Curso 1 Analisis de Datos

CUADERNO ANALISIS DE DATOS DE GOOGLE – CURSO 1
Los datos son una colección de hechos. Esta colección puede incluir números, imágenes, videos, palabras, mediciones,
observaciones y más. Una vez que tienes los datos, se los analiza mediante el análisis.
El análisis de datos es la recopilación, transformación y organización de los datos para sacar conclusiones, hacer predicciones e
impulsar una toma de decisiones fundamentada.
Y eso no es todo. Los datos evolucionan con el tiempo, lo que significa que este análisis o la analítica, como lo llamamos, puede
darnos nueva información a lo largo de todo el ciclo de vida de los datos. Los datos están en todas partes. Usas y creas datos
todos los días. ¿Alguna vez has leído las reseñas de un producto antes de decidir si comprarlo o no? Eso es el análisis de datos.
O tal vez monitorees tu actividad física para contar tus pasos a fin de mantenerte activo durante todo el día. Eso es el análisis
de datos.
Pero no solo usas datos. También creas enormes cantidades de datos todos los días. Cada vez que usas el teléfono, buscas algo
en línea, haces streaming de música, compras con tarjeta de crédito, publicas en redes sociales o usas el GPS para mapear una
ruta, estás creando datos.
Nuestro mundo digital y los millones de dispositivos inteligentes que hay allí hacen que la cantidad de datos disponible
realmente sea alucinante. Aquí, en Google, procesamos más de 40,000 búsquedas por segundo. Eso equivale a 3,500 millones
de búsquedas al día y a 1,200 billones de búsquedas al año. Esta es otra forma de pensarlo.
YouTube tiene casi dos mil millones de usuarios. Si los usuarios de YouTube fueran un país, sería el más grande del mundo.
Todos esos datos están transformando el mundo que nos rodea.
La publicación The Economist recientemente llamó a los datos «el recurso más valioso del mundo». Es fácil ver por qué los
analistas de datos son tan valorados por sus organizaciones.
¿Qué hace exactamente un analista de datos? En pocas palabras, un analista de datos es alguien que colecciona, transforma y
organiza datos con el fin de ayudar a tomar decisiones fundamentadas. Además de su rol en sí, una de las partes más
emocionantes de ser analista de datos es la cantidad de oportunidades disponibles. La demanda de analistas de datos es
mayor que la cantidad de personas calificadas para ocupar estas vacantes de empleo. Este programa de certificados es un gran
primer paso en tu viaje hacia la búsqueda de un trabajo que te encante. Los analistas de datos tienen distintos antecedentes y
todo tipo de experiencias de vida. No necesitas décadas de experiencia laboral ni una educación costosa para empezar.
Muchos analistas de datos aprendieron solos las habilidades que necesitaban para conseguir su primer trabajo, como tú estás
haciendo ahora. Ahora hablemos más sobre lo que vas a aprender.
El certificado Google Data Analytics se divide en cursos basados en diferentes procesos para el análisis de datos. Se trata de
preguntar, preparar, procesar, analizar, compartir y actuar. Mira estos videos en orden. Cada uno trata de un tema nuevo, y
cada tema se basa en lo que has aprendido antes, lo que hace que sea fácil hacer un seguimiento de tu avance. Tú tienes el
control. Aunque veas todo organizado por semanas, puedes completarlo a tu propio ritmo. Así que tú decides cuánto hacer
cada día. Al final del programa, te llevarás todo lo que hayas aprendido; conviértelo en un proyecto que puedas usar para
mostrar tus habilidades y sorprender a los gerentes de contratación en tus entrevistas de trabajo.
También es posible que escuches hablar de «Googlers». Así llamamos a las personas que trabajan aquí en Google. Ellos podrán
darte una visión interna de lo que es trabajar en nuestra industria y compartir historias personales de cómo ingresaron en este
campo. También te darán excelentes consejos sobre cómo conseguir el trabajo de tus sueños. Mantente atento. Algunos de
ellos van a presentarse ahora.
- Soy Angie. Soy gerente del programa de ingeniería en Google. Realmente creo que la limpieza de los datos es el
corazón de los datos. Así es como logras conocer los datos, sus peculiaridades, sus defectos, sus misterios. Me encanta
un buen misterio. Me parece casi un superpoder. Me sentía como un detective que había resuelto algo.
- Hola, soy Alex. Soy científico investigador en Google. Investigo los diferentes impactos de la inteligencia artificial en la
sociedad y nuestros usuarios.
- Me llamo Lilah Jones. Soy parte del equipo de la nube. Tengo la oportunidad de dirigir un equipo de personas
increíbles centradas en ayudar a los clientes a llegar a la nube.
- Hola, soy Evan. Soy gerente de portfolio de aprendizaje en Google. Tengo uno de los trabajos más geniales del mundo
donde veo todas las diferentes tecnologías que afectan el big data y luego las incluyo en cursos de capacitación como
este para que los estudiantes los hagan. Seré tu instructor del primero curso. Te guiaré en cada módulo, que tratará un
tema específico de varias formas distintas. Tendrás videos, material de lectura, cuestionarios, actividades prácticas y
temas de discusión para chatear con otros estudiantes en un foro en línea. Estoy muy emocionado de guiarte en este
curso, pero en especial porque has elegido esta aventura. El aprendizaje permanente es algo que me apasiona mucho.
Cuando crecí, miraba a mi alrededor y a menudo no veía muchas opciones disponibles para mí. No fue hasta que
empecé a pensar en serio acerca de mi educación que me di cuenta de que tenía el control de generar mis propias
oportunidades, y la educación era la clave que abriría esas puertas. Cuanto más aprendía y cuanto más trabajaba, más
posibilidades se abrían. Si no hubiera ido tras ese conocimiento y continuado con desafíos, quizá hoy no estaría donde
estoy. Aprender me permitió crecer personalmente, tener éxito, visitar lugares que nunca habría visto, y conocer gente
que nunca habría conocido. Ahora voy a presentar a algunas de esas grandes personas.
- Hola, soy Ximena, analista financiera. Te ayudaré a aprender a preguntar correctamente sobre los datos, el proyecto en
el que trabajas y los problemas que estás tratando de resolver.
- Hola, me llamo Hallie, directora de analítica. Estoy muy emocionada de mostrarte cómo preparar tus datos para que
estén listos para su análisis.
- Hola, soy Sally, directora de analítica y mediciones. Juntos analizaremos cómo procesar y limpiar los datos. Para limpiar
los datos, no es necesario agua y jabón. Me refiero a asegurarse de que los datos estén completos, correctos y sean
relevantes para el problema que estás tratando de resolver.
- Hola, soy Ayanna, gerente de información global. Vamos a profundizar en el análisis. Aprenderás a recopilar,
transformar, y organizar los datos para que puedas usarlos y descubrir información útil, sacar conclusiones y tomar
excelentes decisiones.
- Me llamo Kevin y con mi experiencia como director de análisis en Google, te guiaré por lo que creo que es la parte más
emocionante del proceso de análisis de datos: planificar, crear y presentar visualizaciones de datos eficaces y
convincentes.
- Hola, me llamo Carrie. Estoy ansiosa por contarte sobre todas las cosas emocionantes que puedes hacer con la
programación en R. ¿Estás listo?
- Hola, soy Rishie, gerente del plan de estudios de habilidades analíticas globales. Te voy a ayudar a reunir todo lo
aprendido durante este programa mediante la creación de un caso práctico que dejará perplejo a cualquier gerente de
contratación. Al igual que el toque final de un gran edificio muestra a todos que está completo, tu caso práctico hará
alusión a tu gran logro de obtener un certificado de Google en análisis de datos. ¿Te entusiasma la posibilidad de
convertirte en analista de datos? Hay tantas cosas que hacer con los datos. Estás a punto de entrar a un mundo
completamente nuevo. ¿Listo? ¡Vamos!
Descripción del programa y plan de estudios

