Diferencias entre Business Intelligence, Data Science y Machine Learning
Contenido del curso
Hugo Ocampo
Gilberto Barrón López
Guillermo Alomia Monjaraz
Santiago Pineda Botero
Jhon Freddy Tavera Blandon
Julio Cesar Romero
José Antonio De La Paz Fonseca
Aaron Mainero
Carlos Hernán Soler Bedoya
Diana Marmolejo
Jhon Freyman Ramírez Cortés
Santiago Muñoz Aguirre
Carlos Andres Prieto Garavito
ALAN ALEXIS ORTIZ PERALTA
Gabriel Obregón
Anny Alvarado
oscar ivan quiroga baquero
Agustin Demarchi
Agustin Demarchi
Myriam Castillo
Myriam Castillo
Myriam Castillo
Myriam Castillo
Francy Yaneth Ramirez Nieto
luis barrios
Gracias 👍
que bien!!
Business Intelligence (BI), Data Science y Machine Learning (ML) son conceptos interrelacionados en el ámbito de los datos.
Las tres disciplinas se complementan para tomar decisiones informadas y estratégicas en negocios.
Curso de Ciencia de Datos para Análisis de Negocio
Diferencias entre Business Intelligence, Data Science y Machine Learning
🌟 Puntos Clave
🔹 Por qué los datos crean ventaja competitiva
Reducen la incertidumbre y alinean estrategia con operación.
Transforman procesos y productos: de intuición a evidencia.
El valor surge cuando impactan resultados, no solo cuando se acumulan.
🔹 Decidir con evidencia
Menos corazonadas, más resultados medibles.
Liderazgo no técnico = entender el lenguaje de los datos para guiar equipos.
Ejemplos de impacto: 🏥 Salud: ML predice enfermedades antes de síntomas. 🛒 Retail: análisis transforma experiencia de compra. 🚚 Logística: optimización de rutas y tiempos reduce costos.
🧩 Diferencia entre BI, Data Science y Machine Learning
📊 Business Intelligence (BI)
Qué pasó, cuándo y cómo.
Dashboards, reportes y KPIs para el día a día.
Decisiones basadas en evidencia del pasado reciente.
🔍 Data Science
Por qué pasó y qué podría pasar.
Modelos estadísticos y correlaciones para descubrir patrones.
Permite formular y validar hipótesis para guiar decisiones.
🤖 Machine Learning
De analizar a predecir y actuar automáticamente.
Algoritmos que aprenden y automatizan decisiones.
Modelos que recomiendan, detectan y predicen en tiempo real.
➡️ Juntas: forman un ciclo → entender pasado, anticipar futuro y automatizar.
💡 Mentalidad Data Driven (Cómo empezar)
Define el problema de negocio antes de pedir datos.
Mapea qué datos ya tienes y su calidad.
Alinea métricas con decisiones estratégicas.
Comunica necesidades claras a equipos técnicos.
Acciones rápidas:
Identifica 3 decisiones hoy tomadas por intuición.
Define un KPI para cada una.
Prioriza un caso de alto impacto y baja complejidad.
Construye un dashboard mínimo de seguimiento semanal.
🛠️ Conceptos y Habilidades Clave
KPIs → métricas que conectan objetivos con ejecución.
Dashboards → visualizan desempeño.
Correlaciones → orientan hipótesis.
Modelos estadísticos → explican y anticipan.
Automatizar decisiones → aplicar predicciones en procesos reales.
Mentalidad data driven → decidir con datos como regla, no excepción.
📌 Tip: Los datos no son un fin, son un medio para mejorar decisiones y acelerar la innovación. Empieza pequeño, mide y escala.
Muy valiosa la clase, por clases como ésta es que pago platzi
No reproduce esta clase
Igual me pasa a mí … no la puedo ver 🙁
¿Cuándo debería usar BI o Data Science?
Debes elegir Business Intelligence (BI) cuando tu objetivo principal sea monitorear la salud actual de tu negocio. Si necesitas saber cuántas ventas cerraste ayer, qué producto tuvo más devoluciones o si tu equipo alcanzó la meta mensual, un dashboard de BI es la herramienta perfecta. Te da una foto clara del pasado y el presente.
