Cómo superar las dificultades más comunes al tratar de convertir tus datos en información y aprovechar todo el potencial de tus datos. Ejemplo parte 1/3

Sientes que no estás aprovechando todo el potencial de tus proyectos con los datos que dispones.

Sabes que es una buena oportunidad para impulsar tu carrera profesional y dar el salto definitivo a la ciencia de datos.

Has intentado formarte pero te encuentras con mucha información y poca claridad sobretodo al pasar a la práctica.

Quieres convertir datos en información y sentir que estás avanzando en tus proyectos.

Voy a tratar compartir contigo la dificultad número que está muy relacionada con los niveles del lenguaje de datos 🙂

Suena raro pero …. todo tiene su sentido.

¡Let’s do it!

La dificultad número 1 que te enfrentas al aprender ciencia de datos y convertir datos en información

La verdad es que al principio de cualquier proyecto donde los datos son parte importante siempre me parece un mundo muy complejo.

Me pregunta: ¿cómo es posible que lo logre?

Eso me ocurre siempre aunque tenga años de experiencia en ciencia de datos.

De hecho, después de analizar porqué ocurre eso, he llegado a la conclusión que el problema es que nuestro lenguaje es diferente al lenguaje de los datos.

Te lo explico con un ejemplo:

Me comenta unos de los alumnos especializado en análisis político al empezar su proyecto: 

“Me gustaría analizar bien porqué en las últimas elecciones de España salió VOX como uno de los partidos más votados cuando antes no existía.”

“Yo creo que es porque la población se polariza y una de las causas es un descontento político y económico mayor”

Es la pregunta qué quiere contestar nuestro cliente. Y la gracia es responderla con números.

¿Se puede? Claro que se puede 🙂

En nuestra cabeza tenemos preguntas hechas con un cierto lenguaje.

Pero los datos no entienden de nuestro lenguaje.

Tienes que ser tú quien traduzca las preguntas de manera que se puedan responder con gráficos, modelos o técnicas predictivas.

Por ello es importante conocer los 4 niveles del lenguaje de los datos:

• LENGUAJE NIVEL 1 – las variables, las características que se pueden medir o contar y ordenadas por observaciones
• LENGUAJE NIVEL 2 – gráficos y características numéricas (media, dispersión, correlación etc…)
• LENGUAJE NIVEL 3 – modelar datos para contestar preguntas y tomar decisiones
• LENGUAJE NIVEL 4 – algoritmos que nos permiten reconocer patrones de los datos y crear herramientas predictivas

Esa es la mayor dificultad que te enfrentas hoy y te enfrentarás en cualquier proyecto.

Voy a tratar de ayudarte con un ejemplo a comprender la visión práctica de este lenguaje.

Y tratar de impulsar tu carrera a través de los proyectos y datos que tienes entre manos.

Ya sabes que con los datos, las oportunidades de mejora son increíbles.

¡Vamos a ello!

Ejemplo Parte 1/3 – Cómo superar las dificultades prácticas al inicio de cualquier proyecto de ciencia de datos

En este vídeo te quiero explicar cómo superar las dificultades a nivel de planteamiento de un proyecto real que son consecuencia de las dificultades que te listarés más abajo cuando queremos impulsar nuestra carrera a través de los datos.

Vamos a trabajar un ejemplo dónde puedes descargar los datos.

DESCARGA LOS DATOS AQUÍ

Cuáles son las dificultades que puedes encontrarte al principio y cómo superarlas poco a poco.

Ahora vamos a resumir las dificultades a nivel de aprendizaje más comunes y algunos consejos para superarlas.

¡A por ello!

Resumen de las dificultades a nivel de aprendizaje y cómo superarlas:

En el vídeo has visto las dificultades a nivel práctico que nos enfrentamos. Ahora quiero compartir contigo las dificultades a nivel de aprendizaje cuando quieres avanzar en el aprendizaje como científico de datos:

• La ciencia de datos es todo un universo – La ciencia de datos es un mundo muy grande y aprender TODO es imposible. Lo importante es enfocarte el 20% de los aspectos que te proporcionará el 80% de los resultados. Por ejemplo, enfócate en entender cómo describir tus datos antes de entender miles de técnicas y algoritmos.

• Desbordado con mucha información en tu cabeza y desconexa –  Es muy común tener la cabeza llena de conceptos, estadística, machine learning pero… lo más importante es conectar todo ello con sentido práctico. Lo verás en la parte 3 de esta serie de artículos. Sigue los pasos: define tu problema – plantea tus objetivos – lee y limpia tus datos – explora tus datos – aplica modelos y técnicas estadísticas – aporta respuestas. Otra manera de ayudarte es aplicando. Si aplicas verás mucho más la claridad de lo que estás aprendiendo.

• Falta de experiencia de proyectos de ciencia de datos – ¡Lo sé! Es obvio, si no has trabajado con proyectos es muy difícil que sepas hacerlo. Por ello necesitas un guía que te marque el camino a seguir en cada momento o replicar proyectos resueltos que encuentras en páginas web de referencia.

• Datos y datos … no sé qué hacer – mi principal consejo es que entiendas bien la problemática. Y después pienses en qué variables son claves para resolver esa problemática. De esta manera conseguirás reducir muchos datos a los importantes. Es el nivel I del lenguaje de los datos: las variables.

• Poco tiempo para obtener resultados – ¡Si! El tiempo es el valor más escaso en la era digital. Para solucionar esto, enfócate en lo importante para solucionar el objetivo de tus proyectos. Enfócate en aplicar técnicas de descripción y sacarás un montón de información práctica en poco tiempo. Además, ¡te lo vas a pasar muy bien!

—

Si te ha gustado este artículo y el vídeo no te pierdas el segundo artículo donde te voy a explicar cómo solventar las típicas malas prácticas y cómo avanzar seguro en tu especialización a través de los datos.

¡Vamos a impulsar tu carrera!

Ahora deja un comentario de las dificultades y retos que te encuentras actualmente en tu aprendizaje.
¡Te leo en los comentarios!