Description

En este Episodio nos dimos a la tarea de contar una historia al rededor de una de las 3 causas más comunes por las cuales los proyectos de datos y en específico de ciencia de datos fallan. Nos referimos a "Empezar con  una modelo demasiado ambicioso". Es decir, que deseamos que nuestro modelo matemático y estadístico resuelva la mayoría de preguntas o su alcance sobrepase nuestras capacidades técnicas para desarrollarlo.

Finalmente de dejamos las siguiente sugerencias para evitar que esto suceda:

1. Buscar un aliado en aquellos aspectos para mejorar (Mentor de datos)
2. Empieza con un caso de uso detallado / De poco a mucho y de forma incremental (objetivo específico)
3. Define alcances reales (no tan optimistas)
4. Verifica las capacidades de tu equipo (tanto técnicas como de infraestructura)

Recuerda:  "Las empresas que utilizan los datos para tomar decisiones tienen que estar dispuestas a la incertidumbre"

Para más información sobre estos temas u otros, visítanos en:

• www.brita.mx  
• www.klustomer.com  
• www.grupoperti.com.mx

#marketingAnalytics #marketingIntelligence #Cienciadedatos #DataScience #BigData #DataViz #BigDataAnalytics #InteligenciaArtificial #AI #InteligenciaArtificialEnMarketing #klustomer #BRITA #MachineLearning