¡Hola y bienvenido! El programa que estás a punto de explorar está diseñado específicamente para ayudar a cada tipo
de alumno a terminar con éxito el certificado y convertirse en analista de datos junior o asociado de nivel básico. No se
requiere experiencia previa en análisis de datos, matemáticas ni estadística. Para tener éxito, solo tienes que estar
abierto a aprender cómo los datos influyen en el mundo.
Preparación para el trabajo

A diario, la cantidad de datos aumenta cada vez más. Por lo tanto, es más importante que nunca tener la capacidad de
interpretarlos eficazmente. El análisis computacional de datos se está convirtiendo en una de las opciones profesionales
más gratificantes y de crecimiento más rápido del mundo. En la próxima década, la demanda de habilidades analíticas
empresariales probablemente sea superior a la demanda de cualquier otra carrera (10.9% frente a 5.2%) (Fuente: Oficina
de Estadísticas Laborales). A nivel mundial, empresas de todo tipo necesitan analistas de datos calificados para resolver
problemas y para que las ayuden a tomar las mejores decisiones comerciales posibles. Y, ahora mismo, el 59% de las
empresas tienen planes de agregar aún más puestos que requieran conocimientos de análisis de datos (Fuente: SHRM).
Cuando termines este programa, estarás bien preparado para hacer recomendaciones inteligentes, estratégicas y
basadas en datos a organizaciones de todo tipo de industrias.
En cada curso del programa, realizarás muchas tareas prácticas y proyectos basados tanto en la vida cotidiana como en
las actividades prácticas de un analista de datos. En el camino, aprenderás a hacer las preguntas correctas y a entender
los objetivos. También aprenderás a limpiar y organizar eficazmente grandes cantidades de datos a fin de prepararlos
para un análisis de alta calidad. Además, adquirirás experiencia práctica con todo tipo de herramientas y técnicas que te
ayudarán a reconocer patrones y descubrir las relaciones entre puntos de datos. Y, para comunicar los resultados de tu
análisis, aprenderás a diseñar elementos visuales y tableros. Incluso tendrás la oportunidad de crear un caso práctico,
que puedes destacar en tu currículum para mostrarles lo que has aprendido a los posibles empleadores.
Descripción general del curso

Todo el programa tiene ocho cursos. Este es el primer curso y abarca aproximadamente cinco semanas de material.
1. Aspectos básicos: Datos, datos, en todas partes(este curso)
2. Haz preguntas para tomar decisiones basadas en datos
3. Prepara datos para la exploración
4. Procesa datos para pasarlos en limpio
5. Analiza datos para responder preguntas
6. Comparte datos a través del arte de la visualización
7. Análisis de datos con programación en R
8. Google Data Analytics Capstone: Completa un caso práctico
Contenido del curso
Curso 1 - Aspectos básicos: Datos, datos, en todas

partes
1. Presentación del análisis computacional de datos; Los datos nos ayudan a tomar decisiones en la vida cotidiana y
en los negocios. En esta primera parte del curso, aprenderás cómo los analistas de datos utilizan las
herramientas de su comercio para informar esas decisiones. También conocerás más sobre este curso y las
expectativas generales del programa.
2. Pensamiento analítico: Los analistas de datos equilibran muchos roles diferentes en su trabajo. En esta parte del
curso, aprenderás algunas de estas funciones y las habilidades clave que se requieren. También explorarás el
pensamiento analítico y cómo se relaciona con la toma de decisiones basada en datos.
3. Exploración del maravilloso mundo de los datos: Los datos tienen su propio ciclo de vida, y los analistas de datos
usan un proceso de análisis que abarca y aprovecha este ciclo de vida. En esta parte del curso, aprenderás
sobre el ciclo de vida y el proceso de análisis de los datos. Ambos son relevantes para tu trabajo en este
programa y como futuro analista de datos. Se te presentarán aplicaciones para guiar los datos a lo largo del
proceso de análisis de datos.
4. Configuración de una caja de herramientas de datos: Las hojas de cálculo, los lenguajes de consulta y las
herramientas de visualización de datos son una parte importante del trabajo de un analista de datos. En esta
parte del curso, aprenderás los conceptos básicos a fin de usarlos para el análisis de datos. Comprenderás cómo
funcionan a través de los ejemplos proporcionados.
5. Descubrimiento de las posibilidades profesionales de los datos: Hay todo tipo de empresas que valoran el trabajo
que realizan los analistas de datos. En esta parte del curso, examinarás los diferentes tipos de empresas y los
trabajos y las tareas que los analistas hacen para ellas. También aprenderás cómo un certificado de Google Data
Analytics te ayudará a cumplir muchos de los requisitos para un puesto en estas organizaciones.
6. Completar el Desafío del curso: Al final de este curso, podrás poner todo lo que has aprendido en perspectiva con
el Desafío del curso. En el Desafío del curso, se te harán preguntas sobre los conceptos principales que has
aprendido y se te dará la oportunidad de aplicarlos en dos escenarios.
Qué esperar
Cada semana del curso incluye una serie de lecciones con muchos tipos de oportunidades de aprendizaje. Entre otros:
 Videos para que los instructores enseñen nuevos conceptos y demuestren el uso de herramientas.
 Material de lectura que presentará nuevas ideas y ampliará los conceptos presentados en los videos.
 Foros de debate para compartir, explorar y reforzar los temas de las lecciones a fin de lograr una mayor
comprensión.
 Da discusión lleva a promover el pensamiento y la participación en los foros de debate.
 Cuestionarios de práctica a fin de prepararte para las evaluaciones con calificación.
 Cuestionarios con calificación para medir tu grado de avance y recibir correcciones útiles.
 Además, asegúrate de prestar atención a las preguntas en video que aparecerán de vez en cuando. Están
diseñadas para que compruebes tu aprendizaje.
Todo el mundo aprende de forma diferente, así que diseñamos este programa para que puedas avanzar a tu propio
ritmo. Aunque tus plazos personalizados empiezan a correr cuando te inscribes, estos son solo una guía. Puedes
avanzar por el programa a la velocidad a la que te sientas cómodo. No hay ninguna penalización por entregar las tareas
después de la fecha límite; para obtener el certificado, simplemente tienes que terminar todo el trabajo. Si lo prefieres,
puedes ampliar los plazos al volver a Descripción general en el panel de navegación y hacer clic en Cambiar sesión. Las
evaluaciones se basan en el enfoque adoptado por el curso para ofrecer una amplia variedad de materiales y actividades
didácticas que refuerzan las habilidades importantes. Los cuestionarios con y sin calificación te ayudarán a ahondar en el
contenido. Los cuestionarios de práctica sin calificación son una oportunidad para prepararte para los cuestionarios con
calificación. Ambos tipos de cuestionarios se pueden realizar más de una vez.
Vía rápida opcional para aquellos experimentados en análisis de datos

