UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

MAESTRIA DATA SCIENCE

METODOLOGÍA PARA CIENCIA DE DATOS: METDOLOGÍA

CATALYST

AUTOR(ES)
José Alexander López Huertos
Yoel Medina Quispialaya
Juan José Navarro Gonzales
Luis Ruiz Bartra
Wuendy Velazquez Chipana

Docente
Rosario Villalta

Lima, Marzo 2023

1
 Indice

Introducción .................................................................................................................. 3

¿Qué es Catalyst? ........................................................................................................ 4

Objetivos....................................................................................................................... 8

Describir los pasos y procesos de la metodología Catalyst. .......................................... 9

Comparar Catalyst y la metodología IBM .................................................................... 14

Evaluar las ventajas y desventajas de Catalyst en términos de costo, complejidad y

eficiencia. (¿Qué aplica Catalyst que las diferencia de las demás?) ........................... 16

Presentar un caso práctico que demuestre la efectividad de Catalyst. (¿Por qué se debe

usar Catalyst y no IBM?) ............................................................................................. 17

Discutir las últimas tendencias y la evolución futura de Catalyst en la industria del

análisis de datos. ........................................................................................................ 18

2
 Introducción

El análisis de datos se ha convertido en una herramienta esencial en el mundo

empresarial para tomar decisiones informadas y estratégicas. La metodología Catalyst
es una de las metodologías más recientes que se han desarrollado para ayudar a las
empresas a analizar grandes cantidades de datos y obtener información valiosa para
mejorar su rendimiento.

El objetivo de este trabajo de investigación es describir los pasos y procesos de la

metodología Catalyst para el análisis de datos, compararla con otras metodologías
populares como IBM, CRISP, KDD y SEMMA, y evaluar sus ventajas y desventajas en
términos de costo, complejidad y eficiencia. Además, se presentará un caso práctico
que demostrará la efectividad de Catalyst en comparación con otras metodologías y se
discutirán las últimas tendencias y la evolución futura de Catalyst en la industria del
análisis de datos.

3
 1. ¿Qué es Catalyst?

La metodología Catalyst, propuesta por Dorian Pyle (2003), es también conocida por
P3TQ:

• Product, Place, Price (P3)

• Tiempo (T)

• Quantity (Q)

Es una metodología de mejora de procesos que fue desarrollada para ser usada en
explotación de información. Asimismo, se compone por dos modelos: uno de ellos
consiste en el modelado del negocio (MII) que plantea cinco escenarios en los cuales
se definen los requerimientos, el otro es el modelado de la información (MIII) que
consiste en cinco pasos para desarrollar los modelos de minería de datos según los
requerimientos establecidos en el primer modelo.

El modelado del Negocio es una serie de pasos que permiten identificar el o los
problemas del negocio (u oportunidades del mismo), a fin de ver cuáles son los
requerimientos reales de la organización.

Datos: Se identifica un conjunto de datos con el objetivo de analizarlos para encontrar

patrones de interés. Las actividades para realizar en este escenario son:
4
 • Determinar las fuentes de donde se recolectarán los datos.

• Identificar al personal interesado (Stakeholders) en el proyecto.

• Discutir el proyecto original con el personal interesado.

• Caracterizar el conjunto de datos en función de las relaciones P3TQ (Product,

Place, Price, Time, Quantity) por las cuales fueron recolectados.

• Caracterizar la motivación del negocio para recolectar y almacenar los datos.

• Descubrir quién o qué departamento origino el proyecto y qué expectativas

tienen sobre el mismo.

Descubrimiento del problema:

• Identificar las principales relaciones P3TQ que dan origen a los datos.

• Identificar y caracterizar al personal interesado.

• Identificar los objetos organizacionales que los datos representan.

• Enmarcar el problema u oportunidad

• Preparar un esbozo del caso de negocio

• Presentar el nuevo proyecto al personal interesado

• Armar el caso de negocio completo, si es necesario.

• Enmarcar y describir la situación del negocio.

• Definir los requerimientos de la implementación.

Oportunidad: Es el problema u oportunidad de negocio que se quiere explorar y es

susceptible de realizar minería de datos. En este escenario se deben realizar las
siguientes actividades:

• Identificar y caracterizar al personal interesado relevante.

• Explorar la situación de negocio con el personal interesado.

• Enmarcar y describir la situación del negocio.

• Identificar los objetivos de negocio relevantes para el proyecto.

• Buscar los datos que se explotarán.

• Desarrollar el caso de negocio.

5
 • Presentar el caso de negocio al personal interesado.

• Describir la situación del negocio para el proceso de minería.

