Etapas del Modelo Analítico

Las diferentes fuentes de información pueden ser First, Second, Third Party, datos estructurados, semi estructurados o no estructurados, los cuales deben organizarse para tener un esquema lógico eficiente y de fácil manipulación

Los datos son el resultado de algún proceso de recopilación con ciertos diseños muestrales estadísticos

3- Limpieza de datos

Eliminación de inconsistencias dentro de los datos, se debe lidiar con:

Elementos duplicados que reducen variedad

Se debe elegir una estrategia para el manejo de datos nulos (Imputación, llenado o eliminación)

Se debe contar con herramientas para el manejo de atípicos (outliers) que afectan la varianza de los estimadores en los modelos

4- Exploratory Data Analysis

Se deben utilizar herramientas de visualización para poder entender comportamientos y patrones en los datos

Se deben realizar transformaciones para el análisis comparativo de variables

Un buen desarrollo de esta etapa puede ayudar a comprender mejor las causas que explican el fenómeno de estudio generando los primeros insights

5- Selección de variables

También conocido como Feature Selection, consiste en el proceso de seleccionar las características (variables) con más importancia en la variable a predecir.

Las variables altamente correlacionadas pueden generar inestabilidad en los modelos por colinealidad

Existen diversos métodos y algoritmos para realizar este proceso (Wrapper, Embebed, Filter)

6- Modelamiento

Este es uno de los procesos más cruciales en el modelado de ciencia de datos, ya que el algoritmo de aprendizaje automático ayuda a crear un modelo de datos utilizable.

Hay muchos algoritmos para elegir, el modelo se selecciona en función del problema.

Tres tipos de aprendizaje: Supervisado (Regresión y Clasificación), No supervisado y Aprendizaje por refuerzo

7- Validación del modelo

Es fundamental comprobar que nuestros esfuerzos de modelado cumplan con las expectativas.

El modelamiento se aplica a los datos de prueba para verificar precisión y si contiene todas las características deseables.

Si no se logra la precisión requerida, puede volver a la Fase 5, elegir un modelo de datos alternativo y luego probar el modelo nuevamente.

8- Despliegue del modelo

El modelo que proporciona los mejores resultados basado en los hallazgos de las pruebas se completa y se implementa en el entorno de producción siempre que se logre el resultado deseado a través de las pruebas adecuadas según las necesidades comerciales. Con esto concluye el proceso de desarrollo del modelo analítico.