El certificado de Google Data Analytics proporciona instrucciones y comentarios para los alumnos que esperan obtener
un puesto como analista de datos de nivel básico. Si bien muchos alumnos serán completamente nuevos en el mundo
del análisis de datos, es posible que otros estén familiarizados con el campo y simplemente quieran repasar ciertas
habilidades.
Si crees que este curso será principalmente un repaso para ti, te recomendamos que realices el cuestionario de
diagnóstico de práctica (puedes encontrarlo en el contenido de esta semana). Te permitirá determinar si debes seguir la
vía rápida, que es una oportunidad para continuar con el curso 2 después de haber tomado cada uno de los desafíos
semanales del curso 1 y el Desafío general. Los alumnos que obtengan una puntuación del 100% en el cuestionario de
diagnóstico pueden considerar los videos, lecturas y actividades del curso 1 como opcionales. Los alumnos que sigan la
vía rápida igualmente podrán obtener el certificado.
Consejos
 Recomendamos tomar todos estos cursos y realizar los puntos de cada lección en el orden en que aparecen, ya
que la información y los conceptos nuevos se basan en los conocimientos anteriores.
 Usa los recursos adicionales vinculados a lo largo del programa. Están diseñados para respaldar tu aprendizaje.
 Cuando encuentres enlaces útiles en el curso, recuerda agregarlos a tus marcadores para que puedas consultar
la información y estudiarla o revisarla.
 Los recursos adicionales son gratuitos, pero algunos sitios tienen restricciones de acceso en cuanto a la cantidad
de artículos a los que se puede acceder de forma gratuita cada mes. En algunos casos, puedes registrarte en el
sitio para obtener acceso completo, pero siempre puedes marcar un recurso y volver a verlo más tarde.
 Si algo es confuso, no dudes en volver a ver un video, volver a leer el artículo y así sucesivamente.
 Participa en todas las oportunidades de aprendizaje para obtener el mayor conocimiento y experiencia posibles.
Registro de aprendizaje: Piensa en los datos de

la vida cotidiana
Descripción general
A esta altura, ya has empezado a descubrir cuán potentes pueden ser los datos. A lo largo de este curso, se te pedirá
que hagas entradas en un registro de aprendizaje. El registro será un espacio personal en el que podrás realizar un
seguimiento de tus ideas y reflexiones sobre tu experiencia en relación con la recopilación y el análisis de datos. Las
reflexiones pueden incluir lo que te gustó, lo que cambiarías y las preguntas que se plantearon. Cuando completes la
entrada de esta actividad, tendrás un mayor conocimiento del análisis de datos.
Datos cotidianos
Antes de escribir una entrada en el registro de aprendizaje, piensa dónde y cómo usas los datos para tomar decisiones.
Crearás una lista de al menos cinco preguntas con datos para responder. Estos son algunos ejemplos que te inspirarán:
 ¿Cuál es el mejor momento para ir al gimnasio?

 ¿Cómo varía la duración del viaje al trabajo según el día de la semana?
 ¿Cuántas tazas de café bebes cada día?
 ¿Qué sabor de helado compran los clientes?
 ¿Cuántas horas duermes cada día?
A continuación, seleccionarás una de las cinco preguntas de tu lista para explorar más a fondo y anotar los tipos de datos
que podrías recopilar para tomar una decisión. ¡Esto es el análisis de datos en acción!
Accede al registro de aprendizaje

Para utilizar el registro de aprendizaje de este elemento del curso, haz clic en el enlace de abajo y selecciona «Usar
plantilla».
Enlace a la plantilla de registro de aprendizaje: Piensa en los datos de la vida cotidiana
O
Si no tienes una cuenta de Google, puedes descargar la plantilla directamente desde el siguiente archivo adjunto.
DAC1M1L1R2ATTACHMENT_SPA
DOCX File
Aprendiendo Registro: piense en los datos en la vida diaria

Instrucciones
Puedes usar Este documento como plantilla para la actividad de registro de aprendizaje: Piensa en los datos de la vida diaria.
Escriba sus respuestas en este documento y guárdelo en su computadora o Google Drive.
ENLe recomendamos que guarde cada registro de aprendizaje en una carpeta e incluya una fecha en el nombre del archivo para
ayudarlo.mantente organizado. Ya se incluye información importante como el número del curso, el título y el nombre de la
actividad. Después de terminar la entrada del registro de aprendizaje, puede Vuelva y vuelva a leer sus respuestas más tarde para
comprender cómo sus opiniones sobre diferentes temas pueden haber cambiado a lo largo de los cursos.
Para revisar instrucciones detalladas sobre cómo completar esta actividad, regrese a Coursera:Registro de aprendizaje: piense en
los datos en la vida diaria.
Fecha: <ingrese Curso/tema:Curso 1: Fundamentos: datos, datos en todas partes

la fecha>
Registro de aprendizaje:Piense en los datos en la vida diaria
Datos Cree una lista de al menos cinco preguntas:

cotidianos
1. ¿Cuál es el mejor momento para ir a caminar a la rambla?

2. ¿Cómo varía la duración de su viaje a la facultad según el día de la semana?
3. ¿Cuántas tazas de café bebes cada día?
4. ¿Cuántas horas usa las redes sociales?
5. ¿Cuántas horas duermes cada día?
Ahora, seleccione una de las cinco preguntas de su lista para explorar.

Pregunta seleccionada:¿Cuál es el mejor momento para ir al gimnasio?
Reflexión: Escribe 2-3 oraciones (40-60 palabras) en respuesta a cada una de las preguntas siguientes.
Preguntas y
respuestas:
 ¿Cuáles son algunas consideraciones o preferencias que desea tener en cuenta al tomar una
decisión?
¿Quiero tomar un camino derecho o hacer caminos distintos? ¿Soy alguien a quien le gusta hacer
ejercicio temprano, al mediodía o más tarde? ¿Llevar a mi perra Amancia conmigo? ¿En que
lugar detenerme a estirar, hacer abdominales, etc?
 ¿A qué tipo de información o datos tiene acceso que influirán en su decisión?

