1.

Revisión de Conceptos – Cuestionario - Pregunta:

1. ¿Qué es el análisis de datos y cuál es su importancia?
Es el proceso de exportar la data, validar los datos, limpiar, manipular y visualizar
los datos con el objetivo de tener la información útil para la toma de decisiones
informadas en la compañía.
El análisis de datos tiene gran importancia en el ámbito empresarial ya que es
utilizando esas técnicas y herramientas de análisis para procesar y examinar los
grandes volúmenes de datos generados por diversas actividades industriales.
También lo usamos en diversas técnicas y herramientas para identificar patrones,
tendencias y relaciones en los datos, facilitando la comprensión y la comunicación
de los resultados obtenidos.
- Pregunta: 2. ¿Cuáles son los tipos de datos que se pueden encontrar en un
dataset?
Los datasets pueden contener datos cualitativos (como texto e imágenes) y
cuantitativos (como números), que a su vez se subclasifican en nominales,
ordinales, discretos y continuos. También pueden incluir datos como fechas, datos
espaciales (entidades, ráster, LiDAR) y booleanos, estructurados en tablas o
archivos para su análisis.
Dentro de ellos tendríamos:
Recopilación de datos:
Fuentes de datos: serian las encuestas, bases de datos y sensores, etc.
Métodos de recolección: la manera de recolección de los datos. Serian
entrevistas, cuestionarios, observación directa.

Exploración y manipulación de los datos:

Realizar un análisis inicial.
Comprender la estructura: revisar las cabeceras, las dimensiones e información
del dataset. Manipulación en consultar o eliminar información no relevante.

- Pregunta: 3. ¿Qué diferencias existen entre datos estructurados, no

estructurados y semiestructurados?
Estructurados: Están organizados en un formato fijo y predefinido, están las
bases de datos relacionales. Características: organizados, fácil accesibilidad y
manipulación SQL, tiene un esquema fijo.
No estructurados: No siguen un esquema predefinido, más difícil la organización
y búsqueda. Características: la estructura no es fija , difícil de analizar, técnicas
avanzadas ( NLP, minería de datos.)
Semi estructurados: No tienen un esquema fijo, pero sí tienen una cierta
organización, se organizan en una estructura jerárquica. Características: el modelo
no es rígido, tienen una estructura definida, flexibles en los esquemas, uso de
lenguajes de marcado.
- Pregunta: 4. ¿Qué es una fuente de datos y cuáles son sus principales
categorías?
Una fuente de datos es cualquier lugar o recurso que proporciona información
para su análisis, como bases de datos, archivos, sistemas de gestión (ERP, CRM)
o incluso fuentes externas.
Fuentes primarias: Datos recopilados directamente por el usuario o investigador
para un propósito específico.
Ejemplos: Encuestas, experimentos, entrevistas, observaciones.
Fuentes secundarias: Datos que ya han sido recopilados y publicados por otra
persona o entidad.
Ejemplos: Informes gubernamentales, publicaciones académicas, bases de datos
existentes.
Por estructura:
Estructurados: Datos organizados en formatos predefinidos, como bases de
datos relacionales.
No estructurados: Datos en formatos libres, como texto, imágenes o videos.
Fuentes experimentales: Datos generados a través de experimentos.
Fuentes documentales: Datos provenientes de documentos escritos, archivos y
registros históricos.

- Pregunta: 5. ¿Cuáles son algunas normativas importantes relacionadas con la

privacidad de datos?
En Colombia:
Ley 1581 de 2012: Es la ley principal que regula el uso de datos personales en
Colombia. Establece los derechos de los ciudadanos a conocer, actualizar,
rectificar y suprimir su información, así como las obligaciones de las entidades que
manejan estos datos.
Decreto 1377 de 2013: Es el decreto reglamentario que complementa la Ley 1581
de 2012, definiendo con más detalle los procedimientos y requisitos para el
tratamiento de datos personales.
A nivel internacional:
Reglamento General de Protección de Datos (GDPR) (Unión Europea): Se
considera una de las normativas más estrictas en protección de datos a nivel
mundial, con un gran impacto global en las prácticas de las empresas.
Ley de Privacidad del Consumidor de California (CCPA) (Estados Unidos): Es
una ley importante que otorga a los consumidores de California más control sobre
la información personal que las empresas recopilan sobre ellos.
HIPAA (Health Insurance Portability and Accountability Act) (Estados
Unidos): Específicamente, establece la protección de la información de salud
personal, salvaguardando la confidencialidad de los datos de los pacientes en el
sector de la salud.
Ley de Protección de Información Personal (PIPL) (China): Promulgada en
2021, esta ley restringe el manejo de la información personal por parte de
organizaciones que operan en China o que recopilan datos de ciudadanos chinos.
Otras regulaciones internacionales:
Existen varias resoluciones internacionales, como las emitidas por el Comité de
Derechos Humanos de la ONU, que abordan la privacidad en la era digital y
establecen principios generales.

