Qué es la ciencia de datos (y en qué no lo es)
Cuando alguien dice «necesito un modelo de IA», casi nunca está pidiendo una sola cosa. Detrás puede haber una pregunta de reporte (¿cuánto vendimos?), una predictiva (¿quién va a cancelar el servicio?) o una de infraestructura (¿cómo juntamos datos que viven en diez sistemas distintos?). Son tres disciplinas emparentadas —analítica, machine learning e ingeniería de datos— que se confunden todo el tiempo. Aprender a separarlas es el primer acto de rigor profesional.
El ciclo: cinco fases que no son una línea recta
Casi todos los marcos de trabajo (CRISP-DM es el clásico) describen el mismo recorrido con distintos nombres. Lo importante no son las etiquetas, sino dos ideas: que se itera y que el ciclo se cierra cuando el hallazgo vuelve al negocio en forma de decisión.
El ciclo de la ciencia de datos
- — 1. Entender
- — 2. Datos
- — 3. Explorar
- — 4. Modelar
- — 5. Comunicar
Nota la asimetría: la fase 2 consume con diferencia más esfuerzo que las demás. Un modelo sofisticado sobre datos sucios sigue dando basura; de ahí el dicho «basura entra, basura sale».
Tres papeles, tres preguntas distintas
| Papel | Pregunta que responde | Producto típico | Herramientas comunes |
|---|---|---|---|
| Analítica de datos | ¿Qué pasó y por qué? | Dashboard, informe, KPI | SQL, hoja de cálculo, BI |
| Machine learning | ¿Qué puede pasar? | Modelo predictivo o de segmentación | Python, scikit-learn, frameworks de DL |
| Ingeniería de datos | ¿Cómo llegan los datos, limpios y a tiempo? | Pipeline confiable y gobernado | Spark, Airflow, warehouses, cloud |
Mapa de la disciplina
# Ciencia de datos ## Analítica ### descriptiva ### diagnóstica ### reporte y KPIs ## Modelado ### predictivo (ML) ### exploratorio (no supervisado) ### experimental (A/B) ## Ingeniería ### pipelines ### calidad y gobernanza ### despliegue (MLOps) ## Comunicación ### visualización honesta ### decisión de negocio ### ética del dato
Una empresa quiere saber cuántos clientes perdieron el trimestre pasado y en qué regiones. ¿Qué papel domina ese trabajo?
Toda pregunta de negocio que involucre datos debe resolverse con un modelo de machine learning.
Clasifica cada tarea según el papel que le corresponde.
Analítica
Machine learning
Ingeniería de datos
El marco CRISP-DM ordena el trabajo en fases que se : tras comunicar, suele aparecer una nueva pregunta. La fase que más tiempo consume casi siempre es la de los , porque los datos raramente llegan .
Dónde se rompen los proyectos (y cómo se ve desde lejos)
- La pregunta llega difusa: nadie definió qué decisión cambiará el resultado, así que el análisis no tiene a dónde apuntar.
- Se empieza por el modelo y se buscan datos después: el orden correcto va del problema a los datos, no al revés.
- Se ignora la calidad del dato: duplicados, valores perdidos y fugas de tiempo inflan métricas que luego no se sostienen en producción.
Diagnosticar a cuál de estas fallas pertenece un proyecto es, en sí, una competencia central de la carrera. A lo largo del plan cada una tiene su materia: la pregunta se trabaja en metodología y comunicación, el dato en ingeniería y calidad, y el modelo en las asignaturas de aprendizaje automático.
Un criterio para no confundirse
- Pregunta el tipo de afirmación: ¿describe el pasado, predice el futuro o mueve datos?
- Revisa la decisión: si nadie va a actuar con el resultado, probablemente sobre-analitizas.
- Elige la herramienta más simple que responda con validez; sube de complejidad solo cuando la evidencia lo exija.
Vocabulario mínimo
Ciencia de datos (visión general)
Punto de partida para ver el panorama de la disciplina y sus relaciones.
Elige una decisión real que deba tomar tu escuela, tu trabajo o tu municipio. Escríbela como pregunta y decide a cuál de los tres papeles pertenece (¿analítica, ML o ingeniería?) y por qué. Justifica qué pasaría si la resolvieras con el papel equivocado.
UC Berkeley Data Science
Recursos y definiciones de ciencia de datos.