Este contenido presenta una introducción al curso "Fundamentos: Datos, Datos en

Todas Partes", parte del Certificado de Análisis de Datos de Google.

Importancia del Análisis de Datos

 Las organizaciones de diversas industrias requieren analistas de datos para

mejorar procesos, identificar oportunidades y tomar decisiones informadas.
 El análisis de datos implica la recolección, transformación y organización de
datos para extraer conclusiones y hacer predicciones.

El Rol del Analista de Datos

 Un analista de datos ayuda a las organizaciones a tomar decisiones basadas en

datos, y hay una alta demanda de estos profesionales.
 No se necesita experiencia previa ni educación costosa para comenzar en este
campo; muchos analistas se han capacitado de manera autodidacta.

Estructura del Curso

 El curso se divide en módulos que cubren el proceso de análisis de datos:

Preguntar, Preparar, Procesar, Analizar, Compartir y Actuar.
 Al finalizar, los estudiantes crearán un proyecto que podrán presentar a futuros
empleadores, y recibirán consejos de profesionales de Google sobre cómo
conseguir empleo en el sector.

Los pasos del proceso de análisis de datos, según el contenido del curso, son los
siguientes:

1. Preguntar: Definir las preguntas que se quieren responder con los datos.
2. Preparar: Reunir y organizar los datos necesarios para el análisis.
3. Procesar: Limpiar y transformar los datos para asegurarse de que sean precisos
y relevantes.
4. Analizar: Examinar los datos para extraer información útil y hacer
descubrimientos.
5. Compartir: Presentar los hallazgos de manera clara y efectiva a las partes
interesadas.
6. Actuar: Tomar decisiones basadas en el análisis realizado.

Cada uno de estos pasos es fundamental para llevar a cabo un análisis de datos efectivo.

Visión general del curso 1: Establezca sus expectativas

 Estado: Traducido automáticamente del Inglés

Cada día, la cantidad de datos que hay ahí fuera crece y crece. Por eso, la capacidad de
interpretarlos eficazmente es más importante que nunca. La analítica de datos se está
convirtiendo en una de las opciones profesionales de más rápido crecimiento y más
gratificantes del mundo.

Actualmente, hay casi 500.000 puestos de trabajo vacantes en analítica de datos, con un
salario medio de entrada de 92.000 dólares y una tasa de crecimiento anual del 20%
[Fuente: Lightcast™ US Job Postings (2022: 1 de enero de 2022 - 31 de diciembre de
2022)]. Las empresas de todo tipo de sectores necesitan analistas de datos cualificados
para resolver problemas y ayudar a tomar las mejores decisiones empresariales posibles.
Y una vez que complete este programa, estará preparado para hacer recomendaciones
inteligentes, estratégicas y basadas en datos para organizaciones de todo tipo.

A lo largo de los cursos de este programa, completarás muchas tareas y proyectos

basados tanto en las actividades prácticas como en el día a día de un analista de datos.
Por el camino, aprenderá a formular las preguntas correctas y a comprender los
objetivos. También descubrirá cómo limpiar y organizar eficazmente grandes cantidades
de datos para dejarlos listos para un análisis de alta calidad. Además, adquirirá
experiencia en el uso de todo tipo de herramientas y técnicas que le ayudarán a
reconocer patrones y descubrir relaciones entre puntos de datos. Además, para ayudarle
a comunicar los resultados de sus análisis, aprenderá a diseñar gráficos y cuadros de
mando. Incluso tendrás la oportunidad de crear un caso de éxito, que podrás destacar en
tu currículum para demostrar lo que has aprendido a posibles empleadores.

Resumen del programa

El programa se compone de ocho cursos:

Course 3: Prepare data for exploration; Course 4: Process data from dirty to clean;
Course 5: Analyze data to answer questions; Course 6: Share data through the art of
visualization; Course 7: Data analysis with R programming; Course 8: Data analytics
capstone project: Complete a case study.

1. Fundamentos: Datos, datos, en todas partes (este curso)

2. Formular preguntas para tomar decisiones basadas en datos

3. Preparar los datos para la exploración

 4. Procesar datos de sucios a limpios

5. Analizar datos para responder preguntas

6. Compartir datos a través del arte de la visualización

7. Análisis de datos con programación en R

8. Capstone de Analítica de datos de Google: Completa un caso de éxito

9. Acelera tu búsqueda de empleo con IA

Fundamentos: Data, Data, Everywhere es el primer curso de este programa.

Contenido del curso 1

Cada curso está dividido en módulos. He aquí un resumen rápido de las habilidades que
adquirirás en cada uno de los cuatro módulos del Curso 1.

Módulo 1: Introducción a la Analítica de datos y al Pensamiento analítico

Los datos nos ayudan a tomar decisiones tanto en la vida cotidiana como en los
negocios. En esta parte del curso, aprenderás cómo los analistas de datos utilizan una
serie de herramientas y habilidades para fundamentar esas decisiones. También
conocerás más sobre este curso y las expectativas generales del programa.

Módulo 2: El maravilloso mundo de los datos

En esta parte del curso, aprenderás sobre el Ciclo de vida de los datos y el Proceso de
análisis de datos. Ambos son relevantes para su trabajo en este programa y en el trabajo.
También conocerás aplicaciones que te ayudarán a guiar los datos a través del Proceso
de análisis de datos.

Módulo 3: Prepare su caja de herramientas de Analítica de datos

Las hojas de cálculo, los lenguajes de consulta y las herramientas de visualización de
datos son una parte importante del trabajo de un analista de datos. En esta parte del
curso, aprenderá los conceptos básicos para utilizarlas en el análisis de datos. También
entenderás cómo funcionan a través de interesantes ejemplos.

Módulo 4: Conviértete en un profesional de datos justo e impactante

En esta parte del curso, examinarás diferentes tipos de empresas y los trabajos y tareas
que los analistas realizan para ellas. También aprenderás cómo un certificado de
Analítica de datos de Google te ayudará a cumplir muchos de los requisitos para un
puesto de analista en estas organizaciones.