Sector Económico:
● Una tienda de tecnología quiere optimizar sus estrategias de venta según la
demanda. ¿Qué tipo de datos deberían analizar?
Transaccionales:
Previsión de demanda, gestión de inventario, detección de patrones de compra
cruzada (cross-selling).
De Clientes (CRM):
Segmentación de clientes para personalizar ofertas y determinar el valor de
vida del cliente (CLV).
De Comportamiento Web/App:
Optimización de la experiencia del usuario (UX) y eficacia de las campañas de
marketing.
De Marketing:
Determinar la sensibilidad al precio y el mix de marketing óptimo.

● Una fábrica busca mejorar su producción reduciendo desperdicio. ¿Cómo podría

ayudar el análisis de datos?
Monitoreo en Tiempo Real:
Datos: Sensores en la maquinaria (temperatura, vibración, presión, velocidad),
contadores de piezas producidas y desechadas.

Mantenimiento Predictivo:

 Datos: Historial de fallas de máquinas, horas de uso de componentes,

datos de condición (ruido, temperatura) en tiempo real.

Análisis de Causa Raíz (RCA) para Defectos:

 Datos: Registros detallados de defectos (tipo, hora, lote, máquina y

operario involucrado, proveedor de la materia prima).

Sector Social:

● Un gobierno municipal planea mejorar la seguridad en el transporte público.

¿Qué tipo de datos serían necesarios?

Para mejorar la seguridad, el gobierno municipal debe basar sus estrategias en

datos que permitan identificar puntos críticos, patrones de riesgo y la
percepción de los usuarios.

Tipos de datos:

Siniestralidad y Delincuencia (Datos Duros):

Mapeo de Puntos Calientes: Identificar las rutas, paradas y horarios donde

ocurre la mayor concentración de incidentes. Permite la asignación policial
focalizada.
Operacionales (Flota e Infraestructura):

Determinar si la demora o la ausencia de vehículos en ciertas rutas crea un

entorno inseguro (espera prolongada). Identificar paradas con iluminación
deficiente.

Percepción Ciudadana (Datos Blandos):

Medir la sensación de inseguridad y validar si las medidas implementadas están

funcionando para los usuarios, especialmente grupos vulnerables (mujeres,
adultos mayores).

● Una organización sin fines de lucro busca medir el impacto de sus programas de
educación en comunidades vulnerables. ¿Cómo podría ayudar el análisis de
datos?

Para una organización sin fines de lucro, el análisis de datos es crucial para
demostrar la eficiencia y la eficacia de sus programas a donantes y stakeholders.

El análisis de datos permite realizar una Evaluación de Impacto Social (EIS),

que se enfoca en medir los cambios a largo plazo causados directamente por el
programa.

Sector Ambiental:

● Un grupo de investigadores quiere evaluar los niveles de contaminación en ríos

urbanos. ¿Qué herramientas podrían utilizar?

Herramientas Clave en el Análisis de Datos

1. Sistemas de Monitoreo Continuo (IoT y Sensores):

o Herramienta de Recolección: Sensores de Internet de las Cosas
(IoT) sumergidos en el río que transmiten datos en tiempo real sobre
parámetros fisicoquímicos como pH, oxígeno disuelto (OD),
turbidez, conductividad y la presencia de metales pesados o
patógenos.
o Análisis de Datos: Se utilizan series de tiempo y análisis de
anomalías para detectar picos de contaminación o descargas
ilegales inmediatamente después de que ocurren.
2. Modelos de Simulación Hidrológica y de Calidad del Agua:
o Herramienta: Software especializado (como EFDC o WASP) que
integra datos del río (caudal, topografía, clima) con las cargas
contaminantes.
o Análisis de Datos: Permite modelar la dispersión de los
contaminantes y predecir cómo afectará la calidad del agua en
 diferentes tramos o bajo diferentes condiciones climáticas (ej. lluvias
fuertes).
3. Estadísticas Multivariables:
o Herramienta: Software estadístico (como R, Python con librerías
como scikit-learn, o SPSS).
o Análisis de Datos: Se aplica el Análisis de Componentes
Principales (PCA) o el Análisis de Clúster para agrupar las
muestras de agua, permitiendo a los investigadores identificar los
principales factores de contaminación (ej. distinguir la
contaminación industrial de la doméstica) y reducir la complejidad de
las variables analizadas.