Me gustaría saber a qué horas está más concurridas las calles de montevideo y cuándo está más
tranquilo. También me gustaría saber si quemo menos calorias caminando con Amancia o sola. Si
el lugar donde voy a parar a estirar es seguro, ¿a qué horas del día tendría más seguridad yendo
sola?
 ¿Hay otras cosas que quizás desee rastrear asociadas con esta decisión?
¿Qué otros aspectos de mi día podrían afectar mi capacidad para salir a caminar? Por ejemplo,
si me gusta salir después de estudiar, pero con frecuencia tengo que seguir estudiando más tarde
durante el día y se retrasan, ¿qué impacto tendrá esto? ¿Tendré que traer mi ropa de gimnasia y
cambiarme? ¿cuanto tiempo me llevará hacer el recorrido y bañarme? ¿Tendré suficiente tiempo
para hacerlo si voy antes de mis clases de ingles?
Reflexión
Después de considerar cómo utilizas el análisis de datos en tu propia vida, tómate un momento para reflexionar sobre lo
que descubriste. Las reflexiones pueden incluir lo que te gustó, lo que cambiarías y las preguntas que se plantearon. En
tu nueva entrada de registro de aprendizaje, escribirás 2 o 3 frases (40-60 palabras) en respuesta a cada pregunta que
aparece a continuación:
 ¿Cuáles son algunas consideraciones o preferencias que querrás tener en cuenta al tomar una decisión?
 ¿A qué tipo de información o datos tienes acceso que influirán en tu decisión?
 ¿Hay alguna otra cosa que quieras rastrear asociada a esta decisión?
Cuando hayas terminado la entrada en la plantilla de registro de aprendizaje, asegúrate de guardar el documento para
que se pueda acceder a tu respuesta en algún lugar. Esto te ayudará a seguir aplicando el análisis de datos a tu vida
cotidiana. También podrás realizar un seguimiento de tu avance y crecimiento como analista de datos.
Marcar como completo
Me gusta
No me gusta
Informar de un problema
VIDEO:
«Datos. Datos. Datos. No puedo hacer ladrillos sin arcilla. La persona que dijo esto vivió mucho antes de que nacieran las
empresas de tecnología. Lo dijo Sherlock Holmes, el famoso detective creado por Sir Arthur Conan Doyle. Lo que Doyle
quiso decir es que Holmes no podría haber llegado a ninguna conclusión, que serían los ladrillos que menciona, sin datos,
es decir, arcilla. Al iniciar este programa, has demostrado que tú y Sherlock Holmes tienen algo en común: ambos tienen
interés en aprender más. Es una de las cualidades más importantes que los analistas de datos pueden tener. Ahora, hay un
montón de formas diferentes de explorar los datos, pero una de las grandes cosas acerca del análisis de datos es que a
menudo puedes aprender como quieras, cuando quieras. Eso puede significar hacer tu propia investigación, hablar con
gente de la industria o hacer cursos en línea. Dicho esto, bienvenido al primer curso.
Esta es una introducción al maravilloso mundo del análisis computacional de datos. Dado que el análisis computacional de
datos es la ciencia de los datos, usarás este curso para empezar a aprender todo sobre los datos. Los datos son
básicamente una recopilación de hechos o información y, mediante el análisis, aprenderás a usarlos para sacar
conclusiones, hacer predicciones y tomar decisiones. Personalmente, no ahondé en el campo del análisis computacional
de datos. Pensé que el análisis de datos era para ingenieros informáticos. En cambio, empecé a soñar con trabajar en
finanzas. Una vez hice una pasantía, y me di cuenta de que no era el camino profesional que quería tomar. Empecé a
interiorizarme en la planificación y el análisis financiero, y en todo el trabajo que los analistas financieros hacían con los
datos. Me di cuenta de que los analistas financieros son realmente analistas de datos que trabajan en un departamento de
finanzas. Estos analistas ayudan a guiar las decisiones empresariales al saber cómo usar los datos. Fue entonces que me di
cuenta de cuán potentes son los datos, y empecé a usarlos. Pronto, me di cuenta de que podía hacer este análisis de datos
yo mismo. El análisis computacional de datos es un gran mundo lleno de oportunidades. Hay tantas áreas en las que las
habilidades de análisis pueden aplicarse y todas de formas diferentes. Si eres nuevo en este mundo, aprenderás a
identificar qué camino e industria podría adaptarse mejor a tus habilidades, y a tus intereses. Para aquellos que ya tienen
algo de experiencia, te ayudaremos a abrir puertas a nuevas y emocionantes oportunidades. Una de las habilidades que
adquirirás del programa es cómo seguir las mejores prácticas que los analistas usan para ayudar a tomar decisiones
basadas en datos. Las computadoras son una parte del proceso, pero los analistas son esenciales para tomar decisiones. Es
por eso que aprender cómo pensar analíticamente, y usar tus otras habilidades y rasgos en el trabajo hará tu trabajo más
fácil. Sé que ya sabes cómo tomar buenas decisiones; decidiste estar aquí después de todo. En este primer curso,
aprenderás más acerca de cada fase del proceso de análisis de datos. Pregunta, prepárate, procesa, analiza, comparte y
actúa. Como analista de datos, seguirás estos pasos a medida que uses los datos para informar tus decisiones.
Eventualmente, verás cómo este programa en sí es, en cierto modo, su propia versión de este proceso. Si bien sé que
disfrutarás viendo estos videos, tu recorrido por el primer curso incluirá mucho más. Otros videos vendrán en forma de
viñetas, donde aprenderás de los profesionales de análisis de datos que ya están afianzados en sus carreras. Ofrecerán
palabras de sabiduría, así como historias de su propia experiencia de cuando comenzaron en su trayectoria profesional.
Comenzarás tu propio diario de datos que te ayudará a hacer un seguimiento de lo que hayas aprendido durante todo el
curso. También añadirás tus propios pensamientos sobre lo que aprendas durante el programa. Leerás sobre cómo navegar
por este programa en el mundo del análisis computacional de datos. Completarás actividades, incluidas algunas que te
ayudarán a adentrarte en la mentalidad de un analista de datos. En el camino, tendrás la oportunidad de conectarte con
tus compañeros de aprendizaje. Las indicaciones de debate te darán la oportunidad de compartir tus pensamientos, y al
mismo tiempo averiguar lo que piensan tus compañeros de todo lo que estás aprendiendo. Estas indicaciones te ayudarán
a crear un sistema de apoyo comunitario para usar en todo el programa. Basta de hablar: demos comienzo a este
apasionante camino. Tu próximo paso te espera.
--
Obtención del certificado de Google Data Analytics

Después de completar los ocho cursos, calificarás para obtener el certificado de Google Data Analytics.
Para recibir el certificado, debes cumplir los siguientes requisitos:
 Aprobar todas las tareas obligatorias o alcanzar el umbral de aprobación del curso. Cada tarea con calificación
cuenta para el puntaje acumulado, y cada certificado de Google Data Analytics se aprueba con un 80%.
Y
 Abona la cuota para realizar el certificado, o solicita una beca de Coursera.