Contenido

Cada módulo incluye una serie de lecciones con muchos tipos de oportunidades de
aprendizaje. Entre ellas se incluyen:

 Vídeos para que los instructores enseñen nuevos conceptos y demuestren el uso
de las herramientas

 Preguntas en vídeo que aparecen de vez en cuando para ayudarle a comprobar

su comprensión de los conceptos y habilidades clave

 Guías paso a paso que puede utilizar para seguir a los instructores en sus
demostraciones de las herramientas

 Lecturas para profundizar en los temas y ampliar los conceptos de los vídeos

 Conéctate con otros alumnos: Si tienes alguna pregunta, lo más probable es

que no estés solo. Visita la comunidad privada de Analítica de datos de Coursera
para ampliar tu red de contactos, hablar de tu trayectoria profesional y compartir
experiencias. Consulta la guía de inicio rápido.

 Pruebas de práctica para prepararte para las pruebas calificadas

 Pruebas calificadas para medir tu progreso y darte valiosa retroalimentación

Este programa se ha diseñado para que puedas trabajar a tu propio ritmo: tus plazos
personalizados son sólo una guía. No se penaliza el retraso en las tareas. Para obtener su
certificado, sólo tiene que completar todo el trabajo.

Si se le pasan dos fechas límite de evaluación seguidas, o si se le pasa una fecha límite
de evaluación por dos semanas, verá la opción Reiniciar fechas límite en la página
Calificaciones. Haga clic en ella para cambiar a una nueva programación del curso con
los plazos actualizados. Puede utilizar esta opción tantas veces como necesite: no
eliminará ningún progreso que ya haya realizado en el curso, pero es posible que
encuentre contenido nuevo si el instructor actualizó el curso después de que usted lo
iniciara. Si cancela una suscripción y luego la reactiva, sus plazos se restablecerán
automáticamente.

A lo largo del programa, serás evaluado con pruebas y actividades calificadas. Ambos
se basan en la amplia variedad de materiales de aprendizaje y actividades que refuerzan
las importantes habilidades que desarrollarás. Y ambos pueden realizarse más de una
vez.

¡Enhorabuena por haber elegido formar parte del maravilloso mundo de la Analítica de
datos!

Glosario de términos del curso 1, módulo 1

Estado: Traducido automáticamente del Inglés

Traducido automáticamente del Inglés

Términos y definiciones para el Curso 1, Módulo 1

Destrezas analíticas: Cualidades y características asociadas a la utilización de hechos

para resolver problemas

Pensamiento analítico: El proceso de identificar y definir un problema y, a

continuación, resolverlo mediante el uso de datos de forma organizada y paso a paso

Contexto: La condición en la que algo existe o sucede

Datos: Una colección de hechos

Análisis de datos: La recopilación, transformación y organización de datos con el fin

de extraer conclusiones, hacer predicciones e impulsar la toma de decisiones con
conocimiento de causa

Analista de datos: Persona que recopila, transforma y organiza datos con el fin de
extraer conclusiones, hacer predicciones e impulsar una toma de decisiones informada

Analítica de datos: La ciencia de datos

Diseño de datos: Cómo se organiza la Información

Toma de decisiones basada en datos: El uso de los datos para orientar la estrategia
empresarial

Ecosistema de datos: Los diversos elementos que interactúan entre sí para producir,
gestionar, almacenar, organizar, analizar y compartir datos

Ciencia de datos: Campo de estudio que utiliza datos brutos para crear nuevas formas
de modelar y comprender lo desconocido

Estrategia de datos: La gestión de las personas, los procesos y las herramientas

utilizadas en el análisis de datos

Visualización de datos: La representación gráfica de los Datos

Conjunto de datos: Conjunto de datos que pueden manipularse o analizarse como una
unidad

Análisis de déficits: Método para examinar y evaluar el estado actual de un proceso con
el fin de identificar oportunidades de mejora en el futuro

Causa raíz: La razón por la que se produce un problema

Mentalidad técnica: La capacidad de dividir las cosas en pasos o piezas más pequeñas
y trabajar con ellas de forma ordenada y lógica

Visualización: (Consulte Visualización de datos)

Nuevas perspectivas de datos

Estado: Traducido automáticamente del Inglés

Traducido automáticamente del Inglés

Información:
Este elemento incluye contenido que aún no se tradujo a tu idioma preferido.

Como ha ido aprendiendo, puede encontrar Datos prácticamente en todas partes. Cada
vez que observa y evalúa algo en el mundo, está recopilando y analizando datos. Su
análisis le ayuda a encontrar formas más sencillas de hacer las cosas, a identificar
patrones que le ahorran tiempo y a descubrir nuevas perspectivas sorprendentes que
pueden cambiar por completo su forma de experimentar las cosas.

He aquí un ejemplo real de cómo un grupo de analistas de datos utilizó los seis pasos
del proceso de análisis de datos para mejorar su lugar de trabajo y sus procesos
empresariales. Su Historia tiene que ver con algo llamado análisis de personas, también
conocido como análisis de recursos humanos o análisis de mano de obra. El análisis de
personas es la práctica de recopilar y analizar datos sobre las personas que componen la
plantilla de una empresa con el fin de obtener estadísticas para mejorar el
funcionamiento de la empresa.

Ser analista de personal implica utilizar el análisis de datos para obtener información
sobre los empleados y cómo viven su vida laboral. Las estadísticas se utilizan para
definir y crear un lugar de trabajo más productivo y motivador. Esto puede liberar el
potencial de los empleados, motivar a las personas para que rindan al máximo y
garantizar una cultura empresarial justa e integradora.

Los seis pasos del proceso de Análisis de datos que ha estado aprendiendo en este
Programa son: preguntar, preparar, procesar, analizar, compartir y actuar. Estos
seis pasos se aplican a cualquier análisis de datos. Siga leyendo para saber cómo un
Equipo de analistas de personas utilizó estos seis pasos para responder a una pregunta
empresarial.

Una organización estaba experimentando una elevada Tasa de rotación entre los nuevos
empleados. Muchos empleados abandonaban la empresa antes de finalizar su primer año
de trabajo. Los analistas utilizaron el proceso de análisis de datos para responder a la
siguiente pregunta: ¿Cómo puede la organización mejorar la tasa de retención de
los nuevos empleados?

He aquí un desglose de lo que hizo este Equipo, paso a paso.