• Definir los requerimientos de implementación.

Prospectiva: El proyecto se diseñará con objetivo de descubrir donde la minería de datos

puede ofrecer un valor en el entorno de la organización. Este escenario incluye
actividades tales como:

• Caracterizar las relaciones P3TQ claves de la organización.

• Identificar el flujo de información de los principales procesos de la organización.

• Identificar el personal interesado.

• Entrevistar el personal interesado.

• Descubrir qué cambios estratégicos pueden resultar de mayor interés para el

personal interesado.

• Caracterizar los modelos de minería que pueden dar soporte a los cambios
estratégicos.

• Explorar las fuentes de datos.

• Preparar los casos de negocio para cada oportunidad significativa.

• Presentar los casos de negocio al personal interesado.

• Enmarcar la situación de negocio que se abordará.

• Definir los requerimientos de implementación.

Definido: Se pretende crear las especificaciones del modelo de minería de datos con un
propósito específico para la situación determinada. Las actividades son:

• Identificar el personal interesado.

• Discutir los requerimientos con el personal interesado.

• Enmarcar la situación del negocio.

• Buscar los datos con los cuales se realizará la minería de datos.

• Definir los requerimientos de la implementación.

6
Estratégico: Se plantea una estrategia para analizar si la minería de datos se adapta a
la situación actual y se identifican opciones para resolverla. Este análisis estratégico
debe soportar un escenario planificado por la organización. Las actividades por realizar
son:

• Identificar el personal interesado.

• Entrevistar el personal interesado.

• Enmarcar la situación de negocio.

Si es necesario, trabajar iterativamente con el personal interesado para crear un mapa

de los escenarios estratégicos.

A partir del mapa crear un modelo de la situación estratégica, mediante un enfoque de

sistema.

• Caracterizar las relaciones P3TQ más importantes de la organización.

• Relacionar el mapa con las relaciones P3TQ identificadas.

El modelo de Explotación de Información/Minería de Datos brinda una serie de construir

y ejecutar el modelo de minería de datos a partir del modelo de negocio.

Preparación de los datos: Incorpora una serie de actividades donde permite comprobar
la calidad de los datos que se van a utilizar (Aquino et al., 2015) (Moine, 2013) (Shafique
& Qaiser, 2014) (Peralta, 2014).

• Evaluar las variables en estudio.

• Identificar problemas básicos en las variables.

• Identificar problemas en la base de datos completa.

• Comprobar variables anacrónicas.

• Verificar que haya suficientes datos.

• Comprobar que se cubran todos los valores posibles de las variables.

• Identificar la necesidad de recodificar variables.

• Selección de herramientas y modelado inicial: Permite seleccionar la

herramienta y el modelo con respecto al análisis del problema (Aquino et al.,
2015) (Moine, 2013).

• Estructurar los datos para el proceso de minería.

7
 • Caracterizar las variables de entrada y salida.

• Seleccionar el algoritmo de minería.

• Evaluar el impacto de los datos que faltan mediante MVCM (Missing Value
Check Model).

Crear un modelo inicial:

• Exploratorio: si se realiza minería para entender la situación del negocio.

• Clasificación: si se realiza minería para clasificar.

• Predicción: si se realiza minería para predecir.

• Refinar el modelo seleccionado: En este caso se debe realizar lo siguiente: Si el

método es exploratorio, se debe describir los resultados obtenidos sobre la
situación actual, si el modelo es predictivo o de clasificación, se debe comprobar
la capacidad predictiva del modelo y por último verificar el modelo con el personal
interesado (Moine, 2013).

• Implementar el modelo: Si el modelo es exploratorio: se debe comprobar los

requerimientos del problema, realizar un informe con los resultados obtenido,
contabilizar los valores extremos, incorporar evidencias negativas, etc., y
obtener retroalimentación de los usuarios. Si el modelo es de
clasificación/predicción: se debe comprobar los requerimientos de la
implementación que se plantearon antes de la minería, revisar los requerimientos
del problema, disponer una explicación del modelo y reconocer los
requerimientos finales de implementación (Moine, 2013).

• Comunicación de resultados: en esta etapa se presentan los resultados

obtenidos al público interesado y los responsables de la toma de decisiones y de
esta forma sugerirles cómo implementarlos (Aquino et al., 2015) (Peralta, 2014).

2. Objetivos

• Pasos y procesos que conforman la metodología Catalyst para el análisis

de datos.

• Comparar la metodología de IBM y Catalyst.

8
 • Evaluar las ventajas y desventajas de la metodología Catalyst en
términos de su costo, complejidad y eficiencia, en comparación con las
otras metodologías.