Por otro lado, debes dar el salto a Data Science cuando esas métricas ya no sean suficientes y necesites entender la raíz de un problema o anticiparte al futuro. Por ejemplo, si BI te dice que las ventas cayeron un 20% en verano, Data Science te ayudará a descubrir por qué cayeron (quizás una correlación con el clima o un cambio en el algoritmo de marketing) y predecir si volverán a caer el próximo año. En resumen: usa BI para control operativo y Data Science para estrategia profunda.
Gracias buen aporte, es importante saber en que momento del negocio tiene valor estos procesos.
🧩 El Ecosistema de los Datos: ¿Quién hace qué?
📌EL VALOR DE LOS DATOS
🔑 IDEA PRINCIPAL
✨ Los datos, bien usados, transforman cómo decides, innovas y creces.
🎯 VENTAJA COMPETITIVA
✔️ Reducen la incertidumbre
✔️ Alinean estrategia y operación
✔️ Mejoran procesos y productos
✔️ Detectan nuevas oportunidades
👉 Los datos solo valen cuando generan impacto real.
📊 DECIDIR CON DATOS
💡 Menos corazonadas, más resultados medibles.
👩💼 Liderazgo no técnico = entender el lenguaje de los datos.
💡 IMPACTO REAL
🔄 3 CAPACIDADES CLAVE
1️⃣ Business Intelligence (BI)
📌 Responde: qué pasó, cuándo y cómo.
📊 Herramientas: tableros, reportes, KPIs.
🛠️ Uso: seguimiento operativo, decisiones con datos pasados.
2️⃣ Data Science
📌 Responde: por qué pasó y qué podría pasar.
🔎 Herramientas: correlaciones, modelos estadísticos.
🛠️ Uso: validar hipótesis, guiar decisiones en producto/marketing/riesgo.
3️⃣ Machine Learning
📌 Hace que las máquinas aprendan y automaticen decisiones.
⚡ Uso: predicciones en tiempo real, clasificación, escalabilidad.
🧠 MENTALIDAD DATA DRIVEN
🔹 Empieza por el problema de negocio.
🔹 Revisa qué datos ya tienes.
🔹 Conecta métricas con decisiones.
🔹 Comunica necesidades claras a los equipos técnicos.
Business Intelligence (BI) te dice qué pasó, Data Science explica por qué y qué podría pasar. Machine Learning automatiza decisiones basadas en patrones. Deep Learning es un subcampo de ML con redes neuronales complejas, y la IA es un campo más amplio que busca que las máquinas simulen la inteligencia humana.
HOLAS COMPAÑEROS ME PUEDEN AYUDAR CON ESTO VOTANDO PARA PODER GANAR UN CONCURSO EN PLATZI GRACIAS https://platzi.com/comentario/5427901/
Que podríamos resolver con los datos que ya tenemos?
El dato que tengo es la falta de datos en censos de personas con divergencias atipicas.
El<u> problema ideal a resolver</u> en la humanidad y en las grandes empresas, <u>respecto a los datos</u>, <u>es</u> precisamente la creación de grandes proyectos para<u> detectar eficazmente y desde temprana edad, todo aquel que tenga divergencias atípicas</u> (neurodivergente).
Es un mundo rico en mentes brillantes, analíticas, predictivas, lógicas, gramaticales, lingüísticas, etc etc, y no solo en TEA o THEA, mucho mas aún en ACC ACI. Es impresionante la cuasi nada de oportunidades educativas y laborales para nosotros. En mi caso es mi ciudad si todo bien te conoce todo el pueblo. Pero a nivel remoto, ¿Cómo le decís a una empresa que podes aprender casi todo? y mas aún si te resulta interesante y lo haces de manera perfecta. Ni mencionemos aquel atípico que no puede comunicarse "típicamente" ¿Cómo le dice a una empresa, que está viendo que tiene 25/30/40 certificados de 5 áreas distintas o estudios o carreras a medio hacer y todas distintas con excelentes notas -"para algo sirvo"?. El punto es que las mejores mentes para datos están ahí entre los que no quieren ser validados por no pertenecer al sistema "normal" o al que no puede comunicarse de forma "normal" para hacer saber que si puede pensar y resolver más que un "normal".