● Una ciudad desea reducir el consumo de agua en espacios verdes. ¿Cómo

podría aplicarse el análisis de datos?

La ciudad puede aplicar el análisis de datos para implementar un sistema de riego

inteligente que se ajuste a las necesidades reales de la vegetación y las
condiciones ambientales, eliminando el desperdicio por exceso de riego.

Aplicación del Análisis de Datos (Riego Inteligente) 💡

Origen del
Dato Clave Aplicación del Análisis
Dato

Humedad del El análisis de datos determina el

suelo y punto exacto de déficit hídrico de
Sensores de temperatura en las plantas, activando el riego solo
Campo distintas cuando es absolutamente
profundidades de necesario, en lugar de seguir un
las zonas verdes. calendario fijo.

Datos Previsión Mantenimiento Predictivo: Los

Climáticos meteorológica modelos predictivos determinan la
(lluvia, evapotranspiración esperada y
 Origen del
Dato Clave Aplicación del Análisis
Dato

temperatura,
anulan o ajustan el riego si se
viento) de
pronostica lluvia inminente o si la
proveedores
evaporación será baja.
externos.

Optimización de Rutas y Horarios:

El análisis identifica qué sectores
Consumo
consumen desproporcionadamente
histórico de agua
Datos para investigar fugas o ineficiencias.
por válvula/sector
Operacionales Además, determina los mejores
y tipo de
horarios de riego (ej. noche o
vegetación.
madrugada) para minimizar la
pérdida por evaporación.

Beneficio: Este enfoque pasa de un riego reactivo/programado a un riego

prescriptivo basado en la necesidad, lo que puede generar ahorros de agua
superiores al 30% en parques y jardines.

Gobernabilidad (Ciencia, Tecnología e Innovación):

● Un país desea mejorar la transparencia en la gestión de sus presupuestos
públicos. ¿Qué tipo de datos debería recolectar y cómo analizarlos?
Para mejorar la transparencia en la gestión de presupuestos públicos, un país
debe recolectar y analizar datos que permitan la trazabilidad completa de los
recursos, desde la asignación inicial hasta el gasto final.

Tipos de Datos a Recolectar:

Categoría de Propósito de
Ejemplos Clave
Dato Transparencia

Presupuestos aprobados,
modificaciones Permite al ciudadano y a
Asignación presupuestarias, los auditores ver qué
Presupuestaria clasificaciones por sector fondos se planeó
(salud, educación, gastar y en qué áreas.
infraestructura).
 Categoría de Propósito de
Ejemplos Clave
Dato Transparencia

Detalles de cada Rastrea dónde fue

transacción (monto, fecha, gastado el dinero. Es la
Ejecución y
unidad ejecutora), facturas, base para identificar
Gasto
órdenes de pago, estados desviaciones y
de cuenta bancarios. sobrecostos.

Licitaciones convocadas, Muestra quién recibió

ofertas recibidas, datos de los fondos y bajo qué
Contratación la empresa adjudicataria condiciones. Es crucial
Pública (propietarios, historial), para prevenir la
contratos firmados y sus corrupción y el conflicto
adendas. de intereses.

Indicadores de desempeño
del proyecto (ej. kilómetros Evalúa si el gasto generó
Resultados y de carretera construidos), el valor esperado y si se
Auditoría informes de auditoría interna cumplieron las
y externa, hallazgos y normativas.
correcciones.