• Presentar un caso práctico que demuestre la efectividad de la

metodología Catalyst en comparación con las otras metodologías, y
cómo se puede aplicar en una situación del mundo real.

• Discutir las últimas tendencias en el uso de la metodología Catalyst en la

industria del análisis de datos, y cómo se está adaptando a las
necesidades y desafíos cambiantes. Además, explorar cómo podría
evolucionar en el futuro para satisfacer las necesidades de la industria.

3. Describir los pasos y procesos de la metodología Catalyst.

Catalyst se caracteriza por trabajar bajo 2 estructuras o sub metodología,

metodología para el modelado de negocio y metodología para minería de datos

a. Metodología para el modelado de negocio:

Modela el problema u oportunidad de negocio que abordará el proyecto. Se
recomiendo una guia del paso a paso de cada escenario. Pyle recomiendo 5 puntos de
partidas diferentes para el proyecto.

Escenario 1: Datos Explorar los datos:

Explorar los datos en búsqueda de relaciones útiles e interesantes.

1. Determinar las fuentes de donde se recolectarán los datos.

2. Identificar al personal interesado (stakeholders) en el proyecto.

3. Discutir el proyecto original con el personal interesado.

4. Caracterizar el conjunto de datos en función de las relaciones P3TQ por las cuales
fueron recolectados.

5. Caracterizar la motivación del negocio para recolectar y almacenar los datos.

9
6. Descubrir quién o qué departamento originó el proyecto y qué expectativas tienen
sobre el mismo.

7. Descubrimiento del problema

a. Identificar las principales relaciones P3TQ que dan origen a los datos.

b. Identificar y caracterizar al personal interesado.

c. Identificar los objetos organizacionales que los datos representan.

d. Enmarcar el problema u oportunidad.

e. Preparar un esbozo del caso de negocio.

f. Presentar el nuevo proyecto al personal interesado.

g. Armar el caso de negocio completo, si es necesario.

h. Enmarcar y describir la situación del negocio.

i. Definir los requerimientos de la implementación.

Escenario 2: PROBLEMA/OPORTUNIDAD

Dado un problema u oportunidad de negocio, ver cómo la minería de datos puede

colaborar con la misma.

1. Identificar y caracterizar al personal interesado relevante.

2. Explorar la situación de negocio con el personal interesado.

3. Enmarcar y describir la situación del negocio.

4. Identificar los objetivos de negocio relevantes para el proyecto.

5. Buscar los datos que se explotarán.

6. Armar el caso de negocio.

7. Presentar el caso de negocio al personal interesado.

8. Describir la situación del negocio para el proceso de minería.

9. Definir los requerimientos de implementación

Escenario 3: PROSPECCIÓN

10
 Proyecto diseñado para descubrir dónde la minería de datos puede aportar valor
en la organización.

1. Caracterizar las relaciones P3TQ claves de la organización.

2. Identificar el flujo de los principales procesos de la organización.

3. Identificar el personal interesado

4. Entrevistar al personal interesado.

5. Descubrir qué “cambios estratégicos” pueden resultar de mayor interés para cada
usuario. 6. Caracterizar los modelos de minería que pueden dar soporte a los cambios
estratégicos.

7. Explorar las fuentes de datos.

8. Preparar un borrador del caso de negocio para cada oportunidad significativa.

9. Presentar los casos de negocio al personal interesado.

[Link] la situación de negocio que se abordará.

[Link] los requerimientos de implementación

Escenario 4: MODELO DEFINIDO

Utilizar la minería de datos para construir un modelo específico para una

situación determinada.

1. Identificar al personal interesado.

2. Discutir los requerimientos con el personal interesado.

3. Enmarcar la situación del negocio.

4. Buscar los datos a minar.

5. Definir los requerimientos de la implementación.

Escenario 5: ESTRATEGIA

Dada una situación estratégica, analizar si la minería de datos puede ser útil para
explicar la situación actual y descubrir cuáles son las opciones para resolverla. Es decir,

11
el proyecto se inicia requiriendo un análisis estratégico para apoyar la planificación de
escenarios corporativos.

1. Identificar al personal interesado.

2. Entrevistar al personal interesado.

3. Enmarcar la situación de negocio.

4. Si es necesario, trabajar iterativamente con el personal interesado para crear un mapa

de los escenarios estratégicos.

5. A partir del mapa crear un modelo de la situación estratégica, mediante un enfoque

de sistema.

6. Caracterizar las relaciones P3TQ más importantes de la organización.

7. Relacionar el mapa con las relaciones identificadas.

8. Si es necesario, simular la situación estratégica para identificar ambigüedades,

incertidumbres, errores y descubrir relaciones.

