MENTALIDAD Y FOCO

Definiendo los pilares

Los dos aspectos que vamos a trabajar

Conocimientos

​

• Temática que más dominas o te gusta
• Ciencia de Datos
• Experiencia

​

​

​

​

30 %

70-80% del tiempo

Marca

​

• Cómo te comunicas tu valor con los demás

​

• Cómo te muestras
• Cómo les ayudas
• Cómo eres único

​

​

70 %

20-30% del tiempo

​

Tu Meta

Hacia dónde quieres llegar.

Definiendo objetivos de manera SMART

Los pasos para definir buenos objetivos

• Paso 1 – qué quieres lograr a 1, 5 y 10 años vista
• Paso 2 – definir una lista de 10 metas
• Paso 3 – quedarte con las 3 más importantes y redefinirlas como SMART
• Paso 4 – trazar el plan para lograrlo (en las sesiones 1 a 1 y durante la mentoría lo trabajaremos)

Objetivos y Objetivos SMART

“Si no sabes hacia dónde vas ningún viento es favorable”

“Si no sabes hacia dónde vas ningún viento es favorable”

Mis objetivos al principio

• Hacia dónde queremos ir … los objetivos marcan las tareas que tienes que hacer y hacia dónde quieres ir.

​

Estos fueron mis objetivos cuando empecé conceptosclaros.com:

​

• Compartir mis conocimientos
• Ayudar a los demás
• Conocer personas con mis valores para abrir puertas profesionales y encontrar sinergias
• Aprender a escribir y comunicar mi valor
• Dejar el trabajo: conseguir 2000€/mes limpios

Los objetivos de los Científicos Libres

• Profesionalizarme en torno a los datos
• Ofrecer mis servicios como analista o científico de datos
• Dominar el análisis cuantitativo de los datos
• Encontrar un proyecto dónde poder participar como profesional de los datos
• Abrir puertas profesionales en la temática que me gusta
• Compartir mi conocimiento
• Conocer nuevas personas cercanas a mis valores
• Fortalecer mi marca profesional
• Conseguir mis primeros clientes
• Diseñar mi marca profesional
• Ganar experiencia con los proyectos de ciencia de datos

​

​

Los convertiremos a SMART

• S - Specific (específico): ya lo has sido en el anterior paso
• M - Measurable (medible): que sea medible. Métricas en dinero, en horas, en contactos
• A - Attainable (alcanzable): razonable. Que veas que puedas conseguir
• R - Relevant (relevante): importante para ti. Para tu vida.
• T - Timely (a tiempo): ¿cuándo quieres conseguir esa meta? Pon una fecha realista

Los objetivos de los Científicos Libres

​

• Convertimos Profesionalizarme en torno a los datos en SMART:

​

• Terminar los ejercicios de la etapa 1 de Analiza tus Datos antes del día dd/mm/aa
• Ganar experiencia en proyectos replicando los proyectos del Científico Libre antes de dd/mm/aa
• Crear el portofilio de proyectos de datos para la fecha dd/mm/aa
• Diseñar mi primer servicio antes de la fecha dd/mm/aa
• Conseguir mi primer cliente beta antes de la fecha dd/mm/aa

​

• Convertimos Diseñar mi marca profesional en SMART:

​

• Diseñar mi perfil de LinkedIn en base a un portfolio de datos antes del día dd/mm/aa
• Conseguir mis 100 primeros contactos interesados en mi nuevo perfil antes del día dd/mm/aa

​

Tu misión

Cómo definir la propuesta de valor paso a paso

Los pasos para definir la propuesta única de valor

• Paso 1 – definir tu temática y subtemática
• Paso 2 – encontrar tu público objetivo.
• Colectivo
• Necesidades
• Problemas
• Paso 3 – definir tu propuesta de valor basado en:
• Informar (listado de recursos, herramientas, lista de errores, lista de problemas…)
• Inspirar (casos de éxito, proyectos exitosos…)
• Educar (enseñar los pasos de tu método con un ejemplo…)
• Entretener (curiosidades del sector…)
• Paso 4 – resumir todo en una frase:
• YO AYUDO [PÚBLICO OBJETIVO] A [SU PROBLEMA/NECESIDAD Nº1] A CONSEGUIR [EL RESULTADO QUE LES AYUDAS A CONSEGUIR] PARA LOGRAR [EL SUEÑO MÁS PROFUNDO]

​

​

Temática y subtemática

Ejemplos de temáticas que necesitan profesionales de datos

Lista de opciones

​

• Los datos están en todo los lugares y en todos los sitios.

