sistemáticos en la forma de pensar o analizar datos que distorsionan las conclusiones sin que nos demos cuenta.

Confirmation bias (sesgo de confirmación) → Buscar datos que confirmen una idea previa.

Selection bias (sesgo de selección) → Usar datos que no representan a todos.

Sampling bias (sesgo de muestreo) → Muestra pequeña o mal elegida.

Interpretation bias (sesgo de interpretación) → Interpretar datos ambiguos según expectativas.

Survivorship bias (sesgo de supervivencia) → Analizar solo los casos exitosos.

Measurement bias (sesgo de medición) → Medir mal una variable.

Anchoring bias (sesgo de anclaje) → Dejarse influir por el primer dato.

Availability bias (sesgo de disponibilidad) → Usar solo datos fáciles de obtener

Data Ethics

Informed Consent (consentimiento informado) → La persona acepta dar sus datos sabiendo cómo y para qué se usarán.

Data Privacy (privacidad de datos) → Proteger la información personal del usuario.

Transparency (transparencia) → Ser claro y honesto sobre el uso de los datos.

Confidentiality (confidencialidad) → No compartir datos con personas no autorizadas.

Data Minimization (minimización de datos) → Recolectar solo los datos necesarios.

Anonymization (anonimización) → Eliminar información que identifique a la persona.

Data Security (seguridad de datos) → Proteger los datos contra accesos no autorizados.

Fairness / Non-discrimination (equidad / no discriminación) → Evitar decisiones injustas o sesgadas.

Accountability (responsabilidad) → Asumir responsabilidad por el uso de los datos.

Purpose Limitation (limitación del propósito) → Usar los datos solo para el fin declarado.

Página 3

Spreadsheet: alicacion para organizar, analizar, calcular y visualizar datos estructurados en filas y columnas