Métodos de Análisis

1. Análisis Descriptivo y Visualización (Dashboards):

o Técnica: Crear paneles de control interactivos (dashboards) que
muestren la ejecución presupuestaria en tiempo real versus lo
planeado.
o Propósito: Permite a cualquier usuario (ciudadano, periodista)
identificar rápidamente anomalías como subejecución (dinero no
gastado) o sobrecostos en categorías específicas.
2. Análisis de Redes (Network Analysis):
o Técnica: Aplicar algoritmos para modelar las relaciones entre
contratistas, funcionarios públicos, y empresas relacionadas.
o Propósito: Detectar patrones de colusión o concentración de
contratos en un grupo reducido de proveedores, a menudo con
vínculos no declarados.
3. Análisis de Datos Abiertos (Open Data):
o Técnica: Estandarizar y publicar los datos de gasto en formatos
abiertos (CSV, JSON) siguiendo estándares internacionales (como
el Open Contracting Data Standard).
o Propósito: Fomentar la vigilancia ciudadana y periodística, ya
que permite que terceros (ONGs, universidades) realicen análisis
independientes de corrupción y eficiencia.
● Una universidad quiere detectar áreas emergentes de investigación mediante
análisis de publicaciones académicas. ¿Cómo podría hacerlo?
Una universidad puede aplicar el análisis de Big Data y técnicas de
Cienciometría (el estudio cuantitativo de la ciencia) a bases de datos de
publicaciones para descubrir tendencias y lagunas en el conocimiento.

Cómo Aplicar el Análisis de Datos:

 Técnica de Objetivo: Detección de
Descripción y Aplicación
Análisis Áreas Emergentes

Procesar los resúmenes

Identificar nuevos clústeres
(abstracts) y palabras
o combinaciones de
clave de miles de
términos que antes no se
publicaciones utilizando el
Análisis de Co- usaban juntos (ej.
Procesamiento de
palabras Clave "Inteligencia Artificial" +
Lenguaje Natural (NLP).
"Sostenibilidad Urbana"),
Se mide la frecuencia y la
señalando un nuevo campo
co-ocurrencia de
de investigación.
términos.

Detectar grupos de
Estudiar la red de artículos recientes que se
referencias entre artículos. citan entre sí con una
Análisis de
Una métrica clave es el frecuencia inusualmente
Citas (Citation
"Borde de la alta, indicando una rápida
Analysis)
Investigación" o aceleración y consolidación
"Research Fronts". de un nuevo campo de
estudio.

Identificar nuevos nodos de

colaboración
Mapear la red de
Análisis de interinstitucional o
coautoría entre
Colaboración transdisciplinaria que están
investigadores,
(Redes) impulsando la investigación
instituciones y países.
más novedosa y de alto
impacto.

Descubrir temas
Algoritmos (como Latent
"dormidos" o incipientes
Modelado de Dirichlet Allocation - LDA)
que están ganando tracción
Tópicos (Topic que agrupan documentos
en la literatura global, pero
Modeling) por el tema latente que
que la universidad aún no
tratan.
está explorando.
Resultado para la Universidad: El análisis de datos proporciona un mapa
estratégico del conocimiento global, permitiendo a la universidad tomar decisiones
informadas sobre dónde invertir recursos (nuevos laboratorios, contratación de
profesores) para liderar las áreas de investigación del futuro.
2. Ejercicios de Clasificación:
Clasifica los siguientes tipos de datos según su origen:
1. Datos recolectados de encuestas en campo.
2. Información obtenida de redes sociales sobre tendencias de consumo.
3. Registros de transacciones bancarias.
4. Datos satelitales sobre cambios climáticos.
5. Datos recolectados por sensores en una fábrica.

Datos Primarios (Recolección de Primera Mano)

Son datos que la organización o investigador recopila directamente y
específicamente para el propósito actual.
1. Datos recolectados de encuestas en campo.
(Si la entidad que las usa las realizó.)
5. Datos recolectados por sensores en una fábrica.
(Datos generados internamente en el momento de la operación.)

Datos Secundarios (Reutilización de Datos Existentes)

Son datos que ya fueron recopilados, registrados y publicados (o almacenados)
por una fuente diferente para otro propósito, y ahora están siendo utilizados por un
tercero.
2. Información obtenida de redes sociales sobre tendencias de consumo.
(Los datos son generados por los usuarios en las plataformas de terceros.)

3. Registros de transacciones bancarias.

(Aunque son internos del banco, suelen ser datos operativos existentes, no
recolectados para un análisis específico, sino como subproducto de la operación.)