​

• Es cuestión de encontrar tu hueco en el mercado. Trataré de dibujar una lista de opciones.

​

​

• Industria
• Ciencias
• Deporte
• Negocio y empresas
• Investigación
• I+D
• Instituciones públicas

Ejemplos de temáticas y subtemáticas

​

• Juntamos datos y las áreas que has visto antes:

​

• Datos + negocio + Power BI 🡪 El futuro de los datos
• Datos + fútbol + profesión emergente 🡪 Objetivo Analista
• Datos + Ciencia + Marca 🡪 Conceptos Claros
• Datos + Deporte + Formación 🡪 Martí Casals
• Datos + Política
• Datos + Salud + Publicaciones
• Datos + negocios online
• Datos + calidad + satisfacción del cliente
• …

Público Objetivo

A quién quieres atraer y ayudar con tu marca profesional

Público objetivo

PÚBLICO OBJETIVO

​

=

​

GRUPO DE PERSONAS

CON CARACTERÍSTICAS COMUNES

AL QUE VAS ATRAER EN TU PERFIL DE LINKEDIN

​

(y vas a informar, inspirar, enseñar, entretener)

​

​

​

​

​

​

Definiendo el público objetivo

CÉNTRATE EN QUÉ DUDAS TIENE Y QUÉ PERFIL TIENE

​

​

• Define tres públicos mirando sus dudas e inquietudes y observando su profesión, estudios etc…

​

​

​

​

​

​

​

​

EJEMPLOS DE PÚBLICOS OBJETIVOS QUE IDENTIFIQUÉ EN MIS INICIOS

​

​

• Estudiantes de matemáticas de bachillerato o la universidad para ayudarlos a aprobar los exámenes.

​

• Al gran público interesado en las mates, pero que nunca las ha entendido y quiere hacerlo de una vez por todas.

​

​

• Investigadores consagrados y doctorandos que se preocupan por la estadística para poder justificar sus hipótesis de investigación.

​

• Profesionales técnicos y científicos como ingenieros, informáticos, economistas, biólogos, etc. que quieren aprender cómo analizar los datos en su trabajo.

​

​

​

​

​

​

Ejemplos de públicos objetivo

• Científicos que no saben muy bien cómo trabajar sus datos
• Project managers que requiere de profesional técnico para sus proyectos
• Dueños de negocios que no saben cómo sacar todo el potencial de los datos
• Jefes de departamentos en empresas privadas que necesitan contratar personal especializado en datos
• Doctorandos que no saben cómo presentar sus proyectos de datos
• Managers de empresas de la industria que necesitan soluciones de datos especializadas
• Investigadores “de letras” o “ciencias” que no se le dan bien los números
• Periodistas que quieres especializarse al periodismo de datos
• …

​

Propuesta de Valor

Qué necesita tu público concretamente y cómo le puedes ayudar

¿Qué es la propuesta de valor?

• ¿Cómo vas a ayudar a avanzar a tu público objetivo? Se trata de ponerse en su piel y tratar de:
• Piensa en la temática y el público objetivo. Pregúntate: ¿Qué podría serle útil? ¿Qué problemas les podría solucionar? ¿Qué necesidades podría satisfacer?