Puedes revisar los videos, las lecturas, los foros de debate, las preguntas en los videos y los cuestionarios de práctica
del programa de forma gratuita. Sin embargo, no tendrás acceso a las tareas con calificación. Si decides seguir
adelante y obtener tu certificado, tendrás que actualizar al programa de certificados, desbloquear las evaluaciones con
calificación y finalizar esos pasos.
Hábitos útiles para completar correctamente el certificado
Como estudiante, estás participando de este programa con todas tus experiencias anteriores y mejores prácticas de
aprendizaje. Los diseñadores de este curso también han creado una lista de hábitos útiles que pueden contribuir a que
logres tu objetivo.
1. Planifica tu tiempo: si programas momentos de estudio regulares y los respetas cada semana, el aprendizaje
formará parte de tu rutina. Utiliza un calendario para crear un cronograma. Enumera lo que planeas hacer cada
día para dividir tu trabajo en objetivos alcanzables. Es importante que elijas un lugar tranquilo para ver los
videos, consultar el material de lectura y realizar las actividades. Así, podrás concentrarte en el material.
2. Aprende en orden: recomendamos tomar estos cursos, y los elementos de cada lección, en el orden en que
aparecen, ya que la información y los conceptos nuevos se basan en los anteriores. Si sigues el orden, te
sentirás cómodo con las ideas y con la práctica y podrás ampliarlas.
3. Sé curioso: si encuentras una idea que te entusiasma, ¡aprovéchala! Haz preguntas, busca más detalles en
línea, consulta los enlaces que te interesan y toma notas sobre tus descubrimientos. Las pequeñas cosas que
hagas para nutrir tu aprendizaje a lo largo del proceso potenciarán tus conocimientos, te abrirán más puertas
en este nuevo campo de gran crecimiento y te ayudarán a tener las cualificaciones necesarias para buscar todo
tipo de empleo.
4. Toma notas: las notas son útiles a la hora de investigar aquello que te da curiosidad. Esto resulta
especialmente útil cuando una tarea parece importante y crees que podría ser de utilidad más adelante. O, a
veces, es posible que te encuentres con un tema que quieras explorar con más detalle. Tomar notas puede
ayudarte a hacer un seguimiento de lo aprendido. Por último, tomar notas es una forma eficaz de relacionar
los temas entre sí y comprenderlos mejor. Usa las notas para crear tu propio diario de análisis computacional
de datos: un lugar donde puedas capturar ideas, información y cualquier pregunta que puedas tener.
Probablemente quieras mantener tus notas juntas en un solo lugar, ya sea en un diario físico o en un
documento en tu computadora. Esto facilitará la organización. Siéntete libre de consultar tu diario a medida
que avanzas en el programa, durante la búsqueda de empleo e incluso cuando te asientes en tu nuevo rol como
analista de datos.
5. Conversa (responsablemente) con otros alumnos: Si tienes alguna pregunta, lo más probable es que no seas
el único. No dudes en ir al foro de debate para comunicarte con otros alumnos y pedir ayuda. También puedes
visitar la comunidad global en línea de Coursera. Encontrarás otras cosas importantes que debes saber sobre
cómo interactuar con los demás en el Código de honor y en el Código de conducta de Coursera.
TRANSFORMACIÓN DE DATOS EN
CONOCIMIENTO:
Video:
¡Bienvenido nuevamente! A esta altura, ya te han presentado al mundo del análisis computacional de datos y lo que hacen los
analistas de datos. También has aprendido cómo este curso te preparará para una carrera exitosa como analista. En el futuro,
aprenderás todas las formas en que se pueden usar los datos, y descubrirás por qué hay una demanda tan alta de analistas de
datos. No estoy exagerando cuando digo que cada objetivo y éxito que mi equipo y yo hemos conseguido no se podría haber
logrado sin datos. Aquí, en Google, todos nuestros productos se basan en datos y en la toma de decisiones basada en datos.
Desde el concepto hasta el desarrollo y el lanzamiento, usamos datos para averiguar el mejor camino a seguir. Y no estamos
solos. También hay innumerables organizaciones que ven el increíble valor de los datos y, por supuesto, los analistas de datos
que las ayudan a usarlos. Así que sabemos que los datos abren muchas oportunidades. Pero para ayudarte a entender todas
las formas en que puedes usar los datos, repasemos unos cuantos ejemplos de la vida cotidiana. Puede que no te des cuenta,
pero las personas analizan datos todo el tiempo. Por ejemplo, soy una persona matutina. Hace mucho tiempo, me di cuenta de
que soy más feliz y más productivo si me acuesto temprano y me despierto temprano. Llegué a esta conclusión después de
notar un patrón en mis experiencias cotidianas. Cuando duermo siete horas y me despierto a las 6:30, me va mejor. Así que
pensé en la relación entre este patrón y mi vida cotidiana, y predije que acostarme temprano y levantarme temprano es lo
mejor para mí. Y sin duda mi mejor versión es cuando me despierto a primera hora. Apuesto a que has identificado patrones y
relaciones en tu vida, también. Quizás sobre tu propio ciclo de sueño o cómo te sientes después de comer ciertos alimentos, o
a qué hora del día te gusta hacer ejercicio. Todos estos son excelentes ejemplos de patrones y relaciones de la vida real que
puedes usar para hacer predicciones sobre las acciones correctas a tomar, y tienen mucho que ver con el análisis de datos.
Ahora, vamos a poner este proceso en un contexto empresarial. Es posible que recuerdes de un video anterior que hay un
montón de datos en ese ámbito. Y cada minuto de cada hora de cada día se crean más datos. Las empresas necesitan una
forma de controlar todos esos datos para usarlos a fin de mejorar los procesos, identificar oportunidades y tendencias, lanzar
nuevos productos, servir a los clientes, y tomar decisiones bien pensadas. A fin de que las empresas estén a la altura para
competir, tienen que estar al día con sus datos. Es por eso que estas empresas contratan analistas para controlar las oleadas de
datos que recopilan todos los días, les den sentido y luego saquen conclusiones o hagan predicciones. Este es el proceso de
convertir datos en ideas, y así es como los analistas ayudan a las empresas a hacer buen uso de todos sus datos. En realidad,
esta es una buena forma de pensar en el análisis: convertir los datos en ideas. Como recordatorio, la definición más detallada
que aprendiste antes es que el análisis de datos es la recopilación, transformación, y organización de los datos para sacar
conclusiones, hacer predicciones e impulsar una toma de decisiones informada. Así que, después de que los analistas generan
ideas a partir de los datos, ¿qué sucede? Bueno, mucho. Esas ideas se comparten con otros, se toman decisiones y las
empresas toman medidas. Y aquí es donde se pone muy emocionante. El análisis computacional de datos puede ayudar a las
organizaciones a repensar por completo lo que hacen o dirigirlas hacia una dirección totalmente nueva. Por ejemplo, tal vez los
datos las lleven a un nuevo producto o a un servicio único, o tal vez las ayuden a encontrar una nueva forma de ofrecer una
experiencia de cliente increíble. Son este tipo de momentos en los que puedes ayudar a las empresas a alcanzar otro nivel, y
eso hace que los analistas de datos sean vitales para cualquier negocio. Ahora que sabes más acerca de las increíbles formas en
que se usan los datos todos los días, puedes ver por qué hay una demanda tan alta de analistas de datos. Seguiremos
analizando cómo los analistas pueden transformar los datos en ideas que conduzcan a la acción. Y antes de que te des cuenta,
estarás listo para ayudar a cualquier organización a encontrar nuevas y emocionantes formas de transformar sus datos.
Caso práctico: Nuevas perspectivas de datos

