zzebra

Ciencia de Datos vs Analítica de Datos -¿Por qué es importante ?

Ciencia de Datos, Analítica de Datos, Datos en todas partes

La jerga puede resultar intimidante y aparentemente impenetrable para los que no están bien informados. Mientras que el lenguaje tecnológico es un desafortunado efecto colateral del complicado mundo de las máquinas, aquéllos involucrados con las computadoras, datos y todo lo demás relacionado con la tecnología no se hacen favor a ellos mismos al usar toda esa terminología que suena tan redundante. Revisemos el campo de Ciencia de Datos y Analítica de Datos.

Cualquier fan del deporte está familiarizado con el término Analytics. Incluso hay una película sobre Analytics del baseball y casi gana un premio Óscar por lo complicado del tema.

Conforme avanza la ciencia, es de asumir que muchos de nosotros estamos familiarizados con la premisa básica al menos.

Entonces, ¿por qué la palabra Datos nos pone en dificultades?

Revisemos estos dos términos, la diferencia entre los dos y lo que significan. Después de todo hacer bien las cosas en cuanto se refiere a Datos es absolutamente crucial en estos tiempos. Big Data se hace cada vez más importante en nuestro mundo y hay miles de diferentes facetas de este concepto que vale la pena explorar.

¿Qué es Ciencia de Datos?

Ciencia de Datos es un amplio término en el cual el método científico, las matemáticas, estadísticas y muchas otras herramientas se aplican a conjuntos de datos para extraer conocimientos de dichos datos.

Esencialmente hace uso de herramientas multifacéticas para hacer frente a Big Data y obtener información útil de ella.

Los científicos de datos buscan en los grandes conjuntos de datos donde una conexión puede o puede no ser fácilmente hecha, luego agudizan esta conexión hasta el punto en que deriva en algo significativo de esta compilación.

Por si aún no te emociona la idea de Ciencia de Datos, Harvard Business Review nombro hace poco a los Científicos de Datos como el trabajo más sexy del siglo 21.

¿Qué es Data Analytics?

Data Analytics o análisis de datos es similar a la Ciencia de Datos pero de una manera más concentrada. Piensa en el análisis de datos en su nivel más básico como una versión más enfocada de la ciencia de datos donde un conjunto de datos está específicamente establecido para ser escaneado y analizado, a menudo con un objetivo específico en mente.

Piensa de nuevo en “Moneyball” la película a la que hice referencia antes. Esos hombres eran analistas de datos. ¿Por qué? Porque vieron los datos agregados de todos estos jugadores de béisbol que la gente hizo a un lado y encontraron que, a través de los números, estos atletas podrían no ser atractivos, pero los números mostraron que eran eficaces.

Análisis de datos es el proceso de definir y buscar a través de esos números para averiguar cuáles eran los jugadores de ‘Moneyball’.

Y funcionó. Ahora equipos de todas las ligas de todos los deportes están aplicando de alguna manera la analítica de datos a su trabajo.

Como la ciencia de datos es un término relativamente nuevo y hay una gran discusión sobre cual califica exactamente como la definición definitiva. Pero lo que aquí tenemos es un comienzo.

Además, tenemos que hablar sobre el trabajo más sexy del siglo y una película sobre béisbol, todo en un post sobre Big Data. Eso es un logro por sí solo.

¿Por qué es importante?

Porque uno quisiera saber que implica aplicar para ese trabajo soñado o si necesitas hacer una contratación importante.

Pero además de eso, la ciencia de datos juega un rol muy importante en el aprendizaje automático y la inteligencia artificial. Ser capaz de tamizar y conectar enormes cantidades de datos seguido por la formación de algoritmos y funciones que permite a las entidades virtuales aprender de esos datos es algo altamente demandado en el mercado de hoy.

El aprendizaje automático es uno de los mejores desarrollos en el mundo de la tecnología y es impresionante la forma en que innova continuamente.

Veamos el caso de IBM Watson y su victoria en Jeopardy, o DeepMind de Google venciendo a los mejores jugadores humanos del mundo en el juego de tableros.  Ejemplos de nuestros futuros señores mecánicos que nos llevan al talón bajo sus frías botas de  metal. . . Quiero decir, de los avances en el aprendizaje automático.

Hablando de Google, la compañía recientemente compró Kaggle una comunidad en línea que hostea ciencia de datos y competencias de aprendizaje automático. El hecho es que esta tecnología es el futuro y Google lo sabe, es por eso que entender las diferencias entre estos términos es importante.

Al final del día, no hay nada de que asustarnos de cada término, ambos son esencialmente detectives de datos, que clasifican a través de grandes colecciones de estadísticas, cifras, informes, etc., hasta que encuentran la información necesaria para la que vinieron. Cómo lo hacen y cuál es el objetivo final puede ser diferente, pero los dos no son tan diferentes.

¡Lo hiciste!

Ahora ya eres capaz de navegar entre la ambigüedad de estos términos de datos y salir del otro lado en una sola pieza.

Pero esto es solo el comienzo del aprendizaje, hay mucho más en los datos que estos dos términos. Y como lo hemos mencionado, los datos son muy importantes.  Cada vez se hacen más prominentes en nuestras vidas  ya que se encargan de todo, desde deportes a las citas de negocios a la medicina. Acciones impulsadas por datos son el presente y el futuro previsible, por lo que nunca se puede aprender mucho acerca de Big Data y lo que significará para tu vida.

Si te gustó este artículo compártelo ó dejános tus comentarios.

Por: Brook Campbell

11