Gracias por el A2A.
¡Hay un método en la locura! 🙂
Parte 1 : Defina la pregunta. Por lo general, la pregunta comercial no es cuantitativa, sino más bien abierta. Su primera tarea es definir cómo cuantificarlo. Si la pregunta es cómo crecer / mejorar, entonces necesita saber qué significa eso y convertirlo en una pregunta cuantitativa. Digamos que crecimiento / mejora en realidad significa “¿cómo podemos aumentar los ingresos en un 15%?” lo que en realidad también es una pregunta abierta porque puede expandir la base de usuarios o mejorar la conversión de la base de usuarios actual o vender la base de usuarios ya convertida … o incluso un modelo mixto de estos.
- Cómo comenzar mi carrera en ciencia de datos como estudiante de primer año en India
- ¿Cómo se usan los datos?
- ¿Es correcto hacer un curso sobre big data? ¿Cómo puedo asegurar un trabajo como nuevo después de hacer un curso de Big Data?
- ¿La optimización está relacionada con la ciencia de datos? ¿Y cómo?
- ¿Cuánto de R (o minería de datos) debo aprender para la investigación de mercado y para un negocio personal / propio?
Parte 2 : Definir los datos. Esto significa que ahora que sabe qué analizar necesita definir los conjuntos de datos. Desde mi experiencia, aquí es donde la mayoría de la gente falla. Usan demasiado tiempo para recopilar demasiados datos que no saben si es relevante o no. El problema es que no se trata solo de definir cómo recopilar y organizar datos, sino también de evaluar la relevancia de los datos.
Parte 3 : Explore los datos. Ahora que tiene sus conjuntos de datos, es hora de comprender lo que está sucediendo detrás de la cortina. Esta es una parte compleja porque las personas tienden a ver patrones e inmediatamente sacar conclusiones sin la metodología adecuada. Me gusta llamar a esto la etapa “porque lo sé”. Seamos realistas hoy en día es fácil visualizar datos. Cada vez que alguien menos conocedor de datos ve un patrón, se vuelve loco al explicar por qué está allí. Dada la cantidad de datos recopilados, es muy probable que el patrón esté allí simplemente porque está allí … es ruido, no señal.
Parte 4 : Experimento. La mayoría de las personas se detendrán en la parte 3. Cuando encuentran algo que tienen en este momento eureka, toman algunas decisiones y funciona o no. ¡Esta es la parte donde las personas conocedoras de datos se convierten en superhéroes! Aquí es donde sucede la magia. El truco aquí es crear hipótesis y experimentarlas. Esto puede ser una prueba A / B típica, un RCT más profundo y aprendizaje automático.
Parte 5 : Recopilar datos e informar. Esto realmente va a la parte 1 y reinicia el ciclo. Muchas veces tendrás más preguntas de las respuestas de la pregunta original.
Si desea el resumen técnico, consulte esta otra respuesta que le di a una pregunta similar: la respuesta de Ricardo Vladimiro a ¿Cuál es el flujo de trabajo habitual de un científico de datos antes de comenzar a analizar un conjunto de datos?
¡Espero que esto ayude!