4. Datos satelitales sobre cambios climáticos.

(Datos recolectados por agencias espaciales o de monitoreo y puestos a
disposición.)

3. Identifica si los siguientes métodos de recolección de datos son manuales

o automatizados:
1. Llamadas telefónicas a clientes para evaluar su satisfacción.
Seria una recolección de datos manual.
2. Captura de datos de temperatura mediante sensores en una planta de energía
solar.
Esta seria automatizada ya que se realiza mediante sensores.
3. Recolección de datos de ventas a través de tickets en supermercados.
Seria una recolección de datos automatizada ya que se realiza mediante un
sistema computacional.
4. Formularios de retroalimentación en un sitio web.
Esta seria automatizada y que se hace de manera de sitio web captura la
respuesta del usuario y la almacena automáticamente en una base de datos.

4. Asocia las siguientes normativas con su descripción correcta:

1. GDPR: Protección de datos personales en la Unión Europea.
2. HIPAA: Regulación de datos de salud en [Link].
3. CCPA: Privacidad de datos de los consumidores en California.
4. ISO/IEC 27001: Estándar internacional de seguridad de la información.

5. Uso de Herramientas Tecnológicas:

1. Investigación de tendencias en Google Trends - Busca una tendencia reciente
en tecnología o salud y analiza los resultados. - Reflexiona sobre cómo esta
información podría usarse en la toma de decisiones.
Tendencia Elegida: "Modelos de Lenguaje Grandes" (traducción de Large
Language Models o LLMs), una tecnología clave en la actual Inteligencia Artificial.
 Análisis de Resultados (Últimos
Reflexión para la Toma de
12 meses, Búsquedas en
Decisiones
Español)

Interés a lo largo del tiempo: El Inversión Estratégica: Una empresa

interés ha mostrado un tecnológica o de software debería
crecimiento constante y invertir recursos en la capacitación de
sostenido, con picos marcados. su personal y en la integración de
Esto indica que no es una moda LLMs en sus productos, ya que el
pasajera, sino un tema de mercado y los clientes están
relevancia creciente y alta demandando activamente esta
adopción. tecnología.

Focalización Geográfica: Un
proveedor de servicios de consultoría
Interés por región: Las regiones en IA podría priorizar la apertura de
con mayor interés relativo podrían oficinas o la asignación de
ser, por ejemplo, Madrid, Ciudad presupuestos de marketing en estas
de México, y Bogotá. ciudades, donde la demanda de
información y servicios de LLMs es más
alta.

Desarrollo de Nicho: Una institución

Temas relacionados en académica o centro de investigación
aumento: Podrían aparecer debería crear cursos especializados
términos como "RAG" (Retrieval- en estos temas emergentes y más
Augmented Generation) o técnicos ("RAG" o fine-tuning) para
"Alineamiento de IA". satisfacer una necesidad de mercado
en rápido desarrollo.

Conclusión del Análisis

La tendencia de la Inteligencia Artificial Generativa no es una moda pasajera,

sino un cambio estructural impulsado por la curiosidad masiva y la búsqueda de
aplicaciones prácticas. El gran volumen de búsquedas y la diversidad de temas
relacionados sugieren que la gente está activamente.

2. Simulación de producción de energía solar con PVWatts - Ingresa datos de una

ubicación específica. - Analiza los resultados obtenidos.

Utilizaré PVWatts Calculator (una herramienta del Laboratorio Nacional de Energía

Renovable de EE. UU.) para simular la producción de un sistema solar
fotovoltaico.
Ubicación y Datos Ingresados:

 Ubicación: Medellín, Colombia (Latitud 6.25° N, Longitud -75.56° O).

 Tamaño del Sistema: 5 kW (Sistema residencial o pequeño comercial).
 Tipo de Módulo: Estándar.
 Inclinación (Tilt): 6° (Para una instalación plana común en tejados).
 Orientación (Azimuth): 0° (Orientación al Norte, ideal en el hemisferio
Norte).

Análisis de Resultados Obtenidos (Estimados Anuales):

Métrica Valor Obtenido Interpretación

Esta es la energía total que el

sistema generaría
Producción 7,890 kWh (Kilovatios- anualmente. Es un valor muy
Anual de CA hora) sólido para una ciudad cerca
del ecuador, con alta
radiación solar.