En primer lugar, los analistas tenían que definir cómo sería el proyecto y qué se
consideraría un resultado satisfactorio. Así que, para determinar estas cosas,
formularon preguntas eficaces y colaboraron con líderes y directivos que estaban
interesados en el resultado de su análisis de personas. Estos fueron los tipos de
preguntas que formularon:

 ¿Qué cree que necesitan aprender los nuevos empleados para tener éxito en su
primer año de trabajo?

 ¿Había recopilado antes datos de los nuevos empleados? En caso afirmativo,

¿podríamos tener acceso a los datos históricos?

 ¿Cree que los directivos con mayores tasas de retención ofrecen a los nuevos
empleados algo extra o único?

 ¿Cuál sospecha que es la principal causa de insatisfacción entre los nuevos

empleados?

 ¿En qué porcentaje le gustaría que aumentara la retención de empleados en el

próximo ejercicio?

Todo empezó con una sólida preparación. El grupo construyó un calendario de tres
meses y decidió cómo quería transmitir sus progresos a las partes interesadas. También
durante este paso, los analistas identificaron qué datos necesitaban para lograr el
resultado exitoso que habían identificado en el paso anterior - en este caso, los analistas
eligieron recopilar los datos de una Encuesta en línea a los nuevos empleados. Estas
fueron las cosas que hicieron para prepararse:

 Desarrollaron preguntas específicas para conocer la satisfacción de los

empleados con diferentes procesos empresariales, como la contratación y la
incorporación, y su remuneración general.

 Establecieron normas sobre quién tendría acceso a los datos recopilados: en este
caso, cualquier persona ajena al grupo no tendría acceso a los datos en bruto,
pero podría ver los datos resumidos o agregados. Por ejemplo, la remuneración
de un individuo no estaría disponible, pero se podrían ver los rangos salariales
de grupos de individuos.

 Finalizaron qué información específica se recopilaría y cuál sería la mejor

manera de presentar los datos visualmente. Los analistas hicieron una lluvia de
 ideas sobre posibles problemas relacionados con el proyecto y los datos y sobre
cómo evitarlos.

El grupo envió la Encuesta. Los grandes analistas saben respetar tanto sus datos como a
las personas que los proporcionan. Dado que los empleados proporcionaban los datos,
era importante asegurarse de que todos ellos daban su consentimiento para participar.
Los analistas de datos también se aseguraron de que los empleados comprendieran
cómo se recopilarían, almacenarían, gestionarían y protegerían sus datos. Recoger y
utilizar los datos de forma ética es una de las responsabilidades de los analistas de datos.
Estas fueron las medidas que tomaron para mantener la confidencialidad y proteger y
almacenar los Datos de forma eficaz:

 Restringieron el acceso a los datos a un número limitado de analistas.

 Depuraron los Datos para asegurarse de que estaban completos, eran correctos y
pertinentes. Agregaron y resumieron ciertos datos sin revelar las respuestas
individuales.

 Cargaron los datos sin procesar en un almacén de datos interno para contar con
una capa adicional de seguridad.

A continuación, los analistas hicieron lo que mejor saben hacer: ¡analizar! A partir de
las Encuestas cumplimentadas, los Analistas de datos descubrieron que la experiencia
de un empleado con determinados procesos era un indicador clave de la satisfacción
general en el trabajo. Estas fueron sus conclusiones:

 Los empleados que experimentaron un proceso de contratación largo y

complicado eran los más propensos a abandonar la empresa.

 Los empleados que experimentaron un proceso de evaluación y comentarios

eficaz y transparente tenían más probabilidades de permanecer en la empresa.
El grupo sabía que era importante documentar exactamente lo que habían encontrado
en el análisis, fueran cuales fueran los resultados. Hacer lo contrario mermaría la
confianza en el proceso de encuesta y reduciría su capacidad de recopilar datos veraces
de los empleados en el futuro.

Al igual que se aseguraron de que los datos estuvieran cuidadosamente protegidos, los
analistas también fueron cuidadosos a la hora de compartir el informe. Así
compartieron sus conclusiones

 Compartieron el Informe con los directivos que cumplían o superaban el número

mínimo de subordinados directos con respuestas enviadas a la encuesta.

 Presentaron los resultados a los directivos para asegurarse de que tenían una
visión completa.

 Pidieron a los directivos que entregaran personalmente los resultados a sus

equipos.

Este proceso dio a los directivos la oportunidad de comunicar los resultados con el
contexto adecuado. Como resultado, pudieron mantener conversaciones productivas en
equipo sobre los próximos pasos para mejorar el compromiso de los empleados.

La última etapa del proceso para el Equipo de analistas fue trabajar con los líderes
dentro de su empresa y decidir cuál era la mejor manera de Implementar cambios y
tomar medidas basadas en los resultados. Estas fueron sus recomendaciones

 Normalizar el proceso de contratación y evaluación de los empleados basándose

en las prácticas más eficaces y transparentes.

 Realizar la misma Encuesta anualmente y comparar los resultados con los del
año anterior.
Un año después, se distribuyó la misma Encuesta entre los empleados. Los analistas
previeron que la comparación entre los dos grupos de resultados indicaría que el plan de
acción funcionaba. Resultó que los cambios mejoraron la tasa de retención de los
nuevos empleados y que las medidas tomadas por los líderes tuvieron éxito

¿Es el Análisis de datos de personas adecuado para usted?

Una de las muchas cosas que hacen que la analítica de datos sea tan apasionante es que
los problemas son siempre diferentes, las soluciones necesitan creatividad y el impacto
en los demás puede ser grande, incluso puede cambiar o salvar vidas. Como Analista de
datos, usted puede formar parte de estos esfuerzos. Tal vez incluso se sienta inspirado
para aprender más sobre el campo del análisis de personas. Si es así, considere la
posibilidad de aprender más sobre este Campo y añadir esa investigación a su diario de
Analítica de datos. Nunca se sabe: Un día no muy lejano, ¡podría estar ayudando a una
empresa a crear un entorno de trabajo increíble para usted y sus compañeros!

Recursos adicionales

Para saber más sobre algunas aplicaciones recientes de la analítica de datos en el mundo
empresarial, consulte el artículo "4 ejemplos de Análisis de datos en acción" de la
Harvard Business School. El artículo revela cómo las empresas utilizan las estadísticas
para optimizar su proceso de toma de decisiones.

