- Tomás Sierra Samaniego
- 15/03/2022
- Data Analysis
- 0 Comments
Escenario simple: hay una manzana debajo de un árbol. Ante la pregunta ¿qué ha pasado? la lógica (embrutecida con el principio de economía de la Navaja de Ockham) nos lleva a responder, casi de manera impulsiva, que la manzana ha caído del árbol. Sin embargo, al articular esta solución estamos asumiendo una causalidad simple, dado que estamos dejando fuera de nuestro análisis un sinfín de factores determinantes.
Pero eso es hacer un poco de trampa, porque solo me has dado un escenario simple. Sí, es un ejemplo un tanto simplista y tramposo, pero sin ponerlo en duda no podríamos vislumbrar los mil factores variables que condicionan la hipótesis de la respuesta: ¿es el árbol un manzano? ¿Está la manzana mordida? ¿Hay pisadas de animal o de persona cerca? ¿Se celebra cerca una convención de fans de Sir Isaac Newton?
Por eso, hoy toca explicar todos (o casi todos) los pasos que hay dentro de cualquier análisis complejo.
1. Comprender la situación y el resultado esperado
Hacer un análisis, al menos de manera profesional, no es pillar un puñado de datos y empezar a soltar descripciones e hipótesis a lo loco. No, hay que ir un poco más despacio, aunque vamos a tolerar que se empiece analizando.
El primer paso de un análisis es el de comprender el escenario ante el que nos encontramos, léase una descripción campestre o un problema que pueda presentar una empresa. Debemos concebir el entorno de la problemática y, no solo eso, sino que debemos tener claro a dónde queremos llegar. Reiterando en el problema del árbol y la manzana, debemos conocer su entorno y saber qué queremos averiguar: cómo ha llegado la manzana ahí.
2. Definir unas métricas claras
A la hora de llevar a cabo nuestro análisis, necesitamos que, tanto los datos que recabamos como nuestras conclusiones sean congruentes, tanto entre sí como con la realidad y la verdad que deseamos alcanzar.
Es en este punto del proceso en el que debe decidirse qué será tomado en cuenta y cómo será medido y evaluado para los pasos posteriores.
3. Recolección de datos
Podemos pedir todos los datos que queramos, interrogar al amo del prado y descargar un informe del Banco Mundial. Podríamos tener 2 europalets llenos de informes impresos y que eso no nos sirviese de nada o, en el peor de los casos, obstaculizase nuestra tarea.
Por ello, debemos identificar los datos que son útiles a nuestro propósito, las fuentes que nos darán acceso a dichos datos y, como un europalet vale para mucho o para nada, debemos definir las herramientas a utilizar.
4. Limpiar los datos
Si conoces un buen ingeniero de datos que te deba una por ayudarle en una mudanza, este es el momento de enviarle un mensaje. Limpiar los datos a analizar es clave por un doble motivo: por una parte, deben localizarse y resolverse aquellas incongruencias o lagunas que aparecerán (porque aparecerán); por otra, los datos suelen provenir de diversas fuentes, por lo que será necesaria su estandarización para poder relacionarlos sin problemas.
5. Análisis y minería de datos
Ay ho, ay ho, mi Excel explotó. Ahora sí, ahora empieza la verdadera labor de análisis. Pon en fila todas esas bases de datos y que se preparen. Bueno, en fila o en esquema de estrella o de estrella de nieve, que así funcionará mejor (jaja, chiste de analista de datos). El caso es que hay meterse en faena.
Este punto requiere extraer, analizar y manipular los datos. ¿Ya lo tienes? Pues ahora ponte las gafas de cerca e identifica patrones, tendencias, variaciones y correlaciones. Esta suele ser la parte más difícil y, para mí, la más divertida.
6. Interpretación de resultados
Una vez se han reunido y trabajado los datos, es cuando toca convertirlos en información útil. Hay que interpretar bien los resultados (¿recuerdas que el primer punto requería fijar un objetivo o resultado? Ahí es donde debes colocar tu perspectiva) y revisar la fiabilidad del análisis.
Determinar la fiabilidad del análisis requiere, además, sacarlo de la perspectiva fijada para comprobar la validez de las conclusiones cuando una o más circunstancias inherentes a los datos cambian.
7. Presentación de resultados
Aquí viene donde la matan cuando los resultados no son buenos. Y es que nadie quiere ser portados de malas noticias. Pero no debemos decaer ni recular si los resultados valorativos no son buenos respecto al entorno, siempre y cuando esos mismos resultados, independientemente de su carácter positivo o negativo, se ajusten a lo establecido al comienzo del análisis.
La presentación es la parte final y, muchas veces, crítica del análisis, pues una mala ejecución puede dar la impresión de un mal trabajo. Por ello, los resultados deben presentarse de una manera clara, impactante y convincente.
Y tú, ¿ya sabes por qué la manzana está debajo del árbol?
Related Posts
Leave A Comment
Lo siento, debes estar conectado para publicar un comentario.