9. Caracterizar las relaciones P3TQ en términos de los “cambios estratégicos”.

[Link] qué “cambios estratégicos” pueden resultar de mayor interés para cada
usuario. [Link] los “cambios estratégicos” más viables.

[Link] las fuentes de datos.

[Link] cada oportunidad/problema de negocio en el modelo estratégico con

particular atención a las estrategias y sus interacciones, incluyendo los riesgos que
implican cada una.

b. METODOLOGÍA PARA LA MINERÍA DE LOS DATOS

Proporciona una guía de pasos para el descubrimiento de patrones/relaciones de

acuerdo con el problema de negocio identificado.

Preparación de los datos

1. Evaluar las variables en estudio (medidas de posición y dispersión, outliers, datos

faltantes, etc).

2. Chequear problemas básicos en las variables (variables con muchas categorías, por
ejemplo).

12
3. Chequear problemas en la base de datos completa, análisis multivariado (CHAID
analysis).

4. Chequear variables anacrónicas (que no aportan información).

5. Chequear que haya suficientes datos.

6. Chequear que se cubran todos los valores posibles de las variables, aun los que no
son de interés.

7. Chequear la necesidad de recodificar variables.

Selección de herramientas y modelado inicial

1. Estructurar los datos para el proceso de minería (dividir los datos de entrenamiento,
prueba y evaluación).

2. Caracterizar las variables de entrada y salida.

3. Seleccionar el algoritmo de minería.

4. Evaluar el impacto de los datos faltantes mediante un MVCM (Missing Value Check
Model). 5. Crear un modelo inicial

a. Exploratorio / Descriptivo: Si se realiza minería para entender la situación del

negocio.

b. De Clasificación: si se realiza minería para clasificar.

c. De Predicción: si se realiza minería para predecir.

Refinar el modelo

1. Si el método es exploratorio, describir los resultados encontrados sobre la situación

actual.

2. Si el modelo es predictivo o de clasificación, verificar la capacidad predictiva del

modelo (por ejemplo, con matrices de confusión o gráficos de “valores predichos vs
observados”, según el caso).

3. Verificar el modelo con el personal interesado.

Implementar el modelo

13
1. Si el modelo es exploratorio: se deben revisar los requerimientos del problema,
elaborar un informe con los resultados del descubrimiento, contabilizar los valores
extremos, incorporar evidencia negativa, incorporar evidencia empírica/experimental y
obtener realimentación de los usuarios.

2. Si el modelo es de clasificación/predicción: se deben revisar los requerimientos de la

implementación planteados antes de la minería, revisar los requerimientos del problema,
preparar una explicación del modelo y revisar los requerimientos finales de
implementación.

3. Comunicación y difusión de resultados.

4. Comparar Catalyst con la metodología Catalyst

Existen diversas metodologías populares en el análisis de datos, y cada una tiene sus
fortalezas y debilidades en diferentes contextos y proyectos. En gráfico siguiente,
compararemos los 10 pasos de la metodología IBM con los 5 pasos de la metodología
Catalyst.

14
 Fuente: Elaboración propia

*Dato requerido
**Requerimiento Real

Cuando Catalyst realiza el análisis de modelo de negocio, dentro de este se puede

identificar que hay pasos que están relacionados con el “enfoque analítico” y requisitos
de datos” de IBM

15
 5. Evaluar las ventajas y desventajas de Catalyst en términos de costo,
complejidad y eficiencia. (¿Qué aplica Catalyst que las diferencia de las
demás?)

La metodología Catalyst tiene varias ventajas y desventajas en términos de costo,

complejidad y eficiencia, en comparación con otras metodologías de análisis de datos.

En términos de costo, Catalyst puede requerir más recursos y tiempo para su

implementación debido a su enfoque en la generación de valor y la adaptación a los
cambios en el negocio o los datos. Esto puede requerir una mayor inversión en recursos
humanos y tecnológicos, y por lo tanto, podría ser más costosa que otras metodologías
que son más estructuradas y lineales.

En términos de complejidad, Catalyst puede ser menos estructurada que otras

metodologías como CRISP-DM o TDSP, ya que se enfoca en una iteración continua a
lo largo del ciclo de vida del proyecto. Esto puede requerir un alto nivel de colaboración
y comunicación entre los equipos, así como una capacidad para adaptarse a cambios
en el negocio o los datos. Esto podría aumentar la complejidad del proceso de análisis
de datos, pero también podría resultar en soluciones más adaptadas y flexibles.