Los datos son un recurso valioso en el mercado actual, en constante evolución. Para los
profesionales, saber interpretar y comunicar datos es una habilidad indispensable que les
permite tomar decisiones acertadas.

“La capacidad de incorporar información basada en datos a la toma de decisiones es

extremadamente poderosa, sobre todo considerando que muchas empresas no pueden
contratar a suficientes profesionales con estas capacidades”, afirma Jan Hammond ,
profesora de la Escuela de Negocios de Harvard e imparte el curso en línea de Análisis
de Negocios . “Así es como va el mundo”.

Antes de analizar cómo algunas empresas aprovechan el poder de los datos, es

importante tener una comprensión básica de lo que significa el término "análisis de
negocios".

¿QUÉ ES EL ANÁLISIS DE NEGOCIOS?

El análisis empresarial es el uso de matemáticas y estadísticas para recopilar, analizar e

interpretar datos para tomar mejores decisiones comerciales.
Existen cuatro tipos principales de análisis empresarial: descriptivo, predictivo,
diagnóstico y prescriptivo. El análisis descriptivo consiste en la interpretación de datos
históricos para identificar tendencias y patrones, mientras que el análisis predictivo se
centra en tomar esa información y utilizarla para pronosticar resultados futuros. El
análisis de diagnóstico permite identificar la causa raíz de un problema. En el caso
del análisis prescriptivo , se emplean pruebas y otras técnicas para determinar qué
resultado generará el mejor en un escenario determinado.

Relacionado : 4 tipos de análisis de datos para mejorar la toma de decisiones

Los profesionales de todas las industrias han empleado estos enfoques basados en datos
para tomar decisiones comerciales informadas y lograr el éxito organizacional.

¡Mira el video a continuación para obtener más información sobre análisis de negocios
y suscríbete a nuestro canal de YouTube para obtener más contenido explicativo!

Análisis de negocios vs. ciencia de datos

Es importante destacar la diferencia entre el análisis de negocios y la ciencia de datos .

Si bien ambos procesos utilizan big data para resolver problemas empresariales, son
campos distintos.

El objetivo principal del análisis de negocios es extraer información significativa de los

datos para orientar las decisiones organizacionales, mientras que la ciencia de datos se
centra en convertir los datos sin procesar en conclusiones significativas mediante el uso
de algoritmos y modelos estadísticos. Los analistas de negocios participan en tareas
como la presupuestación, la previsión y el desarrollo de productos, mientras que los
científicos de datos se centran en la gestión de datos , la programación y el modelado
estadístico.
Si bien comprenden funciones y procesos diferentes, la analítica empresarial y la ciencia
de datos son vitales para las organizaciones actuales. A continuación, se presentan
cuatro ejemplos de cómo las organizaciones utilizan la analítica empresarial para su
beneficio.

EJEMPLOS DE ANÁLISIS DE NEGOCIOS

Según una encuesta reciente de McKinsey , cada vez más organizaciones utilizan la
analítica para impulsar el crecimiento. A continuación, analizamos cómo cuatro
empresas se están adaptando a esta tendencia y aplicando la información de datos a sus
procesos de toma de decisiones.

1. Mejorar la productividad y la colaboración en Microsoft

En el gigante tecnológico Microsoft , la colaboración es clave para un entorno laboral

productivo e innovador. Tras la mudanza de las oficinas de su grupo de ingeniería en
2015, la empresa buscó comprender cómo fomentar las interacciones presenciales entre
el personal podría mejorar su rendimiento y ahorrar dinero.

El equipo de Análisis del Lugar de Trabajo de Microsoft planteó la hipótesis de que

trasladar el grupo de 1200 personas de cinco a cuatro edificios podría mejorar la
colaboración al aumentar el número de empleados por edificio y reducir la distancia que
el personal debía recorrer para las reuniones. Esta suposición se basó parcialmente en
un estudio anterior de Microsoft , que reveló que las personas son más propensas a
colaborar cuando están más cerca unas de otras.

En un artículo para Harvard Business Review , el equipo de análisis de la empresa

compartió los resultados observados tras la reubicación. Al analizar los metadatos
adjuntos a los calendarios de los empleados, el equipo descubrió que la mudanza supuso
una reducción del 46 % en el tiempo dedicado a viajes a reuniones. Esto se tradujo en
un ahorro total de 100 horas semanales para todo el personal reubicado y un ahorro
estimado de 520 000 dólares anuales en tiempo de trabajo.

Los resultados también mostraron que los equipos se reunían con mayor frecuencia
debido a la mayor proximidad, con un aumento del promedio de reuniones semanales
por persona de 14 a 18. Además, la duración promedio de las reuniones disminuyó
ligeramente, de 0,85 horas a 0,77 horas. Estos hallazgos indican que la reubicación
mejoró la colaboración entre los empleados y aumentó la eficiencia operativa.

Para Microsoft, los conocimientos obtenidos de este análisis subrayaron la importancia

de las interacciones en persona y ayudaron a la empresa a comprender cómo una
planificación cuidadosa de los espacios de trabajo de los empleados podía generar
importantes ahorros de tiempo y costos.

2. Mejorar la atención al cliente en Uber

Garantizar una experiencia de usuario de calidad es una prioridad absoluta para la

empresa de transporte Uber. Para optimizar su servicio al cliente, la compañía desarrolló
a principios de 2018 el Asistente de Tickets Customer Obsession (COTA) , una
herramienta que utiliza aprendizaje automático y procesamiento del lenguaje natural
para ayudar a los agentes a mejorar su velocidad y precisión al responder a los tickets de
soporte.

La implementación de COTA arrojó resultados positivos. La herramienta redujo el

tiempo de resolución de tickets en un 10 %, y su éxito motivó al equipo de Ingeniería de
Uber a explorar cómo mejorarla.

Para la segunda iteración del producto, COTA v2, el equipo se centró en integrar una
arquitectura de aprendizaje profundo escalable a medida que la empresa crecía. Antes
de implementar la actualización, Uber recurrió a pruebas A/B —un método que
compara los resultados de dos opciones diferentes (en este caso, COTA v1 y COTA v2)
— para validar el rendimiento de la herramienta mejorada.