Ahí se las dejo futuros (colegas, eso espero) Analistas.
El punto es que las empresas deben tener un doble método de reclutamiento, y si ya se que de apoco como todo se va implementando.
Yo no puedo aprender Python (es decir me cuesta horrores programar), pero me gustan analizar datos.
Hacer trading en modo Scalping (compra/venta rápida) y puedo por que detecto patrones complejos de forma muy rápida (tampoco puedo explicar el como, por que mi cerebro salta procesos y va al resultado directamente, lo cual si no pase por ese proceso no tengo el ¿cómo?, solo tengo la respuesta correcta, y por lo general o siempre me piden el ¿cómo? y automáticamente vas saltando de saber en saber hasta que alguna empresa te entiende y te da ese entorno laboral eficaz).
Yo tengo la suerte de tener altas capacidades de comunicación, redacción, escritura, oratoria, habilidades blandas, etc.
Pero me piden tantas cosas para NLP, tengo que saber formulas, ecuaciones, algebra, vectores, análisis de datos, programación, diferentes lenguajes, y si entiendo el punto, solo que hasta que no pase por eso, no voy a poder lograr ni business, ni data, ni Deep, ni machine, ni NLP ni NLU, y siendo C2 en español (otra error en el reclutamiento, ser C2 deja de existir como habilidad en el momento que pones "NATIVO", ((daaaaa!! tanto cuesta poner NATIVO A B C, parece colmo pero tener lengua nativa hace que el C2 no importara)) a menos que sea bilingûe y no yo no tengo ni un C1 o C2 en ingles entonces, <u>vuelva pronto, o vaya,sea profesor de Literatura en su pais, no moleste...</u>
Me explico?
necesito realizar la actividad del tema, pero no me deja seleccionar las respuestas
Si la plataforma te pone trabas con la tarjeta, no te preocupes: prueba con este ejercicio directamente por aquí.
¿Qué disciplina usarías para consultar un reporte que te muestra exactamente qué pasó con las ventas del mes pasado?
BUSINESS INTELLIGENCE
¡Exacto! Business Intelligence es justo ese espejo retrovisor que te dice exactamente qué pasó, con dashboards y reportes claros.
Si en lugar de ver el pasado quisieras entender por qué cayeron las ventas de ese mes y qué podría pasar el próximo, ¿a qué disciplina saltarías?
DATA SCIENCE O CIENCIA DE DATOS
¡Eso es! Data Science profundiza en el por qué y en el qué pasaría, cruzando variables y buscando patrones avanzados.
Y para cerrar el trío, veamos si te queda claro el último nivel con este ejercicio:
<create_practice_exercise exercise_kind="true_false" options="[{'key': 'A', 'label': 'Verdadero'}, {'key': 'B', 'label': 'Falso'}]" correct_option_key="A" prompt="El objetivo principal del machine learning es que las computadoras aprendan de los datos para automatizar decisiones y hacer predicciones sin intervención constante." />
VERDADERO
¡Exacto! El machine learning toma la batuta ahí: aprende de los datos para automatizar y predecir sin que tengas que programar cada regla a mano.
¿Qué problema de tu día a día crees que se beneficiaría más de una predicción automática?
¿Cómo automatizo decisiones usando Machine Learning?
Para automatizar decisiones con Machine Learning (ML), primero necesitas un historial de datos robusto y de buena calidad. Los algoritmos de ML no son magia; son sistemas matemáticos que aprenden a base de ejemplos históricos.
Imagina que tienes un e-commerce. En lugar de tener a una persona revisando manualmente qué productos recomendar a cada usuario, puedes alimentar un modelo de ML con el historial de compras y clics de miles de clientes. El algoritmo detectará patrones ocultos y empezará a sugerir productos automáticamente en tiempo real. Para lograr esto, el flujo ideal es: 1) Definir el problema (ej. aumentar el ticket promedio), 2) Recopilar datos históricos, 3) Entrenar el modelo junto con tu equipo técnico, y 4) Conectarlo a tu plataforma para que actúe sin intervención humana. Así pasas de simplemente analizar información a crear un sistema inteligente que trabaja 24/7.
