Artículo de C4C7US basado en Ben Weber
Introducción a los Datos y la ciencia como tal.
Como startup hemos encontrado y aprendido del poder de los datos, la importancia de su manejo y las oportunidades que brinda la nube. Encontramos este artículo de la ciencia de los datos de Ben Weber, Director de Data Science aplicada en Zynga. Hicimos una traducción del artículo y una adaptación en relación con C4C7US, porque consideramos que es demasiado importante comprender la ciencia de los datos y su alcance, sobre todo en los startups. Vamos a hacer una serie de artículos relacionados con el uso de los datos en las startups.
“¿Por qué la ciencia de datos y cómo armar tu equipo de tecnología?
Una de las primeras preguntas a la hora de contratar a un científico de datos para su startup es ¿cómo mejorará la ciencia de datos nuestro producto? En muchas empresas, el producto son los datos, y por lo tanto el objetivo de la ciencia de datos se alinea bien con el objetivo de la empresa, construir el modelo más preciso para que todo sea un éxito.
“En las primeras etapas suele ser beneficioso empezar a recopilar datos sobre el comportamiento de los clientes, para poder mejorar los productos en el futuro” (Weber, 2018). Los datos lo expresan todo, muestran el comportamiento de nuestros clientes y en una startup, es esencial su manejo. Con C4C7US, encuentras un aliado estratégico para mejorar tu productividad y el manejo efectivo de tus recursos.
Algunas de las ventajas de utilizar la ciencia de datos en una startup son:
- Identificar las métricas clave del negocio para realizar un seguimiento y previsión.
- Crear modelos predictivos del comportamiento de los clientes.
- Realización de experimentos para probar cambios en los productos.
- Construir productos de datos que permitan nuevas características del producto.
Muchas organizaciones se quedan atascadas en las dos o tres primeras etapas de la utilización de datos y no aprovechan todo el potencial que tiene esta herramienta. El objetivo de este artículo, es mostrar cómo se pueden utilizar los servicios gestionados para que los equipos pequeños vayan más allá de las canalizaciones de datos para calcular simplemente las métricas de funcionamiento de la empresa, y realicen la transición a una organización en la que la ciencia de datos proporciona información clave para el desarrollo de productos. (Weber, 2018)
Este artículo, proporciona a Weber motivación para el uso de la ciencia de datos en una startup e invita a tener una visión general de lo que se puede lograr con los datos en nube y lo que se puede lograr con C4C7US. En siguientes artículos de la serie tocaremos temas relacionados con:
- Seguimiento de datos: Analiza la motivación para capturar datos de aplicaciones y páginas web, propone diferentes métodos para recopilar datos de seguimiento, introduce preocupaciones como la privacidad y el fraude, y presenta un ejemplo con Google PubSub.
- Canalización de datos: Presenta diferentes enfoques para recopilar datos para su uso por un equipo de análisis y ciencia de datos, analiza enfoques con archivos planos, bases de datos y lagos de datos, y presenta una implementación utilizando PubSub, DataFlow y BigQuery. Otros artículos similares incluyen una canalización de análisis escalable y la evolución de las plataformas de análisis de juegos.
- Inteligencia empresarial: Identifica prácticas comunes para ETLs, informes automatizados/tableros de mando y cálculo de métricas y KPIs run-the-business. Presenta un ejemplo con R Shiny y Data Studio.
- Análisis exploratorio: Cubre análisis comunes utilizados para profundizar en los datos, como la construcción de histogramas y funciones de distribución acumulativa, análisis de correlación e importancia de características para modelos lineales. Presenta un ejemplo de análisis con el conjunto de datos públicos Natality. Otros artículos similares son Clustering the top 1% y 10 years of data science visualizations.
- Modelización predictiva: Analiza enfoques para el aprendizaje supervisado y no supervisado, y presenta modelos predictivos de rotación y promoción cruzada, así como métodos para evaluar el rendimiento del modelo fuera de línea.
- Producción de modelos: Muestra cómo escalar modelos offline para puntuar millones de registros, y analiza enfoques batch y online para el despliegue de modelos. Otros artículos similares son Productizing Data Science at Twitch y Producizting Models with DataFlow.
- Experimentación: Ofrece una introducción a las pruebas A/B para productos, explica cómo configurar un marco de experimentación para ejecutar experimentos y presenta un ejemplo de análisis con R y bootstrapping. Otros posts similares incluyen A/B testing with staged rollouts.
- Sistemas de recomendación: Introduce los conceptos básicos de los sistemas de recomendación y proporciona un ejemplo de ampliación de un recomendador para un sistema de producción. Entradas similares incluyen la creación de prototipos de un recomendador.
- Aprendizaje profundo: Proporciona una ligera introducción a los problemas de la ciencia de datos que se abordan mejor con el aprendizaje profundo, como el marcado de mensajes de chat como ofensivos. Ofrece ejemplos de prototipado de modelos con la interfaz de R para Keras y de producción con la interfaz de R para CloudML.
Para tomar decisiones basadas en datos en una startup, debe recopilar datos sobre cómo se utilizan sus productos, para poder entender. También debe poder medir el impacto de realizar cambios en su producto y la eficacia de ejecutar campañas, como implementar una audiencia personalizada para marketing en redes sociales (Weber, 2018). Una vez más, la recopilación de datos es necesaria para lograr estos objetivos, tema que tocaremos en el siguiente artículo, porque hablaremos de la importancia del seguimiento de los datos.
REFERENCIAS:
https://towardsdatascience.com/data-science-for-startups-introduction-80d022a18aec