Antes de la prueba A/B, se realizó una prueba A/A, durante la cual tanto un grupo de
control como un grupo de tratamiento utilizaron la primera versión de COTA durante
una semana. Posteriormente, el grupo de tratamiento tuvo acceso a COTA v2 para
iniciar la fase de pruebas A/B, que duró un mes.

Al finalizar las pruebas, se observó una reducción relativa de casi el 7 % en el tiempo

promedio de gestión por ticket para el grupo de tratamiento durante la fase A/B, lo que
indica que el uso de COTA v2 se tradujo en un servicio más rápido y recomendaciones
de resolución más precisas. Los resultados también mostraron una ligera mejora en la
satisfacción del cliente gracias al uso de COTA v2.

Con el uso de pruebas A/B, Uber determinó que implementar COTA v2 no solo
mejoraría el servicio al cliente, sino que también ahorraría millones de dólares al
agilizar su proceso de resolución de tickets.

Relacionado : Cómo analizar un conjunto de datos: 6 pasos

3. Previsión de pedidos y recetas en Blue Apron

Para el servicio de entrega de kits de comida Blue Apron, comprender el
comportamiento y las preferencias de los clientes es fundamental para su éxito. Cada
semana, la empresa ofrece a sus suscriptores un menú fijo de comidas disponibles para
comprar y utiliza análisis predictivos para pronosticar la demanda , con el objetivo de
usar los datos para evitar el deterioro de los productos y cumplir con los pedidos.

Para realizar estas predicciones, Blue Apron utiliza algoritmos que consideran diversas
variables, que suelen clasificarse en tres categorías: características relacionadas con el
cliente, características relacionadas con las recetas y características de estacionalidad.
Las características relacionadas con el cliente describen datos históricos que reflejan la
frecuencia de pedidos de un usuario, mientras que las características relacionadas con
las recetas se centran en las preferencias de recetas anteriores de un suscriptor, lo que
permite a la empresa inferir qué comidas es probable que pidan próximamente. En el
caso de las características de estacionalidad, se examinan los patrones de compra para
determinar cuándo las tasas de pedidos pueden ser mayores o menores, según la época
del año.

Mediante el análisis de regresión (un método estadístico utilizado para examinar la

relación entre variables), el equipo de ingeniería de Blue Apron ha medido con éxito la
precisión de sus modelos de pronóstico. El equipo informa que, en general, el error
cuadrático medio (la diferencia entre los valores previstos y los observados) de su
proyección de pedidos futuros es consistentemente inferior al 6 %, lo que indica un alto
nivel de precisión en los pronósticos.

Al emplear análisis predictivos para comprender mejor a los clientes, Blue Apron ha
mejorado su experiencia de usuario, identificado cómo cambian los gustos de los
suscriptores con el tiempo y reconocido cómo las preferencias cambiantes se ven
afectadas por las ofertas de recetas.

Relacionado : 5 habilidades de análisis de negocios para profesionales

4. Dirigido a los consumidores en PepsiCo

Los consumidores son cruciales para el éxito de la multinacional de alimentos y bebidas

PepsiCo. La compañía abastece a minoristas en más de 200 países de todo el mundo ,
atendiendo a mil millones de clientes cada día. Para garantizar que los consumidores
tengan acceso a las cantidades y tipos de productos adecuados en determinadas
ubicaciones, PepsiCo utiliza big data y análisis predictivo.

PepsiCo creó Pep Worx, una plataforma de datos y análisis basada en la nube, para
tomar decisiones más informadas sobre la comercialización de sus productos. Con Pep
Worx, la compañía identifica a los compradores en Estados Unidos con mayor
probabilidad de interés en una marca o producto específico de PepsiCo.

Por ejemplo, Pep Worx permitió a PepsiCo identificar 24 millones de hogares de su

conjunto de datos de 110 millones de hogares estadounidenses que probablemente
estarían interesados en Quaker Overnight Oats. Posteriormente, la compañía identificó
minoristas específicos donde estos hogares podrían comprar y se dirigió a su público
objetivo. Finalmente, estos clientes impulsaron el 80 % del crecimiento de las ventas del
producto en los primeros 12 meses tras su lanzamiento.

El análisis de datos de consumidores que realiza PepsiCo es un excelente ejemplo de

cómo la toma de decisiones basada en datos puede ayudar a las organizaciones actuales
a maximizar sus ganancias.

DESARROLLAR UNA MENTALIDAD DE DATOS

Como lo demuestran estas empresas, la analítica puede ser una herramienta poderosa
para las organizaciones que buscan crecer y mejorar sus servicios y operaciones. A nivel
individual, una comprensión profunda de los datos no solo puede conducir a una mejor
toma de decisiones, sino también al desarrollo profesional y al reconocimiento en el
ámbito laboral.

“Usar el análisis de datos es una forma muy eficaz de influir en una

organización”, afirma Hammond . “Si puedes asistir a una reunión y otras personas
tienen opiniones, pero tienes datos que respaldan tus argumentos y recomendaciones,
tendrás influencia”.

Cómo abordan las tareas los analistas de datos

Estado: Traducido automáticamente del Inglés

Traducido automáticamente del Inglés

El Proceso de análisis de datos se compone de las seis fases de preguntar, preparar,

procesar, analizar, compartir y actuar. Su propósito es obtener estadísticas que
impulsen una toma de decisiones informada. Anteriormente en este curso, usted exploró
un caso de estudio sobre un grupo de analistas de datos que utilizaban las seis fases del
análisis de datos para mejorar la retención de los empleados en su empresa. En esta
lectura, se centrará en las fases propiamente dichas y explorará cómo un analista de
datos podría utilizar este proceso para ayudar a una empresa ficticia a tomar decisiones
basadas en datos sobre la inversión en formación.

Las seis fases del Análisis de datos

El proceso de Análisis de datos ayuda a los analistas a descomponer los problemas

empresariales en una serie de tareas manejables:

En la fase de pregunta, trabajará para comprender el reto que hay que resolver o la
pregunta que hay que responder. Es probable que se la asignen las partes interesadas.
Como ésta es la fase de preguntar, hará muchas preguntas que le ayudarán en el camino.

