Enter text here

Enter text here

1. ¿Qué es Ciencia de Datos?

   • La Ciencia de Datos es el proceso de analizar datos usando estadísticas, programación y matemáticas para encontrar patrones y hacer predicciones. En pocas palabras, se trata de usar los datos para responder preguntas importantes y tomar decisiones.
     • Ejemplos: Predecir el clima con datos históricos o estudiar cómo los usuarios interactúan con una app para mejorarla.

2. ¿Qué es Analítica de Datos?

   • La Analítica de Datos es el proceso de analizar los datos con herramientas estadísticas para descubrir patrones y obtener información que ayude a tomar decisiones. Es un enfoque más simple que la Ciencia de Datos, y generalmente se usa para entender lo que está pasando en un conjunto de datos.
     • Ejemplos: Analizar las compras de clientes en una tienda online para entender qué productos venden más o ver cómo le fue a una campaña publicitaria en redes sociales.

3. ¿Qué es Big Data?

   • Big Data es un término que se refiere a los grandes volúmenes de datos que son difíciles de manejar con las herramientas tradicionales. Se caracterizan por tres cosas importantes:
     • 1. Volumen: Son datos muy grandes, casi imposibles de gestionar con una hoja de cálculo.
       • 2.Velocidad: Los datos se generan muy rápido (como en tiempo real).
         • 3. Variedad: Los datos vienen en diferentes formatos (textos, imágenes, videos, etc.).

4. Relación entre Ciencia de Datos, Analítica de Datos y Big Data

   • La Ciencia de Datos usa Big Data para crear modelos complejos y hacer predicciones precisas. La Analítica de Datos, en cambio, se enfoca en entender patrones en los datos mediante análisis estadístico, sin necesitar manejar grandes volúmenes de datos como en Big Data. Big Data se refiere a datos tan grandes y complejos que las herramientas tradicionales no pueden procesar, y es lo que permite que tanto la Ciencia de Datos como la Analítica de Datos trabajen con grandes cantidades de información para generar insights.

5. Las 6 Fases de la Metodología CRISP-DM

   • 1. Comprensión del Negocio: Antes de todo, es importante saber qué quiere la empresa o quién sea el cliente. Ejemplo: Si trabajas en una tienda online, el objetivo puede ser predecir cuántos clientes abandonan sus carritos de compra.
   • 2. Comprensión de los Datos: Recolectar los datos disponibles y ver qué tipo de información contienen. Ejemplo: Ver qué datos tienes sobre tus clientes: edad, productos comprados, historial de compras.
   • 3. Preparación de los Datos: Limpiar los datos, eliminar errores o vacíos, y ponerlos en un formato que sea fácil de usar. Ejemplo: Eliminar registros de clientes incompletos o corregir valores erróneos (como una fecha de compra incorrecta).
   • 4. Modelado: Elegir un algoritmo para construir un modelo predictivo (es decir, una fórmula que pueda hacer predicciones). Ejemplo: Usar un algoritmo que prediga qué clientes podrían abandonar sus carritos de compra.
   • Evaluación: Ver si el modelo funciona bien y cumple con lo que necesitas. Ejemplo: Probar si el modelo acierta en la predicción de clientes que abandonan el carrito, y si no, mejorar el modelo.
   • Implementación: Usar el modelo en la vida real para resolver el problema o tomar decisiones. Ejemplo: Usar el modelo para enviar un recordatorio a los clientes que abandonaron su carrito, invitándolos a completar la compra.

Imagens e arquivos do mapa