En términos de eficiencia, Catalyst destaca por su enfoque en la generación de valor y

en la adaptación a los cambios en el negocio o los datos. Al incorporar feedback de los
usuarios y adaptarse a los cambios, se puede mejorar la eficiencia del proceso de
análisis de datos y obtener resultados más relevantes y valiosos para el negocio. Sin
embargo, este enfoque puede llevar a un proceso de análisis de datos menos
estructurado y más flexible, lo que podría resultar en una menor eficiencia en términos
de tiempo y recursos.

En cuanto a lo que diferencia a Catalyst de otras metodologías, su enfoque en la

generación de valor y en la adaptación a los cambios en el negocio o los datos es lo que
la hace única. Catalyst se enfoca en la identificación de los objetivos y necesidades del
negocio y en la creación de soluciones adaptadas y flexibles para satisfacer estas
necesidades. Además, Catalyst se enfoca en la iteración continua a lo largo del ciclo de
vida del proyecto, lo que permite una mayor adaptación y flexibilidad en comparación
con metodologías más estructuradas y lineales como CRISP-DM o TDSP. En resumen,
la metodología Catalyst puede ser una buena opción para proyectos de análisis de datos
que requieren un enfoque más flexible y adaptativo para la generación de valor en el
negocio.

16
 6. Presentar un caso práctico que demuestre la efectividad de Catalyst.
(¿Por qué se debe usar Catalyst y no IBM?)

Imaginemos que una empresa de comercio electrónico quiere mejorar sus

recomendaciones de productos para los usuarios y aumentar sus ventas. Para ello,
deciden utilizar una metodología de análisis de datos y evalúan dos opciones: Catalyst
y IBM Watson.

Deciden utilizar Catalyst debido a su enfoque en la generación de valor y en la

adaptación a los cambios en el negocio o los datos. Utilizan la metodología Catalyst
para iterar y experimentar con diferentes modelos de recomendación de productos,
utilizando datos de compras previas de los usuarios, datos de navegación en el sitio web
y otras fuentes de datos relevantes.

A través de la iteración continua y la adaptación a los cambios, el equipo de análisis de

datos de la empresa descubre que los usuarios que compran productos en una
determinada categoría también tienden a comprar productos en una categoría
relacionada. Utilizan esta información para crear un modelo de recomendación de
productos que tenga en cuenta las compras previas de los usuarios y las categorías
relacionadas de productos.

Después de implementar este modelo de recomendación de productos, la empresa

experimenta un aumento significativo en las ventas y una mejora en la satisfacción del
usuario, lo que les permite mantener su ventaja competitiva en el mercado.

En este caso, Catalyst demostró ser efectivo debido a su enfoque en la generación de

valor y en la adaptación a los cambios en el negocio o los datos. Al iterar y experimentar
continuamente, el equipo de análisis de datos pudo descubrir patrones importantes en
los datos y crear soluciones adaptadas y flexibles que generaron valor para la empresa.
Además, la flexibilidad de Catalyst les permitió adaptarse a los cambios en los datos y
en las necesidades del negocio, lo que les permitió mantener su ventaja competitiva en
el mercado.

17
En cuanto a por qué se debe usar Catalyst en lugar de IBM Watson, la elección
dependería de las necesidades específicas de la empresa y del proyecto de análisis de
datos. Ambas metodologías tienen sus fortalezas y debilidades, y la elección dependería
de los requisitos específicos del proyecto y de las capacidades y recursos del equipo de
análisis de datos. Sin embargo, Catalyst podría ser una buena opción si se necesita un
enfoque más flexible y adaptativo para el análisis de datos, especialmente si los datos
son complejos o cambian con frecuencia.

7. Discutir las últimas tendencias y la evolución futura de Catalyst en

la industria del análisis de datos.

Como modelo de análisis de datos, Catalyst ha estado en constante evolución y

adaptación a medida que cambian las necesidades de la industria. Algunas de las
últimas tendencias y la evolución futura de Catalyst en la industria del análisis de datos
incluyen:

• Mayor integración de la inteligencia artificial y el aprendizaje automático: A

medida que la inteligencia artificial y el aprendizaje automático continúan
avanzando, Catalyst se está integrando cada vez más con estas tecnologías
para permitir la automatización de tareas repetitivas y la toma de decisiones
basada en datos en tiempo real.

• Enfoque en la privacidad y seguridad de datos: Con el aumento de la regulación

en torno a la privacidad y la seguridad de los datos, Catalyst está evolucionando
para incluir medidas de seguridad y privacidad de datos en todos los aspectos
de la metodología, desde la recopilación hasta el análisis.