A continuación, en la fase de preparar, encontrará y recopilará los datos que necesitará

para responder a sus preguntas. Identificará las fuentes de datos, recopilará los datos y
verificará que sean precisos y útiles para responder a sus preguntas.

En la fase de proceso limpiará y organizará sus Datos. Las tareas que realizará aquí
incluyen eliminar cualquier incoherencia; rellenar los valores que falten y, en muchos
casos, cambiar los datos a un formato con el que sea más fácil trabajar. Esencialmente,
se está asegurando de que los datos están listos antes de comenzar el análisis.

La fase de análisis es cuando realiza el análisis de datos necesario para descubrir

respuestas y soluciones. Dependiendo de la situación y de los datos, esto podría implicar
tareas como calcular promedios o contar elementos en categorías para que pueda
examinar tendencias y patrones.

A continuación viene la fase de compartir, en la que presenta sus conclusiones a los

responsables de la toma de decisiones mediante un informe, una presentación o
visualizaciones de datos. Como parte de la fase de compartir, usted decide qué medio
desea utilizar para compartir sus hallazgos y selecciona los datos que desea incluir.
Herramientas para presentar datos visualmente incluyen gráficos realizados en Google
Sheets, Tableau y R.

Por último está la fase de actuación, en la que usted y otras personas de la empresa
ponen en práctica las conclusiones de los datos. Esto podría significar implementar una
nueva estrategia empresarial, realizar cambios en un sitio web o cualquier otra acción
que resuelva el problema inicial.

Poner en práctica el proceso

Piense ahora en cómo pueden aplicarse las fases de este proceso a una situación
empresarial.

El dilema de las cotizaciones de jubilación

El Equipo directivo de una empresa ficticia de tecnología de tamaño medio, Geo-Fluir,

Inc., se dio cuenta de que la participación de los empleados en el programa de
contribución a la jubilación de la empresa era menor de lo esperado. La empresa había
invertido muchos recursos en establecer su programa de prestaciones de categoría
mundial, con el objetivo de reducir la rotación de empleados. Como tan pocos
empleados utilizaban el programa, los dirigentes se preguntaron si debían desarrollar un
entrenamiento educativo para explicar los beneficios a los empleados. Querían tomar
una decisión bien informada antes de comprometerse con la inversión, así que pidieron
a su departamento de Análisis de datos que les hiciera una recomendación.

Los analistas utilizaron el framework de las seis fases y empezaron por definir el
problema. Se preguntaron: "¿Invierten los empleados en el programa de cotizaciones
para la jubilación de la empresa? "Y, en caso negativo, "¿Deberíamos crear un
programa educativo para fomentar la participación?" Satisfechos con sus preguntas de
investigación, prepararon su proyecto de análisis recopilando datos de RRHH, como
los datos demográficos de los empleados, los niveles salariales y las cotizaciones
actuales para la jubilación.
A continuación, procesaron los datos limpiándolos y organizándolos. Quitaron los
duplicados y los datos de las personas que se habían jubilado o habían abandonado la
empresa y, a continuación, ordenaron los datos según la edad, el departamento y la
Longitud de los empleados. Su análisis mostró que algunos grupos de empleados tenían
menos probabilidades de contribuir al plan o de ser conscientes de que la empresa
ofrece una aportación equivalente. Interpretaron estos resultados como que estos grupos
de empleados no estaban recibiendo suficiente educación sobre el programa de
igualación de cotizaciones para la jubilación de la empresa. También estudiaron los
datos para encontrar tendencias y perspectivas y utilizaron la visualización de datos para
revisar su análisis explorándolo en diferentes contextos.

Los analistas compartieron sus conclusiones con el equipo directivo utilizando

visualizaciones que incluían gráficos de barras y circulares que ilustraban los hechos
con claridad para que los responsables de la toma de decisiones pudieran interpretar
fácilmente los datos. El Informe mostró que, aunque la participación general era
decente, algunos grupos de empleados no estaban aprovechando plenamente el
programa de retiro, pero podrían hacerlo si conocieran mejor el programa y la
contribución de contrapartida que ofrece la empresa.

Basándose en estas conclusiones, la empresa tomó medidas, creando un programa

educativo específico centrado en las ventajas de las cotizaciones para la jubilación,
dirigido específicamente a los grupos de empleados identificados como poco
contribuyentes. Los resultados mostraron que unos meses después de implementar este
Entrenamiento, se produjo un aumento significativo de las contribuciones para la
jubilación entre los grupos objetivo.

Iteración durante el proceso de análisis de datos

El proceso de análisis de datos está diseñado para construirse sobre sí mismo, de modo
que los resultados de cada paso son las aportaciones para el paso siguiente. Tenga en
cuenta, sin embargo, que no siempre avanzará por los pasos de forma lineal. Por
ejemplo, podría estar en la fase de análisis y descubrir que sus datos se extrajeron de la
base de datos equivocada. O podría enterarse, mientras limpia los datos, de que su
pregunta original no definía adecuadamente el problema.

En casos como estos, puede que tenga que volver a una fase anterior y seguir el proceso
con nueva y mejor información. Lo importante es no saltarse pasos y pasar por alto algo
importante. De hecho, el mayor error que cometen los analistas al utilizar este
framework es buscar respuestas rápidas y fáciles.
Por último, asegúrese de revisar su trabajo en cada fase del Análisis. Esto le ayudará a
aprender más sobre la situación y sobre su propio conjunto de habilidades, lo que le
conducirá al tipo de crecimiento continuo que ayuda a los profesionales de los datos a
tener éxito.

Puntos clave

Las seis fases del proceso de análisis de datos ayudan a dar respuesta a los retos
empresariales, como comprender cómo mejorar un programa de jubilación. Además,
iterar y revisar su trabajo a lo largo del proceso de Análisis de datos es fundamental para
obtener resultados de calidad.