Tal y como has aprendido, puedes encontrar datos prácticamente en todas partes. Cada vez que observas y evalúas
algo en el mundo, recopilas y analizas datos. El análisis te ayuda a encontrar formas más fáciles de hacer las cosas,
identificar patrones para ahorrar tiempo y descubrir nuevas perspectivas sorprendentes que pueden cambiar por
completo la forma en que experimentas las cosas.
Este es un ejemplo real de cómo un grupo de analistas de datos utilizó los seis pasos del proceso de análisis de datos
para mejorar su lugar de trabajo y sus procesos empresariales. Su historia incluye lo que se denomina «análisis de
personas», también conocido como «análisis de recursos humanos» o «análisis de la fuerza laboral». El análisis de
personas es la práctica de recopilar y analizar datos sobre las personas que conforman la fuerza laboral de una empresa
con el fin de obtener información para mejorar su funcionamiento.
Ser analista de personas implica utilizar el análisis de datos para obtener información sobre los empleados y cómo viven
su vida laboral. El conocimiento se utiliza para definir y crear un lugar de trabajo más productivo y empoderador. Esto
puede liberar el potencial de los empleados, motivar a las personas a rendir al máximo y garantizar una cultura
empresarial justa e inclusiva.
Los seis pasos del proceso de análisis de datos que has estado aprendiendo en este programa son: preguntar, preparar,
procesar, analizar, compartir y actuar. Estos seis pasos se aplican a cualquier análisis de datos. Continúa leyendo para
ver cómo un equipo de analistas de personas utilizó estos seis pasos para responder a una pregunta de negocios.
Una organización estaba teniendo una alta tasa de rotación entre los nuevos empleados. Muchos empleados
abandonaron la empresa antes del final de su primer año de trabajo. Los analistas utilizaron el proceso de análisis de
datos para responder la siguiente pregunta: ¿cómo puede la organización mejorar la tasa de retención de los nuevos
empleados?
He aquí un desglose de lo que hizo este equipo, paso a paso.
1. PREGUNTAR:
En primer lugar, los analistas necesitaban definir cómo sería el proyecto y qué calificaría como resultado exitoso. Por lo
tanto, para determinar estos elementos, hicieron preguntas efectivas y colaboraron con líderes y gerentes interesados en
el resultado del análisis de personas. Estos fueron los tipos de preguntas que hicieron:
 ¿Qué crees que necesitan aprender los nuevos empleados para tener éxito en su primer año de trabajo?
 ¿Has recopilado datos de nuevos empleados antes? Si es así, ¿podemos tener acceso a los datos históricos?
 ¿Crees que los gerentes con tasas de retención más altas ofrecen a los nuevos empleados algo adicional o
único?
 ¿Cuál sospechas que es una de las principales causas de insatisfacción entre los nuevos empleados?
 ¿En qué porcentaje te gustaría que aumente la retención de empleados en el próximo ejercicio económico?
2. PREPARAR
Todo comenzó con una preparación sólida. El grupo creó un cronograma de tres meses y decidió cómo quería transmitir
su avance a las partes interesadas. También durante este paso, los analistas identificaron qué datos necesitaban para
lograr el resultado exitoso que identificaron en el paso anterior; en este caso, los analistas optaron por recopilar los datos
de una encuesta en línea de nuevos empleados. Desarrollaron preguntas específicas para hacer acerca de la
satisfacción de los empleados con los diferentes procesos empresariales, como la contratación y la incorporación, y su
compensación general. Se establecieron reglas respecto de quién tendría acceso a los datos recopilados; en este caso,
las personas ajenas al grupo no tenían acceso a los datos brutos, sino que solo podían ver datos resumidos o
combinados. Por ejemplo, la compensación de una persona no estaría disponible, pero podrían verse los rangos
salariales para grupos de personas. Para finalizar, determinaron qué información específica se recopilaría y la mejor
manera de presentar los datos visualmente. Los analistas evaluaron los posibles problemas relacionados con el proyecto
y los datos, y cómo evitarlos.
PROCESAR
El grupo envió la encuesta. Los grandes analistas saben cómo respetar tanto sus datos como a las personas que los
proporcionan. Dado que los empleados proporcionaron los datos, era importante asegurarse de que todos dieran su
consentimiento para participar. Los analistas de datos también se aseguraron de que los empleados entendieran cómo
se recopilarían, almacenarían, gestionarían y protegerían sus datos. Con el fin de mantener la confidencialidad y proteger y
almacenar los datos de forma efectiva, el acceso se otorgó a un número limitado de analistas. La recopilación y el uso
ético de los datos es una de las responsabilidades que tiene un analista de datos. Luego, se limpiaron los datos para
garantizar que estuvieran completos, y fueran correctos y pertinentes. Algunos datos se agregaron y resumieron sin
revelar las respuestas individuales. Los datos sin procesar se cargaron en un almacén de datos interno para obtener una
capa de seguridad adicional.
ANALIZAR
Luego, los analistas hicieron lo que mejor saben hacer: ¡analizar! A partir de las encuestas completadas, los analistas de
datos descubrieron que la experiencia de un nuevo empleado con determinados procesos es un indicador clave de la
satisfacción laboral general. Los analistas descubrieron que los empleados que experimentaron un largo y complicado
proceso de contratación tenían más probabilidades de abandonar la empresa. Es más probable que los empleados que
hayan experimentado un proceso de evaluación con comentarios eficientes y transparentes permanezcan en la empresa.
El grupo sabía que era importante documentar exactamente lo que se había encontrado en el análisis, sin importar los
resultados. Hacer lo contrario disminuiría la confianza en el proceso de la encuesta y reduciría su capacidad para
recopilar datos veraces de los empleados en el futuro.
COMPARTIR
Así como se aseguraron de que los datos estuvieran bien protegidos, los analistas también compartieron cuidadosamente
el informe. Solo los gerentes que cumplieron o superaron el número mínimo de colaboradores directos con respuestas a
la encuesta eran elegibles para recibir el informe. El grupo presentó por primera vez los resultados a los gerentes
elegibles para asegurarse de que tuvieran el panorama completo. Luego, les pidieron que entregaran los resultados a
sus equipos. Esto dio a los gerentes la oportunidad de comunicar los resultados con el contexto correcto. Como resultado,
podrían tener conversaciones de equipo productivas sobre los próximos pasos para mejorar la participación de los
empleados.
ACTUAR
La última etapa del proceso para el equipo de analistas fue trabajar con los líderes de su empresa y decidir cuál era la
mejor manera de implementar los cambios y tomar medidas basadas en los hallazgos. Los analistas recomendaron
estandarizar el proceso de contratación y evaluación de todos los nuevos empleados y basarse en las prácticas más
eficientes y transparentes. Un año después, se distribuyó la misma encuesta a los empleados. Los analistas anticiparon
que una comparación entre los dos conjuntos de resultados indicaría que el plan de acción funcionó. Resulta que los
cambios mejoraron la tasa de retención de los nuevos empleados y las acciones tomadas por los líderes fueron exitosas.
¿El análisis de personas es adecuado para ti?

Una de las muchas cosas que hacen que el análisis computacional de datos sea tan emocionante es que los problemas
siempre son diferentes, las soluciones necesitan creatividad y el impacto en otros puede ser grande, incluso puede
cambiar o salvar vidas. Como analista de datos, puedes formar parte de estos esfuerzos. Tal vez incluso te inspires para
obtener más información sobre el campo del análisis de personas. Si es así, considera obtener más información sobre
este campo y agregar la investigación a tu diario de análisis de datos. Nunca se sabe: un día, en un futuro cercano, quizá
estés ayudando a una empresa a crear un entorno de trabajo increíble para ti y tus colegas.
Recurso adicional
Para obtener más información sobre algunas aplicaciones recientes del análisis computacional de datos en el mundo
empresarial, consulta el artículo “4 Examples of Business Analytics in Action” (Cuatro ejemplos de análisis de negocios
en acción) de Harvard Business School. En este artículo, se revela cómo las empresas utilizan los conocimientos de
datos para optimizar su proceso de toma de decisiones. Ten en cuenta que el primer ejemplo del artículo contiene un
error menor en el segundo párrafo, pero el ejemplo sigue siendo válido.
Corrección del artículo en negrita a continuación: El equipo de Workplace Analytics de Microsoft planteó la hipótesis de
que mover el grupo de 1,200 personas de cinco edificios a cuatro podría mejorar la colaboración al aumentar el número
de empleados por edificio y reducir la distancia que el personal necesitaba viajar para reuniones.
Registro de aprendizaje: considerar cómo

abordan las tareas los analistas de datos
Anteriormente aprendiste cómo los analistas de datos de una organización utilizaban los datos para mejorar la retención
de empleados. Ahora, completarás una entrada en tu registro de aprendizaje para hacer un seguimiento de tus ideas y
reflexiones sobre el proceso de estos analistas de datos y cómo abordaron este problema. Cuando completes la
actividad, comprenderás mejor cómo se pueden utilizar las seis fases del proceso de análisis de datos para desglosar
tareas y abordar grandes preguntas. Esto te ayudará a aplicar los pasos a futuras tareas de análisis y empezar a abordar
preguntas importantes tú mismo.
Revisa las seis fases del análisis de datos
Antes de escribir la entrada en el registro de aprendizaje, reflexiona sobre el caso práctico anterior. Los analistas de
datos querían utilizar los datos para mejorar la retención de los empleados. Para ello, tuvieron que dividir este proyecto
más amplio en tareas manejables. Los analistas organizaron esas tareas y actividades en torno a las seis fases del
proceso de análisis de datos:
1. Preguntar
2. Preparar
3. Procesar
4. Analizar
5. Compartir
6. Actuar
Los analistas hicieron preguntas para definir tanto el problema a resolver como lo que equivaldría a un resultado exitoso.
Luego, se prepararon y crearon un cronograma y recopilaron datos de encuestas a los empleados diseñadas para ser
inclusivas. Procesaron los datos. Para ello, los limpiaron y se aseguraron de que estuvieran completos, correctos,
pertinentes y sin errores ni valores atípicos. Analizaron los datos limpios de las encuestas hechas a los empleados.
Luego, los analistas compartieron sus hallazgos y recomendaciones con los líderes del equipo. Posteriormente, los
líderes actuaron en función de los resultados y se centraron en mejorar las áreas clave.