Indica la eficiencia del sistema

respecto a su máxima
Factor de capacidad teórica. Un valor
18.0%
Capacidad superior al 17% es excelente
para un sistema sin
seguimiento solar (tracking).

Muestra que los meses con

menos nubosidad o menor
Mes de
precipitación (previos a las
Máxima Febrero (740 kWh)
épocas de lluvias más
Producción
intensas) son los más
productivos.

Si el costo es de, digamos,

Este dato permite al inversor
$0.15 USD/kWh, el ahorro
Costo de calcular el Retorno de la
anual sería de
Electricidad Inversión (ROI) y el tiempo
aproximadamente $1,183
de amortización del sistema.
USD.
3. Análisis de redes sociales con herramientas gratuitas - Escoge un tema popular
y evalúa los comentarios y reacciones.
Utilizaré la funcionalidad de búsqueda y conteo de reacciones en plataformas
como X (anteriormente Twitter) o herramientas de análisis de comentarios en
YouTube o Facebook.
Tema Popular Elegido: "Teletrabajo post-pandemia"
Herramientas Utilizadas (Simuladas): Búsqueda avanzada de X y una herramienta
de análisis de sentimiento gratuita.

Métrica Comentarios y Evaluación de

Analizada Reacciones Encontradas Sentimiento

Indica que el tema sigue

Volumen de Alto y constante, con picos siendo de alta relevancia y
Conversación los lunes y viernes. una preocupación constante
para la fuerza laboral.

Gran cantidad de
reacciones con 😥 Polarizado Negativo (a la
(tristeza/fatiga) en oficina): La mayoría del
Reacciones
publicaciones sobre el sentimiento neto es
(Emojis,
regreso obligatorio a la negativo hacia la pérdida
Respuestas)
oficina. Alto uso de 🎉 de flexibilidad y el fin del
(celebración) en noticias teletrabajo.
sobre flexibilidad total.

Motivadores Reales: Los

usuarios no solo valoran el
tiempo, sino el ahorro
Temas "Costo de transporte", económico y la salud
Asociados "Equilibrio vida-trabajo", mental. El análisis muestra
(Términos) "Productividad en casa". que las empresas que
fuerzan el regreso están
generando frustración y
riesgo de fuga de talento.

Conclusión del Análisis Social: Las empresas que toman decisiones sobre el
futuro del trabajo solo basándose en métricas de presencia física están ignorando
la profunda resistencia y las motivaciones económicas/personales de sus
empleados, lo que puede llevar a una baja retención de talento y un impacto
negativo en la marca empleadora.
6. Reflexión Final:

- ¿Cuál fue el mayor aprendizaje obtenido del laboratorio?

El mayor aprendizaje en el laboratorio es que tenemos varios aplicaciones y

herramientas con el uso del análisis de datos los cuales podemos usar en
contextos cotidianos, dándonos las herramientas para la solución de problemas en
distintos problemáticas, también adquirí el conocimiento de que en áreas y de que
forma se debe usar las distintas temáticas que se encuentran en la teoría antes
mencionada ya que se presentan la parte práctica de una vez en el entorno de
este laboratorio

- ¿Cómo pueden aplicarse estos conocimientos en distintos ámbitos

profesionales?

El conocimiento en análisis de datos tiene una aplicación muy amplia en

prácticamente todos los ámbitos profesionales que manejan información. Permite
a las organizaciones tomar decisiones informadas en lugar de basarse en la
intuición.
Lo cual nos conlleva a que aplicándolo al ámbito profesional nos permita en
finanzas Creación de paneles de control e informes para monitorear el
rendimiento de la empresa (ventas, costos, etc.).
Podríamos tomar también la tecnología:
Optimización de Productos: Análisis de datos de uso (clics, tiempo en pantalla,
engagement) para mejorar las características de software o aplicaciones.
Pruebas A/B: Diseño y evaluación de experimentos para determinar qué versión
de una característica o diseño funciona mejor.
Sistemas de Recomendación: Creación de algoritmos que sugieren productos o
contenido relevante a los usuarios (como en Netflix o Amazon).
Modelado predictivo para la previsión de ingresos, análisis de riesgos, detección
de fraudes y optimización de carteras de inversión.
El rol del profesional de análisis de datos es transformar los datos brutos en
conocimiento accionable que impulse el crecimiento y la eficiencia en cualquiera
de estos campos