• Mejora de la colaboración y la visualización de datos: Catalyst está

evolucionando para permitir una mejor colaboración entre equipos y para mejorar
la visualización de datos a través de herramientas más avanzadas y
personalizadas.

• Mayor integración con tecnologías de la nube: A medida que más empresas se

mueven hacia la nube, Catalyst se está integrando más con tecnologías de la
nube para permitir un acceso más fácil y rápido a los datos, así como para
aprovechar la escalabilidad y la flexibilidad que ofrece la nube.

Asimismo, la metodología Catalyst y sus elementos P3TQ son aplicables en una amplia
variedad de industrias y áreas, ya que pueden utilizarse para analizar datos relacionados

18
con la oferta y la demanda de un producto o servicio. Aquí hay algunos ejemplos
adicionales de cómo esta metodología podría aplicarse en el futuro:

• Sector inmobiliario: Las empresas inmobiliarias pueden utilizar la metodología

Catalyst para analizar los precios de las propiedades en diferentes lugares
(lugar) y momentos del año (tiempo), la cantidad de propiedades disponibles
(cantidad) y el tipo de propiedades que los clientes buscan (producto).

• Sector turístico: Las empresas turísticas pueden utilizar la metodología Catalyst

para analizar la demanda de diferentes destinos turísticos (producto) en
diferentes momentos del año (tiempo), los precios de los paquetes turísticos
(precio), la accesibilidad de los destinos turísticos (lugar) y la cantidad de turistas
que visitan un lugar en particular (cantidad).

• Sector de la moda: Las empresas de moda pueden utilizar la metodología

Catalyst para analizar las tendencias de moda actuales (producto), la demanda
de diferentes productos en diferentes momentos del año (tiempo), los precios de
los productos (precio) y la cantidad de productos disponibles (cantidad).

• Sector alimentario: Las empresas alimentarias pueden utilizar la metodología

Catalyst para analizar la demanda de diferentes tipos de alimentos (producto),
los precios de los productos (precio), la cantidad de alimentos disponibles
(cantidad) y el momento en que los clientes compran ciertos tipos de alimentos
(tiempo).

En general, la evolución futura de Catalyst se centrará en la adaptación continua a las

cambiantes necesidades de la industria y la mejora constante de la metodología para
garantizar que siga siendo relevante y efectiva en el análisis de datos. A medida que la
industria continúa avanzando y la tecnología mejora, Catalyst seguirá evolucionando
para aprovechar las nuevas tecnologías y enfoques y seguir siendo una herramienta
valiosa para las empresas en su análisis de datos.

19
METODOLOGIA PARA CIENCIA
DE DATOS CATALYST

➢José Alexander López Huertos

➢Yoel Medina Quispialaya
➢Juan José Navarro Gonzales
➢Luis Ruiz Bartra
➢Wuendy Velazquez Chipana
Temario

01 Metodología Catalyst
[Link]
[Link]ón
[Link] y procesos
[Link]ón
[Link] y desventajas
[Link] práctico
[Link] evolución
1. Objetivos
- Describir los pasos y procesos que conforman la metodología Catalyst para el análisis de datos.

- Comparación entre metodología IBM vs Catalyst

- Evaluar las ventajas y desventajas de la metodología Catalyst en términos de su costo, complejidad y eficiencia, en
comparación con las otras metodologías.

- Presentar un caso práctico que demuestre la efectividad de la metodología Catalyst en comparación con las otras
metodologías, y cómo se puede aplicar en una situación del mundo real.

- Discutir las últimas tendencias en el uso de la metodología Catalyst en la industria del análisis de datos, y cómo se está
adaptando a las necesidades y desafíos cambiantes. Además, explorar cómo podría evolucionar en el futuro para satisfacer
las necesidades de la industria.
 2. Catalyst P3TQ

- Metodología que se utiliza para el proceso

de extracción de conocimiento en bases de
datos, también conocida como P3TQ
(Product, Place, Price, Time, Quantity).
- P3TQ hace referencia a tener el producto
correcto, en el lugar adecuado, en el
momento adecuado, en a cantidad correcta
y con el precio correcto
- Fue propuesta por primera vez por Dorian
Pyle en el año 2003.
Catalyst P3TQ
Se compone por dos modelos:
- Modelado del negocio (MII) que plantea
cinco escenarios en los cuales se definen
los requerimientos.
- Modelado de la información (MIII) que
consiste en cinco pasos para desarrollar
los modelos de minería de datos según
los requerimientos establecidos en el
primer modelo.
Modelado del negocio

Problema/ Modelo
Datos Oportunidad Prospectiva
definido
Estrategia
Modelado explotación de la
Información
Preparación de los datos

Selección de herramientas y modelado inicial

Evaluación de resultados

Comunicación de resultados
 Minería
Negocio de
Explorador de datos Preparación de
datos datos

3. Pasos y procesos Selección de

Problema/ herramientas
Oportunidad de modelado
inicial

Refinar el
Prospección
modelo

Modelo Implementar el
definido modelo

Estrategia
 a. Modelado de negocio
Datos, explorar los datos
• Determinar las fuentes de datos y las relaciones P3TQ por las cuales fueron recolectados. Identificar el personal interesado y enmarcar el
problema u oportunidad.