​

• INFORMAR: cómo está el mercado. El estado del arte
• INSPIRAR: toca el corazón de mi público objetivo y les ayuda a ver nuevas oportunidades
• ENSEÑAR: les hago de tutor. Les enseño los detalles y de forma natural me posiciono como un experto
• ENTRETENER

​

Ejemplos de propuesta de valor

�

​

La oferta irresistible

Trata de plasmar tu misión en una frase corta y memorable

Oferta irresistible

• La oferta irresistible es el corazón de nuestra marca

​

​

Y ya tenemos todas las piezas para definirla

​

​

​

​

Oferta irresistible

• Usaremos una fórmula:

​

​

​

YO AYUDO [PÚBLICO OBJETIVO] A [SU PROBLEMA/NECESIDAD Nº1] A CONSEGUIR [EL RESULTADO QUE LES AYUDAS A CONSEGUIR] PARA LOGRAR [EL SUEÑO MÁS PROFUNDO]

​

​

​

​

Oferta irresistible

• Usaremos una fórmula:

​

​

​

YO AYUDO [PÚBLICO OBJETIVO] A [SU PROBLEMA/NECESIDAD Nº1] A CONSEGUIR [EL RESULTADO QUE LES AYUDAS A CONSEGUIR] PARA LOGRAR [EL SUEÑO MÁS PROFUNDO]

​

​

​

​

• Mi oferta irresistible:

​

“Yo ayudo a científicos y técnicos estancados en su profesión a conseguir diseñar su trabajo a través de los datos para vivir la vida de forma más libre, innovadora y ayudando a los demás”

​

​

​

​

​

​

Tu Proyecto Core

Durante los bloques de ciencia de datos vamos a trabajar un proyecto core paso a paso con tus propios datos

Las características del proyecto core

• Nuestro problema se debe poner solucionar con un clasificador
• Necesitamos una variable respuesta cualitativa, la clase
• Y variables explicativas que nos den información de esa clase

​

Los 7 pasos del proyecto core de un Científico de Datos

y cómo usarlo como catalizador de tu especialización como profesional de datos.

​

Dominando este proyecto dominarás el 90% de los proyectos prácticos en cualquier sector

Objetivo – problema a solucionar

• ESCUCHA, ESCUCHA, PREGUNTA … ENTIENDE EL PROBLEMA QUE QUEREMOS SOLUCIONAR
• FILOSOFÍA DEL PROYECTO. EL FONDO DE LA CUESTIÓN

​

Objetivo – problema a solucionar

• Queremos diagnosticar ENFERMEDAD X a partir de características del paciente
• ¿Contexto, dónde lo vais a aplicar ?
• ¿Con qué tipo de pacientes, con qué datos?
• ¿Queréis conocer la importancia de esas características del paciente en el diagnóstico?

​

Los 7 pasos del proyecto Core

• FASE 1 - Descriptivo
• FASE 2 - Inferencial (comparativo, relacional, causal)
• FASE 3 - Reconocimiento de patrones

• Clustering, reducción dimensional, reglas de asociación
• Clasificación – 90% de los casos
• Regresión

Aumentando complejidad

• FASE 1 – DESCRIPTIVO - EXPLORACIÓN (se aplica siempre)
• Tendencias, gráficos, indicios

​

​

• FASE 2 – INFERENCIAL (normalmente se aplica cuando el proyecto requiere investigar, I+D)
• Conclusiones estadísticas con significación (comparaciones, correlaciones, modelos)
• Variables más importantes

​

​

• FASE 3 – RECONOCIMIENTO DE PATRONES (se aplica cuando queremos una herramienta)
• Segmentación, reducción dimensional
• Clasificación (en el 90% de los casos)
• Regresión (ingeniería, sensores, economía… cuando las variables son cuantitativas)

1. Planteamiento del proyecto - Estructura

• El objetivo es poder crear una máquina predictiva capaz de diagnosticar ENFERMEDAD X con características del paciente
• Esta herramienta se podría integrar en el diagnóstico de otras enfermedades
• Se requiere también evaluar qué variables son las más importantes en la detección del la enfermedad X
• Es una estrategia transversal y se puede utilizar para diagnosticar más enfermedades