Evalúe sus capacidades actuales de Análisis de datos

Estado: Traducido automáticamente del Inglés

Traducido automáticamente del Inglés

El programa de certificación en Análisis de datos de Google está diseñado para

cualquier persona que desee adquirir las habilidades necesarias para convertirse en un
analista de datos de nivel básico. Si eso le suena a usted, pase al siguiente punto de este
curso, Comprometerse a completar el programa. Sin embargo, si ya tiene cierta
experiencia con el análisis de datos, puede considerar la posibilidad de obtener el
Certificado de Análisis de datos avanzado de Google o el Certificado de Inteligencia
empresarial de Google en su lugar. En esta lectura, aprenderá más sobre los
conocimientos y habilidades que necesita para uno de los programas de certificados
avanzados. También descubrirá más cosas sobre esos programas y por qué podrían ser
un gran paso siguiente para usted

Conocimientos y habilidades en Analítica de datos

Los analistas de datos deben tener un conocimiento exhaustivo del proceso de Analítica
de datos, así como las habilidades técnicas que les permitan completar el proceso de
análisis de datos. En esta sección, tendrá en cuenta preguntas sobre el proceso de
Análisis de datos y habilidades técnicas específicas para determinar si está preparado
para los programas de certificación avanzados.
En primer lugar, evalúe sus Conocimientos sobre el proceso de Analítica de datos
considerando si las siguientes afirmaciones se aplican a usted:

1. Tengo un conocimiento profundo de la toma de decisiones basada en datos y de

cómo ayuda a las organizaciones a orientar su estrategia empresarial basándose
en hechos.

2. Soy capaz de plantear preguntas y formular hipótesis sobre problemas

empresariales y utilizarlas para guiarme a través del proceso de análisis de datos.

3. Conozco los pasos para verificar la credibilidad de los Datos y realizar su

validación.

4. Comprendo el modelado de datos y sé cómo lo utilizan las organizaciones como

herramienta para entender sus datos.

5. Puedo seleccionar y diseñar visualizaciones que me ayuden a comunicar

eficazmente las perspectivas del análisis a las partes interesadas.
Si las afirmaciones anteriores se aplican a usted, probablemente conozca los
fundamentos del proceso de Análisis de datos. Continúe leyendo para evaluar sus
Habilidades técnicas.

Los analistas de datos utilizan una gran variedad de herramientas, incluidos software y
lenguajes de programación, para analizar los datos. Tendrá más éxito en un programa de
certificación avanzado si es capaz de utilizar hojas de cálculo, SQL, Tableau y R, que se
tratan en este Programa. Considere si las siguientes afirmaciones se aplican a usted:

1. Soy capaz de unir datos de múltiples fuentes para utilizarlos en el análisis de

datos.

2. Soy capaz de ordenar datos tanto en una hoja de cálculo como en una base de
datos.
 3. Soy capaz de limpiar datos asegurándome de que no contienen entradas
duplicadas o incorrectas y de que están en el formato correcto.

4. Sé crear visualizaciones de datos utilizando una hoja de cálculo, Tableau y R.

5. Puedo escribir un comando SQL que seleccione varias columnas de una tabla.

6. Entiendo los paquetes en R y puedo seleccionar e instalar los paquetes que

necesito para completar tareas específicas.

Elija su próximo programa de certificación

Si ha respondido afirmativamente a todas las preguntas de la sección anterior, puede

optar por obtener el Certificado en Análisis de datos avanzado de Google o el
Certificado en Inteligencia empresarial de Google para ampliar sus conocimientos sobre
el análisis de datos.

En el programa del Certificado en Análisis de datos avanzado de Google, ampliará sus

conocimientos de análisis de datos y explorará lo que significa ser un científico de datos
a lo largo de siete cursos. Mejorará sus conocimientos de Tableau. Y aprenderá otro
lenguaje de programación, Python, y practicará su uso para preparar, procesar, limpiar,
analizar y visualizar datos. Por último, profundizará en las Estadísticas y utilizará
técnicas estadísticas como la Regresión y el Aprendizaje automático para responder a
preguntas empresariales. Este Programa es ideal para personas que se preparan para
desempeñar funciones de Ciencia de datos o de Analítica de datos más avanzadas.

El Programa de Certificación en Inteligencia empresarial de Google se compone de tres

cursos, que ampliarán sus conocimientos a través de proyectos prácticos en los que se
utilizarán herramientas y plataformas como BigQuery, Dataflow y Tableau. Aprenderá
sobre la gestión de Datos y los sistemas necesarios para gestionarlos con éxito en un
entorno empresarial. A lo largo del Programa, descubrirá cómo diseñar e interpretar
cuadros de mando que proporcionen una visión dinámica de los datos en tiempo real a
las partes interesadas. El programa de certificación en Inteligencia empresarial de
Google es ideal para personas que buscan puestos de inteligencia empresarial de nivel
básico.
 Utilizar las capacidades de
análisis de datos en un
escenario de Negocio a
negocio (Business-to-
Business)
Traducido automáticamente del Inglés

Como ha estado aprendiendo, los analistas de datos tienen Destrezas analíticas

inherentes, lo sepan o no. En otras palabras, los intereses que le han llevado a seguir
una carrera como analista de datos crean una base sobre la que se apoyará a lo largo
de su carrera. A modo de repaso, estas habilidades son

 Curiosidad

 Comprensión del contexto

 Mentalidad técnica

 Diseño de datos

 Estrategia de datos

Es importante reconocer estas habilidades y empezar a aplicarlas a todo tipo de

situaciones. En esta lectura, lo hará a través de un caso de éxito basado en una
empresa ficticia de producción cinematográfica, Mega-Pik International.

Escenario: Utilizar los datos para crear mejores películas

Las películas que Mega-Pik ha estrenado últimamente no están teniendo el impacto

de antes. Cinco de sus últimos seis estrenos apenas alcanzaron el punto de equilibrio
en taquilla, y la sexta película perdió mucho dinero. Los ejecutivos Lead de Mega-Pik
se han dado cuenta de que sus competidores pasaron por un bache similar, pero se
recuperaron cuando empezaron a producir remakes de éxitos pasados y a
comercializarlos entre un público nuevo.
Mega-Pik está interesada en seguir esta tendencia. Quieren hacerlo basándose en
estrategias basadas en datos, así que contratan a su empresa de análisis para que les
ayude a volver a hacer películas populares. En concreto, solicitan un Análisis
exploratorio de datos (EDA) que les ayude a comprender qué ha gustado al público
en el pasado y a determinar si los éxitos de esas películas pueden replicarse.

Usted y su equipo desarrollan los siguientes objetivos para el EDA de Mega-Pik:

 Identificar los factores clave que contribuyen al éxito del fin de semana de
estreno de una película.