Problema / Oportunidad
• Identificar y caracterizar a los stakeholders y buscar los datos relevantes. Armar el caso de negocio y definir los requerimientos de
implementación.

Prospección
• Caracterizar las relaciones P3TQ de la organización y los procesos clave. Identificar el personal interesado y descubrir las oportunidades de
mayor interés para cada usuario. Explorar las fuentes de datos y enmarcar la situación de negocio.

Modelo definido
• Identificar al personal interesado y los requerimientos para el proyecto. Enmarcar la situación del negocio y buscar los datos necesarios para
construir el modelo.

Estrategia
• Identificar al personal interesado y analizar la situación actual. Crear un mapa de los escenarios estratégicos y caracterizar las relaciones P3TQ
más importantes de la organización. Descubrir los cambios estratégicos de mayor interés para cada usuario y explorar las fuentes de datos.
Enmarcar cada oportunidad/problema de negocio en el modelo estratégico.
Escenario 1: Datos Identificar las fuentes de donde se recolectarán los
datos.

Explorar los datos: Identificar al personal interesado (stakeholders) en el

proyecto.

Discutir el proyecto original con el personal

interesado.

Caracterizar el conjunto de datos en función de las

relaciones P3TQ por las cuales fueron recolectados.

Caracterizar la motivación del negocio para recolectar

y almacenar los datos.

Descubrir quién o qué departamento originó el

proyecto y qué expectativas tienen sobre el mismo.

Identificar las principales relaciones P3TQ que dan

origen a los datos.
Escenario 2: Problema
/ Oportunidad
Identificar y Describir la
Presentar Definir los
caracterizar Buscar los situación
Armar el el caso de requerimie
a los datos que del negocio
caso de negocio al ntos de
stakeholder se para el
negocio. personal implement
s explotarán. proceso de
interesado. ación.
relevantes. minería.
 Escenario 4: Modelo Definido
Identificar el flujo de
Caracterizar las
los principales Identificar al personal Entrevistar al personal
relaciones P3TQ claves
procesos de la interesado. interesado.
de la organización.
organización.

Descubrir qué Caracterizar los

Preparar un borrador
"cambios estratégicos" modelos de minería
Explorar las fuentes de del caso de negocio
pueden resultar de que pueden dar
datos. para cada oportunidad
mayor interés para soporte a los cambios
significativa.
cada usuario. estratégicos.

Presentar los casos de Enmarcar la situación Definir los

negocio al personal de negocio que se requerimientos de
interesado. abordará. implementación.
Modelo Definido
Escenario 4:

Identificar al personal Discutir los Enmarcar la situación

interesado. requerimientos con el del negocio.
personal interesado.

Buscar los datos a Definir los

minar. requerimientos de la
implementación.
 Caracterización de las
Simulación de la situación
Identificación del relaciones P3TQ en
estratégica, si es
personal interesado términos de los "cambios
necesario
Escenario 5: estratégicos"

Descubrimiento de los
Estrategia
Entrevista con el personal Relación del mapa con las "cambios estratégicos" de
interesado relaciones identificadas mayor interés para cada
usuario

Caracterización de las
Caracterización de los
Enmarcación de la relaciones P3TQ más
"cambios estratégicos"
situación de negocio importantes de la
más viable
organización

Trabajo iterativo con los

Creación de un modelo
stakeholders para crear
de la situación estratégica
un mapa de los
mediante un enfoque de
escenarios estratégicos, si
sistema
es necesario
b. Minería de los datos
Preparación de
Evaluar las variables en
estudio.

datos Chequear la necesidad

de recodificar variables.
Chequear problemas
básicos en las variables.

Chequear que se cubran Chequear problemas en

todos los valores la base de datos
posibles de las variables. completa.

Chequear que haya Chequear variables

suficientes datos. anacrónicas.
Selección de herramientas y modelado
inicial
 Verificar el

Refinar el modelo modelo con

el personal
interesado.

Verificar la
capacidad
predictiva
del modelo.

Describir los
resultados
encontrados sobre la
situación actual.
 Revisar los
requerimientos
Preparar una del problema.
explicación del
modelo.