ALGORITMO

VARIABLES

DE

ENTRADA

VARIABLE

DE

SALIDA

+40 características del paciente

SI ENFERMEDAD

NO ENFERMEDAD

2. Lectura de datos

• Origen de datos:
• Ficheros de texto
• Bases de datos
• Páginas web
• …

​

VARIABLES ENTRADA

Característica paciente

SALIDA

Diagnóstico

3. Limpieza y preparación de datos

• Imputar valores perdidos
• Quitar observaciones erróneas
• Calcular nuevas variables
• Codificar la variable respuesta

​

4. Exploración – descripción de los datos

• Poner la variable respuesta en el foco de la exploración
• Calcular la correlación de las variables de entrada con la respuesta

4. Exploración – descripción de los datos

4. Exploración – descripción de los datos

5. Modelizado clásico – modelos estadísticos

• Trataremos de calcular un modelo estadístico que nos permita calcular la significación de los coeficientes
• Seleccionar la combinación de variables más interesantes

6. Reconocimiento de patrones

• Clustering
• Reducción dimensional
• Reglas de asociación
• Clasificación – 90% de los casos
• Regresión

​

Características en sangre

ENFERMEDAD SI

ENFERMEDAD NO

https://scikit-learn.org/stable/

6. Reconocimiento de patrones

Pasos de un proyecto clasificador

• Imputar valores perdidos
• Seleccionar variables de entrada
• (opcional) transformar variables
• Partir los datos en 70/30 u 80/20
• Balanceo de los datos
• Entrenar un listado de algoritmos / modelos
• Seleccionar mejor modelo
• Tunning / optimización del modelo

https://scikit-learn.org/stable/supervised_learning.html#supervised-learning

TRAINING

VARIABLES

DE

ENTRADA

VARIABLE

DE

SALIDA

DATA PARTITIONING

TRAINING DATA

​

Base de datos para training

​

​

80 %

RESAMPLING DATA

GENERANDO GRUPOS DE TRAINING DATA

​

Esto nos ayuda a mejorar el error del modelo y el overfitting

…

…

• Crear 10 grupos de 3 repeticiones – k-fold
• Crear 100 nuevos grupos generando la muestra a partir de la distribución de training data- bootstraping
• Quitar una variable de entrada cada vez - LOOCV

SUBSAMPLING

BALANCEAR DATOS

​

Necesitamos balancear los datos ya que los grupos no son iguales en número

• Down-sampling – quitar datos grupos datos
• Up-sampling – ampliar los grupos pequeños
• SMOTE – híbrido para caso binario
• ROSE – híbrido para multiclase

6. Reconocimiento de patrones

6. Reconocimiento de patrones

6. Reconocimiento de patrones

7. Reporting – entrega de herramienta

• Explicar muy bien el objetivo y problema a solucionar
• El método y pasos que has seguido
• Técnicas utilizadas (nombrarlas)
• Mostrar los resultados. Resumir lo máximo posible
• Conclusiones
• Siguientes pasos
• Cómo usar la herramienta

Un servicio modelable

PROYECTO

DESCRIPTIVO

PROYECTO

INFERENCIAL

PROYECTO

MACHINE LEARNING

Take away

El resumen de la lección

Lo más importante de la lección

• El 70% marca y el 30% conocimiento
• Todo el mundo comunica. Todo el mundo tiene una marca quiera o no. Es cuestión de diseñarla conscientemente
• Los ingredientes de un Científico Libre son:
• Ingrediente nº1 = Pasión por una temática
• Ingrediente nº2 = Conocimientos en un tema concreto
• Ingrediente nº3 = Herramientas/Calculadoras
• Ingrediente nº4 = Estadística, machine learning
• Ingrediente nº5 = Tu marca y propósito

​

• El portfolio nos ayudará a ganar experiencia rápido y ganar autoridad

Tu turno

Las tareas de esta semana

A trabajar :

• Con lo que hemos repasado hoy … dale una segunda vuelta a las hojas de trabajo del científico libre bloque I sobre marca profesional y estrategia de portfolio marcado en amarillo en la imagen: https://analizatusdatos.com/cursos/cientifico-libre/

​

• Piensa en datos y en un problema a resolver para poder llevar a cabo el proyecto core.

​

• Todo esto lo vamos a repasar en la sesión 1 a 1.

​

​

​

​