Notas para ACOMPAÑAR al curso

Buenas! Espero que esten bien! Les dejo mis apuntes del curso para que puedan acompañarlo! Saludos!
Link: https://jpkitro.notion.site/Analisis-de-negocios-para-ciencia-de-datos-75d5ad9d7ccb4292b7ff029b91ee3cec

• El mundo de los datos

  Big data

  Gran volumen de informacion de datos. Las empresas deberian almacenar datos diariamente y asi poder crear una solucion matematica o estadistica a un problema de negocio

  Tipologia de datos

  • Personas
    Infomacion conseguida por las acciones que los humanos realizamos en diferentes situaciones
  • Transacciones
    • Monetarias
      Segun nuestros gastos, se puede saber o suponer en que vamos a gastar o que vamos a hacer
    • No monetarias
      Segun nuestras llamadas, mensajes, etc. Podremos saber lo que vamos a hacer o dejar de hacer dependiendo de nuestro comportamiento “normal”
  • Navegacion web
    Cookies para saber TODO sobre el usuario en nuestra pagina
  • Machine 2 machine
    De maquina a maquina como el GPS en Google maps cuando queremos saber donde esta un colectivo
  • Biometricos
    Estos datos nos identifican como ser unico (como la huella dactilar) y son tema de debate muy amplio

  Crear cultura de datos en una empresa (data driven)

  1. Crear una cultura de datos
  2. Recolectar TODO para poder medir
  3. Medir TODO para poder analizar
  4. Datos RELEVANTES y PRECISOS
  5. Testear en base a una hipotesis
  6. Desde nuestros INSIGHTS de datos a las ACCIONES utilizando estos datos muy bien
  7. Cumplir las regulaciones de datos (etica de datos)
  8. Automatizar!

  Tipos de IA

  • Inteligencia artificial
    La capacidad de un ordenador de poder tomar decisiones inteligentes
    • Machine learning
      La capacidad de un ordenador de poder crear y mejorar dicho comportamient mediante entrenamientos automaticos. Al estas ser mas profundas por la complegidad de la red neuronal, se convierte en deep learning
      • Deep learning
        Al ser tan avanzado, puede reconocer imagenes, audio o cosas mas complejas aun, y hasta crearlas en mucho menos tiempo ya que puede trabajar asincronamente

  Machine learning

  • Deteccion de fraudes
  • Busqueda web (anuncios)
  • Anuncios a tiempo real (anuncios de ultimo momento)
  • Analisis de textos
  • Next Best Action (apresurarse a cosas que saben q vas a querer hacer)

  Deep learning

  • Reconocimiento de imagenes extremadamente rapido
  • Reconocimiento de sonido en base a increibles procedimientos ante una base de datos como Shazam
  • Carros automatizados gracias a video en vivo transformado en 1s y 0s (es mas jugado con la etica)

• Herramientas y roles de trabajo en ciencia de datos

  <h1>Flujo de trabajo en ciencia de datos</h1>

  Roles

  Ingeniero de datos

  • Arquitecto de la información que vamos a almacenar
  • Conexión entre un dispositivo y la base de datos
  • Hacen APIs o ETLs y utilizan bases de datos tanto SQL como NoSQL

  Analista BI

  • Extracción y dashboards a partir de una base de datos ya construida
  • Automatización de estos procesos
  • Herramientas como SQL y Excel

  Data scientist

  • Funciona como el analista, pero puede predecir gracias al machine learning
  • Modelos estáticos para saber hacia donde vamos
  • Herramientas como R y Python sumados a SQL

  Data translator

  • Puede ser especialista en datos o especialista en negocios, deberá conectar estos dos mundos y poder interpretarlos de la mejor manera
  <h1>Herramientas por etapas</h1>

  SQL

  • Extraccion de informacion
  • Sintesis de la base de datos
  • Cuadros de control de la operación
  • Ejemplo del envudo

  R y Python

  • Analisis de datos con enfoque estadistico e ingenieril
  • Análisis descriptivo y exploratorio
  • Librerias como Pandas y Numpy (en Python) y ggplot2 y dplyr (En R)
  <h1>Lo basico de SQL</h1>

  Comandos

  SELECT

  Selecion de los campos (Columnas) para hacer el analisis o para sintetizar la tabla de origen

  Clausulas

  FROM

  Tabla donde se almacena la informacion

  WHERE

  Especificar las condiciones que se aplicaran

  GROUP BY

  Campos (Columnas) de agrupacion

  ORDER BY

  Campos (Columnas) de ordenacion

  Operadores logicos

  AND

  Une varias condiciones que tienen que ser cumplidas

  OR

  Evalua dos o mas condiciones y obtienes resultados si una de ellas se cumple

  NOT

  Excluye un valor de la información a obtener

  Funciones agregadas

  AVG

  Promedio de una campo

  COUNT

  Recuento de valores de una columna

  DISTINCT

  Encontrar valores unicos

  SUM

  Suma de valores de una columna

  MAX

  Valor mas alto de una columna

  MIN

  Valor más bajo de una columna

  <h1>Creación de queries en SQL</h1>

  Ejercicio:

  • Saber CUANTAS bocinas hemos vendido por mas de 600 MXN desde 2019
  • Tabla en excel: VENTAS_2020

  Resultado:

  SELECT COUNT (DISTINCT id) FROM VENTAS_2020 
  WHERE Producto = 'Bocina' AND Valor > 600 AND Anio => 2019
  

  <h1>Conflictos y retos actuales sobre la ética y tratamientos de datos</h1>

  Ética en el procesamiento de imágenes

  • Ejemplo de Face-app o Tinder
    En una época estuvo de moda la app para ver cómo serías si fueses de distinto generó o con 1 decada mas de edad. Esto se logra gracias a la inmensa cantidad de datos que la empresa tiene sobre las diferentes personas y así puede jugar con estos datos. No es tan divertido que una app tenga tu información desde que naciste hasta lo que podes llegar a hacer en unos dias (Ademas de tener metadatos incluidos en tu cuenta)

• Problema de negocio: ANALISIS

  <h1>Técnicas de storytelling para estructurar el problema en algo lógico</h1>

  Problema (Hipótesis)

  Algunos clientes contactan a soporte en exceso

  • No lo podemos identificar
  • No podemos prevenir este comportamiento

  Solución

  Crear un script que identifique y clasifique a los Top Offenders

  • Entender sus motivacion - clasificarlos
  • Definir acciones para prevenir esta tendencia

  Alcance (Lo necesariamente grande con una distinción)

  LATAM con distinction por ciudades

  • Clientes
  • Actualización mensual

  ---

  <h1>Estructurar un caso de negocio</h1>

  Hipótesis / Storytelling

  Que?

  Algunos clientes contactan a soporte en exceso

  Por que?

  • Motivaciones economicas
  • Preguntas
  • Problemas tecnologicos
  • Politica de empresa

  Como?

  • Análisis cuantitativo (Siempre)
  • Análisis cualitativo
  • Matriz cuantitativa - cualitativa (Entendiendo)
  • Definir acciones de prevención
  • Validacion

  ---

  <h1>Analisis cuantitativo de un caso de negocio</h1>

  Descargar información (SQL)

  • Clientes con ≥ 1 queja
  • Datos por un mes
  • Macros por ciudad y mes

  Identificar

  • Patrones de comportamiento
  • Variables significativas
    • Madurez (Compras realizadas)
    • Quejas mensuales
    • Compras mensuales
    • Gasto mensual
    • Créditos y dinero devuelto (Dinero)
    • Margen operativo neto (Ganancias y perdidas)

  Definir

  • Segmentación según rentabilidad
  • Threshold (Límite) top offender
  • Threshold para cada categoria
    • Clientes regulares
    • Clientes bronce
    • Clientes plata
    • Clientes dorado

  Análisis: Mapeo

  

  Hipótesis

  A mayor compras, menos compras por entendimiento del sistema.

  • Eliminamos los clientes que hicieron menos de diez compras en total y con un alto porcentaje de quejas

  Analisis: Aplicacion

  

  Podemos ver que el 20% total de las quejas se concentran en estos usuarios. Son muy pocos usuarios comparados con el total

  ---

  <h1>Analisis cualitativo de un caso de negocio</h1>

  Clusterizar:

  Causas de contacto

  • Motivaciones economicas
  • Preguntas
  • Problemas tecnologicos
  • Politicas de empresa

  Clasificar:

  Causas de los Top Offenders identificados. Motivos detrás de los mensajes, categorias dentro de categorías leyendo los mensajes y buscando palabras

  Profundizar

  • Motivos de contacto
  • Geolocalización

  Análisis: Cauterización

  

  ---

  <h1>Fusión cuanti-cualitativa en un caso de negocio</h1>

  

  Con este gráfico podemos ver que nuestros mejores compradores son los que menos quieren una remuneración monetaria, pero es inquietante que tengan problemas tecnológicos y con las políticas de la empresa. Con estos datos podemos ver donde deberíamos ajustar las tuercas y donde reveer nuestros valores

  ---

  <h1>Minería de texto, información adicional</h1>

  

  Gracias a la minería de texto, podemos entender quienes son nuestros clientes segun los tipos, y podremos ver mas a detalle donde deberíamos cambiar las cosas o mejorarlas.

• Problemas de negocio: IMPLEMETACION

  <h1>Acciones, algoritmos y toma de decisiones post resultados</h1>

  Algoritmos usados

  1. Mineria de datos para clasificacion de motivos de contacto
  2. Correlaciones y patrones de comportamiento
  3. Arboles de decision y teoria de juegos para predecir y tomar decisiones
  4. Validación con bayesianos y MCMC

  Acciones para disminuir las quejas

  1. Taggear a los top offenders identificados mensualmente
  2. Advertirlos
  3. Llamar usuarios
  4. Bloquear usuarios
  5. Validación con A/B Test

• Los apuntes de Majo

  https://static.platzi.com/media/public/uploads/analisisdenegocios_4de948ab-cf57-47f9-8f63-a679c6706b8a.pdf