Comunicar y
difundir los
resultados.

Implementar el modelo
 4. Comparación
¿Qué diferencia a
Catalyst de las
metodologías?

Jose
 IBM Catalyst
Comprensión del
Negocio
Modelo de negocio
Enfoque Analítico **

Requisitos de datos *
Preparación de los

IBM vs Catalyst Recopilación de datos

Comprensión de los
datos

datos
Selección de
Preparación de los herramientas y
datos modelado inicial

Modelado
Evaluación de
Evaluación resultados
Cuando Catalyst realiza el análisis de
modelo de negocio, dentro de este se
puede identificar que hay pasos que están Implementación
relacionados con el “enfoque analítico” y Comunicación de *Dato requerido
requisitos de datos” de IBM Retroalimentación resultados
**Requerimiento Real
 5. Ventajas y desventajas de
Catalyst. ¿Cuáles son las ventajas de Catalyst
frente a las demás?

Wuendy
 Ventajas Desventajas

• Enfoque en la generación • Mayor costo en recursos y

de valor tiempo
• Adaptación a cambios en el • Menor estructura y mayor
negocio o los datos complejidad
• Soluciones adaptadas y • Menor eficiencia en
flexibles términos de tiempo y
• Iteración continua a lo largo recursos
del ciclo de vida • Menor predictibilidad en el
• Mayor adaptación y proceso de análisis
flexibilidad • Mayor dependencia de la
colaboración y
comunicación entre los
equipos
 Una empresa desea implementar una estrategia
Ventajas de marketing basada en análisis de datos
 Una empresa que tiene
Desventajas recursos limitados
6. Caso práctico
Empresa de comercio electrónico
Razones para elegir Catalyst P3TQ:

- Enfoque en la generación de valor y en la adaptación a los cambios en el negocio y/o los datos.

- Para iterar y experimentar con diferentes modelos de recomendación de productos.

- Esto se obtiene teniendo en cuenta, por ejemplo, utilizando datos de compras previas de los usuarios, datos
de navegación en el sitio web y otras fuentes de datos relevantes.
A través de la iteración continua y la adaptación a los cambios, el equipo de análisis
de datos de la empresa descubre que los usuarios que compran productos en una
determinada categoría también tienden a comprar productos en una categoría
relacionada. Utilizan esta información para crear un modelo de recomendación
de productos que tenga en cuenta las compras previas de los usuarios y las
categorías relacionadas de producto. Después de implementar este modelo de
recomendación de productos, la empresa experimenta un aumento significativo en
las ventas y una mejora en la satisfacción del usuario, lo que les permite mantener
su ventaja competitiva en el mercado.
IBM vs Catalyst
En cuanto a por qué se debe usar Catalyst en lugar de IBM Watson, la elección dependería de las necesidades
específicas de la empresa y del proyecto de análisis de datos. Ambas metodologías tienen sus fortalezas y
debilidades, y la elección dependería de los requisitos específicos del proyecto y de las capacidades y recursos
del equipo de análisis de datos. Sin embargo, Catalyst podría ser una buena opción si se necesita un enfoque
más flexible y adaptativo para el análisis de datos, especialmente si los datos son complejos o cambian con
frecuencia
7. Tendencias y evolución
- La metodología Catalyst y sus elementos P3TQ son aplicables en una amplia variedad de industrias y
áreas, ya que pueden utilizarse para analizar datos relacionados con la oferta y la demanda de un
producto o servicio.
 Algunas de las últimas tendencias y la evolución futura de Catalyst en la industria del análisis de datos incluyen:

• Mayor integración de la inteligencia artificial y el aprendizaje automático.

• Enfoque en la privacidad y seguridad de datos

• Mejora de la colaboración y la visualización de datos: Catalyst está evolucionando para permitir una mejor colaboración entre
equipos y para mejorar la visualización de datos a través de herramientas más avanzadas y personalizadas.

• Mayor integración con tecnologías de la nube: A medida que más empresas se mueven hacia la nube, Catalyst se está integrando
más con tecnologías de la nube para permitir un acceso más fácil y rápido a los datos, así como para aprovechar la escalabilidad y
la flexibilidad que ofrece la nube.
Aquí hay algunos ejemplos adicionales de cómo esta metodología podría aplicarse en el futuro:

Sector inmobiliario Sector turístico

Sector de industrias alimentarias Sector de moda

- En general, la evolución futura de Catalyst se
centrará en la adaptación continua a las
cambiantes necesidades de la industria y la
mejora constante de la metodología para
garantizar que siga siendo relevante y efectiva
en el análisis de datos.