 Comprender la relación entre el Presupuesto de una película y sus Ingresos.

 Determinar qué géneros tienen más éxito.

El Conjunto de datos adecuado

Su empresa recopila, depura y organiza la siguiente información relevante en un

conjunto de datos:

 Nombre de la película

 Fecha de estreno

 Ingresos en la noche del estreno

 Ingresos del fin de semana de estreno

 Presupuesto (coste de creación)

 Costos de comercialización

 Clasificaciones

 Género

Utilice sus habilidades

Ahora examinará cómo las habilidades inherentes al análisis de datos pueden

ayudarle a guiar a Mega-Pik para tomar decisiones basadas en datos sobre qué
películas producir.

Curiosidad
Si trabajara para la empresa que realiza este análisis de datos, ¿qué tipo de
preguntas formularía basándose en los datos y en su relación con los objetivos del
EDA? La curiosidad es fundamental aquí, porque le ayudará a plantearse preguntas a
las que pueda dar respuesta

Por ejemplo, podría preguntarse si existe una relación entre el Presupuesto de una
película y los Ingresos que genera la noche del estreno o durante el fin de semana de
apertura. También podría sentir curiosidad por combinar columnas para crear
nuevas métricas, como qué géneros tienden a obtener mejores resultados en el fin
de semana de estreno, tanto en general como en las temporadas en las que se
estrenaron las películas. Incluso podría preguntarse si debería haber columnas
adicionales de datos que aún no tiene, como los datos demográficos de la audiencia.
La curiosidad es una habilidad que impulsa a los analistas a descubrir cuánta
información pueden sonsacar de los datos de formas esperadas o inesperadas.
Tenga en cuenta que la curiosidad no es la única habilidad que impulsa a los
analistas a hacer preguntas de sondeo sobre sus datos.

Comprender el contexto

El Contexto es crucial para cualquier tipo de Análisis de Datos significativo. Al

contextualizar los Datos, se empieza a entender por qué los Datos muestran lo que
muestran. Factores como la época del año en que se estrena una película, las
vacaciones y los acontecimientos de la competencia pueden influir en los Ingresos,
que es el indicador que Mega-Pik utiliza para determinar el éxito. Datos
demográficos del público como la edad, el sexo, la educación y el nivel de ingresos
pueden ayudarle a comprender quién va al cine. Este contexto puede aclarar qué
géneros o argumentos interesan más a los espectadores.

Los analistas determinan el contexto buscando patrones o anomalías en un conjunto

de datos. También ayuda entender la industria del entretenimiento, que
proporciona otro conjunto de pistas contextuales. Por ejemplo, las películas
familiares suelen generar más ingresos cuando los niños están de vacaciones. Esto
proporciona un contexto importante sobre la relación entre el género y los Ingresos
en un corto periodo de tiempo. Para comprender la relación entre las películas
familiares y los ingresos, es posible que tenga que buscar durante un periodo de
tiempo de más de un año para evitar conclusiones inexactas basadas en el horario
escolar. Además, la "temporada" en la que los niños están de vacaciones de la
escuela difiere según el país, que es otra pista contextual que hay que tener en
cuenta. Un análisis preciso de estos datos debe proceder de referencias cruzadas de
todos los diversos contextos, incluidos los datos externos o las tendencias históricas.

Comprender el contexto le ayuda a resolver los problemas acotando las variables

que tienen más probabilidades de influir en el resultado, lo que a su vez le permite
obtener estadísticas más significativas.

Mentalidad técnica

Como ha descubierto, tener una mentalidad técnica significa abordar los problemas
(y los conjuntos de datos) de forma sistemática y lógica. Esto empieza por la forma
en que limpia, organiza y prepara sus datos. También puede orientar las
herramientas o el software que utiliza para desglosar los datos y ayudarle a
identificar y corregir los datos incorrectos que pueden sesgar su análisis.
Recuerde que los problemas no siempre son técnicos, pero la mentalidad técnica es
la habilidad que utiliza para descomponer cualquier problema complejo en partes
manejables. Centrarse en implementar un proceso, independientemente de lo que
parezca, es un gran primer paso para ejercitar su mentalidad técnica.

Diseño de datos

La habilidad del diseño de datos es una extensión de su mentalidad técnica. Se

ocupa de cómo se organiza la Información. Supongamos que el Conjunto de datos se
presenta en una hoja de cálculo. Usted podría desplazar las celdas para organizar los
datos y encontrar diferentes patrones. Por ejemplo, podría organizar los datos por
Ingresos y luego por Género, lo que podría revelar que las comedias son más
rentables que los dramas. Básicamente, la forma en que decida estructurar sus datos
facilita el análisis y lo hace más perspicaz.

Estrategia de datos
La estrategia de datos es la gestión de las personas, los procesos y las herramientas
utilizadas en el análisis de datos. En este escenario, piense en ella como el enfoque
que utiliza para analizar su Conjunto de datos. Un elemento podrían ser las
herramientas que utiliza. Si Mega-Pik quiere un cuadro de mando relativamente
sencillo, podría utilizar Google Sheets o Excel porque sólo hay unas pocas columnas
de Datos. En cambio, si Mega-Pik quiere un cuadro de mandos en el que la
información se actualice cada vez que lleguen nuevos Datos, necesitaría una
herramienta robusta como Tableau.

La estrategia de datos que seleccione debe basarse en el conjunto de datos y los

entregables. Piense en una estrategia de datos como en una especie de asignación
de recursos: las herramientas, el tiempo y el esfuerzo que dedique a un proyecto
variarán en función de lo que necesite conseguir. Una estrategia que podría utilizar
para este caso de éxito es dar prioridad a los análisis que afectarían directamente a
los ingresos del trimestre siguiente. La forma en que asigne los Recursos puede
llevarle a obtener estadísticas más rápidas y procesables.
Conclusiones clave

Sus Destrezas analíticas inherentes son esenciales para llevar a cabo análisis de
datos y serán aún más críticas cuando las combine con las herramientas y técnicas
de este Programa. Comprender cómo utilizar estas habilidades en escenarios
empresariales es el primer paso para desarrollarlas aún más y utilizarlas eficazmente
en su carrera.