Ciencia de datosData Science

Primero se acota la pregunta

Pedir que alguien "le eche un vistazo a los datos" todavía no es una pregunta. El trabajo empieza cuando se acota hasta un punto que los datos puedan responder. "Por qué bajaron los clientes últimamente" no tiene respuesta, pero "entre quienes se registraron el mes pasado, ¿es más alto que antes el porcentaje que nunca volvió en la primera semana?" sí la tiene.

Al acotar la pregunta también queda claro qué se va a hacer según lo que se descubra. Si el resultado no cambia la decisión pase lo que pase, ese análisis sobra. Saltarse esta comprobación es la razón por la que a veces se pasan semanas armando una tabla que después no sirve para nada.

Casi todo el tiempo se va en recopilar y limpiar

Los datos del mundo real no llegan en una tabla ordenada. Hay casillas vacías, filas repetidas, unidades mezcladas y marcas de hora en husos distintos. Es común que la misma persona quede registrada con un nombre al inscribirse y con otro al pagar.

Esta parte parece aburrida, pero decide el resultado. Unos pocos valores mal cargados pueden mover el promedio entero, y las filas duplicadas inflan cualquier resultado. Por bueno que sea el modelo que se ponga después, si el material de partida está torcido, la respuesta también sale torcida.

Al limpiar también conviene revisar cómo se generaron los datos. Si solo queda registro de quien abrió la aplicación, esos datos no bastan para concluir que "la gente abre la aplicación seguido".

Primero se mira con los ojos

Antes de aplicar un modelo hay una etapa en la que los datos se convierten en gráficos. Mirar solo promedios y sumas deja pasar demasiado. Un mismo promedio puede esconder un grupo compacto o dos grupos separados en los extremos, y son historias completamente distintas.

En esta etapa aparecen valores raros y agrupaciones inesperadas: una fila con una edad de 200 años, un registro que se corta en seco cierto día de la semana, dos grupos de usuarios claramente distintos. Estos hallazgos, que llegan antes que cualquier respuesta, son los que arman la siguiente pregunta.

El modelo es la herramienta que se saca al final

Un modelo hace falta cuando hay que anticipar lo que va a pasar. Antes de eso, si una comparación simple o una división en grupos ya responde la pregunta, con eso alcanza, y además es más fácil de explicar.

Aquí es donde más se tropieza: confundir causa con correlación. Que dos cifras se muevan juntas no significa que una provoque la otra. Así como más ventas de helado coinciden con más accidentes de agua sin que el helado sea la causa, es frecuente que una tercera razón oculta mueva a las dos a la vez.

Para confirmar una causa hace falta comparar directamente separando condiciones: dividir a los usuarios en dos grupos, mostrarle a uno solo una pantalla distinta y comparar los resultados.

Comunicar también forma parte del trabajo

Cuando termina el análisis, queda convencer. Hay que transmitir juntos qué se descubrió, qué conviene hacer con eso y hasta dónde se puede confiar en la conclusión.

Quien conoce bien los números nunca se salta este último punto: avisa si la muestra es pequeña y puede fallar, o si hubo alguna circunstancia propia de ese período que se mezcló en los datos. Separar qué tan seguro y qué tan incierto es cada tramo ayuda mucho más a decidir que una conclusión presentada con total confianza.