Para utilizar la plantilla de este elemento del curso, haz clic en el enlace de abajo y selecciona «Usar plantilla».
Enlace a la plantilla de registro de aprendizaje: Considerar cómo abordan las tareas los analistas de datos
O
DOCX File
Registro de aprendizaje: Considerar cómo abordan las tareas los

analistas de datos
Instrucciones
Puedes usar este documento como plantilla para la actividad del registro de aprendizaje: Considerar cómo abordan las tareas
los analistas de datos. Escriba tus respuestas en este documento y guárdalo en tu computadora o en Google Drive.
Te recomendamos que guardes todos los registros de aprendizaje en una carpeta y que incluyas una fecha en el nombre del
archivo para ayudarte a mantenerte organizado. La información importante, como el número de curso, el título, y el nombre de
la actividad que ya está incluido. Una vez que hayas terminado el registro de aprendizaje, puedes volver a leer tus respuestas
más adelante para entender cómo han cambiado tus opiniones sobre diferentes temas a lo largo de los cursos.
Para revisar las instrucciones detalladas sobre cómo completar esta actividad, regresa a Coursera: Registro de aprendizaje:
Considerar cómo abordan las tareas los analistas de datos.
Fecha: 11/10/23 Curso/tema: Curso 1: Aspectos básicos: Datos, datos en todas partes
Registro de aprendizaje: Considerar cómo abordan las tareas los analistas de datos
Revisa las 6 fases Considera cómo los analistas de datos de Google usaron el proceso de análisis de datos
del análisis de para desglosar tu proyecto de análisis:
datos
Los analistas hicieron preguntas para definir tanto el problema a resolver como lo que
equivaldría a un resultado exitoso.
A continuación, se prepararon al elaborar un cronograma y recopilar datos con encuestas

a los empleados, que deben ser inclusivas.
Procesaron los datos. Para ello, los limpiaron y se aseguraron de que estuvieran
completos, correctos, pertinentes y sin errores ni valores atípicos.
Analizaron los datos limpios de las encuestas hechas a los empleados. Luego, los analistas
compartieron sus conclusiones y recomendaciones con los líderes de equipos.
Posteriormente, los líderes actuaron en función de los resultados y se centraron en
mejorar las áreas clave.
Reflexión: Escribe 2 o 3 oraciones (de 40 a 60 palabras) en respuesta a cada una de las siguientes
preguntas.
Preguntas y
respuestas:
● ¿Los detalles del caso práctico ayudaron a cambiar tu forma de pensar sobre el
análisis de datos? ¿Por qué o por qué no?
Si, ya que al seguir estos pasos mejora la organización y lleva a buenos
resultados.
● ¿Te sorprendió la forma en que los analistas de datos abordaron su tarea?

No, es similar a lo que aplicábamos en un curso de facultad llamado introducción
a la metodología.
● ¿Qué más te gustaría saber sobre el análisis de datos?

Me gustaría saber la parte práctica, estudiar un caso concreto y utilizar el
software para analizar.
Reflexión
En tu plantilla de registro de aprendizaje, escribe 2 o 3 frases (40-60 palabras) de reflexión sobre lo que has aprendido
del caso práctico y responde a cada una de las siguientes preguntas:
 ¿Los detalles del caso práctico ayudaron a cambiar tu forma de pensar sobre el análisis de datos? ¿Por qué o
por qué no?
 ¿Te sorprendió la forma en que los analistas de datos abordaron su tarea?
 ¿Qué más te gustaría saber sobre el análisis de datos?
cotidiana. También podrás realizar un seguimiento de tu avance y crecimiento como analista de datos
VIDEO:
Hola. Soy Cassie, y dirijo el sector de Inteligencia de decisiones de Google Cloud. La inteligencia de decisiones es una
combinación de ciencia de datos aplicada y ciencias sociales y gerenciales. Se trata de aprovechar el poder y la belleza de los
datos. Ayudo a Google Cloud y a sus clientes a que sus datos tengan impacto y a que sus negocios y el mundo sean mejores. Un
analista de datos es un explorador, un detective y un artista, todo en uno. El análisis es la búsqueda de inspiración. No sabes
qué va a inspirarte antes de explorar, antes de echar un vistazo. Cuando empiezas, no tienes idea de qué vas a encontrar y si
incluso vas a encontrar algo. Tienes que sumergirte valientemente en lo desconocido y descubrir lo que hay en tus datos. Existe
un mito generalizado de que alguien que trabaja en datos debería saber todo sobre ellos. Creo que eso es poco útil porque el
universo de los datos se ha expandido. Se ha expandido tanto, que la especialización se vuelve importante. Es muy, muy difícil
para una persona conocer y dominarlo todo en materia de datos. Es por eso que necesitamos estas diferentes funciones. El
consejo que doy a quienes están empezando es que elijan una especialización en función del gusto, del tipo de impacto que
mejor se adapta a su personalidad. Ahora, la ciencia de datos, la disciplina de hacer útiles los datos, es un término general que
abarca tres disciplinas: aprendizaje automático, estadísticas y análisis. Estas están separadas por cuántas decisiones sabes que
quieres tomar antes de empezar con ellas. Si quieres tomar unas cuantas decisiones importantes con incertidumbre, eso es
estadística. Si quieres automatizar, en otras palabras, tomar muchas, muchas, muchas decisiones con incertidumbre, eso es
aprendizaje automático e IA. Pero ¿qué sucede si no sabes cuántas decisiones quieres tomar antes de empezar? ¿Qué pasa si
lo que estás buscando es inspiración? Quieres encontrar tus incógnitas desconocidas. Quieres entender tu mundo. Eso es
análisis. Cuando consideras la ciencia de datos y eliges en qué área especializarte, recomiendo aceptar tu personalidad. ¿Cuál
de las tres excelencias en ciencia de datos parecería ajustarse mejor a ti? La excelencia de la estadística es exactitud. Los
estadísticos son esencialmente filósofos, epistemólogos. Son muy, muy cuidadosos en proteger a los responsables de la toma
de decisiones para que no lleguen a una conclusión equivocada. Si ese cuidado y rigor es lo que te apasiona, recomiendo la
estadística. El rendimiento es la excelencia del aprendizaje automático y el ingeniero de IA. Sabes que es lo tuyo cuando
alguien te dice «Apuesto a que no podías construir un sistema de automatización que lleve a cabo esta tarea con un 99,99999
por ciento de precisión» y tu respuesta es «Mírame». ¿Qué hay de los análisis? La excelencia de un analista es la velocidad.
¿Qué tan rápido puedes ahondar en grandes cantidades de datos y explorarlos y descubrir algo interesante, el hermoso
potencial de la información que vale la pena conocer y llevar a los responsables de la toma de decisiones? ¿Te emociona la
ambigüedad de la exploración? ¿Te entusiasma la idea de trabajar con muchas cosas diferentes, observar un montón de
fuentes de datos diferentes y pensar en vastas cantidades de información, y a la vez prometer no pasar por alto información
que pueda ser importante? ¿Te parece bien que te digan «Aquí hay muchos datos. Nadie los ha mirado antes. Ve a buscar algo
interesante»? ¿Prosperas en proyectos abiertos y creativos? Si es así, entonces los análisis sean probablemente la mejor opción
para ti. Un consejo que tengo para los analistas que recién empiezan es que quizá sea bastante aterrador explorar lo
desconocido. Pero sugiero que dejes ir un poco cualquier tentación hacia el perfeccionismo y, en cambio, te diviertas y
disfrutes de la exploración. No te preocupes por las respuestas correctas. Ve lo rápido que puedes desenvolver este regalo y
averigua si hay algo divertido. Es como tu cumpleaños, desenvuelves un montón de cosas. Algunas de ellas te gustan. Otras no.
Pero ¿no es divertido averiguar qué hay?
COMPRENDER EL ECOSISTEMA DE DATOS:

VIDEO: QUÉ ES EL ECOSISTEMA DE DATOS?
Ya has aprendido acerca de la función de un analista de datos y cómo este programa te ayudará a prepararte para tu futura
carrera. Ahora, es momento de explorar el ecosistema de datos, descubrir dónde encaja el análisis computacional de datos en
ese sistema, y repasar algunas ideas erróneas que podrías encontrar en el campo del análisis computacional de datos. En pocas
palabras, un ecosistema es un grupo de elementos que interactúan uno con el otro. Los ecosistemas pueden ser grandes, como
la jungla en una selva tropical o el desierto australiano. O diminutos, como renacuajos en un charco, o bacterias en la piel. Y, al
igual que los canguros y osos koala en el desierto australiano, los datos también viven dentro de su propio ecosistema. Los
ecosistemas de datos se componen de varios elementos que interactúan entre sí para producir, gestionar, almacenar, organizar,
analizar y compartir datos. Estos elementos incluyen hardware y herramientas de software y las personas que los usan.
Personas como tú. Los datos también se pueden encontrar en algo llamado nube. La nube es un lugar para mantener los datos
en línea, en lugar de en el disco duro de una computadora. Así que en lugar de almacenar datos en algún lugar dentro de la red
de tu organización, a los datos se accede a través de Internet. La nube es solo un término que usamos para describir la
ubicación virtual. La nube desempeña un papel importante en el ecosistema de datos y, como analista de datos, es tu trabajo
aprovechar el poder de este ecosistema, buscar la información correcta, y proporcionar análisis al equipo que los ayude a
tomar decisiones inteligentes. Por ejemplo, podrías aprovechar la base de datos de tu tienda minorista, que es un ecosistema
de nombres de clientes, direcciones, compras anteriores y opiniones de clientes. Como analista de datos, podrías usar esta
información para predecir lo que estos clientes comprarán en el futuro, y asegurarte de que la tienda tenga los productos y
existencias cuando se necesiten. Como otro ejemplo, pensemos en el ecosistema de un departamento de recursos humanos.
Este ecosistema incluiría información como publicaciones de sitios web de trabajo, estadísticas sobre el mercado laboral actual,
tasas de empleo y datos en las redes sobre los posibles empleados. Un analista de datos podría usar esta información para
ayudar a su equipo a contratar nuevos trabajadores y mejorar el compromiso de los empleados y las tasas de retención. Pero
los ecosistemas de datos no son solo para tiendas y oficinas. También funcionan en granjas. Las empresas agrícolas
regularmente usan ecosistemas de datos que incluyen información tal como los patrones geológicos en los movimientos
climáticos. Los analistas de datos pueden usar estos datos para ayudar a los agricultores a predecir el rendimiento de los
cultivos. Algunos analistas de datos incluso usan ecosistemas de datos para proteger los ecosistemas ambientales reales. En
Scripps Institution of Oceanography, los arrecifes de coral de todas partes del mundo se supervisan digitalmente, por lo que
puedes ver cómo cambian los organismos con el tiempo, realizar un seguimiento de su crecimiento y medir cualquier aumento
o disminución en las colonias individuales. Las posibilidades son infinitas. Ahora vamos a hablar de algunas ideas erróneas
frecuentes que podrías encontrar. En primer lugar, es la diferencia entre científicos de datos y analistas de datos. Es fácil
confundirlos, pero lo que hacen en realidad es muy diferente. La ciencia de datos se define como crear nuevas formas de
modelar y entender lo desconocido mediante el uso de datos sin procesar. He aquí una buena forma de pensarlo. Los
científicos de datos crean nuevas preguntas con los datos, mientras que los analistas encuentran respuestas a las preguntas
existentes y crean información a partir de las fuentes de datos. También hay muchas palabras y frases que escucharás a lo largo
de este curso, que son fáciles de confundir. Por ejemplo, análisis de datos y análisis computacional de datos suenan igual, pero
en realidad son muy diferentes. Comencemos con el análisis de datos. Ya has aprendido que el análisis de datos es la
recopilación, transformación y organización de los datos para sacar conclusiones, hacer predicciones e impulsar una toma de
decisiones informada. El análisis computacional de datos, en los términos más sencillos, es la ciencia de los datos. Es un
concepto muy amplio que abarca todo, desde el trabajo de gestión y el uso de los datos hasta las herramientas y los métodos
que los trabajadores de datos usan todos los días. Así que, cuando pienses en datos, análisis de datos y el ecosistema de datos,
es importante entender que todo esto encaja en la definición de análisis computacional de datos. Muy bien, ahora que sabes
un poco más sobre el ecosistema de datos y las diferencias entre el análisis de datos y el análisis computacional de datos, estás
listo para analizar cómo se usan los datos a fin de tomar decisiones eficaces. Podrás ver la toma de decisiones basada en datos
en acción.
VIDEO: Cómo los datos informan mejores decisiones

Hasta ahora, has descubierto que hay muchas formas diferentes de usar los datos. En nuestra vida cotidiana, usamos datos
cuando monitoreamos nuestra actividad física o leemos reseñas de productos para tomar una decisión de compra. Y, en los
negocios, usamos datos para obtener más información sobre nuestros clientes, optimizar los procesos y ayudar a los
empleados a realizar mejor su trabajo. Pero esto es solo la punta del iceberg. Una de las formas más poderosas de usar los
datos es al momento de tomar decisiones basadas en ellos. Este proceso se define como el uso de datos para guiar la
estrategia empresarial. Las organizaciones de distintas industrias tienen el poder de tomar mejores decisiones basadas en
datos gracias al trabajo de los analistas de datos. El primer paso de este proceso es descubrir la necesidad del negocio. Por lo
general, suele ser un problema que hay que resolver. Por ejemplo, puede que una nueva empresa necesite establecer un mejor
reconocimiento de marca para competir con otras empresas más grandes y conocidas. O tal vez una organización quiera
mejorar un producto y necesite averiguar cómo obtener las piezas de una forma más sostenible o de un proveedor éticamente
responsable. O bien, podría tratarse de un negocio que intenta resolver el problema de empleados descontentos, bajos niveles
de compromiso, satisfacción y retención. Cualquiera sea el problema, una vez definido, un analista de datos encuentra datos,
los analiza y los usa para descubrir tendencias, patrones y relaciones. A veces, la estrategia basada en datos se sustenta en lo
que ha funcionado en el pasado. Otras veces, sirve para guiar un negocio a fin de que se ramifique en una dirección totalmente
nueva. Veamos un ejemplo del mundo real. Piensa en un servicio de streaming de música o películas. ¿Cómo saben estas
empresas lo que las personas quieren ver o escuchar, y cómo lo proporcionan? Bueno, recurren a la toma de decisiones basada
en datos. Recopilan información sobre lo que los clientes escuchan actualmente, la analizan y, luego, la usan para hacer
sugerencias de lo que las personas podrían disfrutar más en el futuro. Esto mantiene contentos a los clientes, que vuelven por
más, lo que a su vez significa más ingresos para la empresa. Otro ejemplo de toma de decisiones basada en datos puede verse
en el auge del comercio electrónico. No hace mucho tiempo la mayoría de las compras se hacían en una tienda física, pero los
datos muestran que las preferencias cambiaron. Así que muchas empresas crearon nuevos modelos de negocio que eliminan la
tienda física y permiten realizar las compras directamente desde una computadora o un teléfono móvil, y la entrega se realiza
directamente en la puerta. De hecho, la toma de decisiones basada en datos puede ser tan poderosa hasta el punto de lograr
que todos los métodos comerciales se vuelvan obsoletos. Por ejemplo, los datos ayudaron a las empresas a alejarse
completamente de los teléfonos con cable y a reemplazarlos por teléfonos móviles. Al asegurarse de que los datos se compilen
en cada estrategia empresarial, los analistas de datos desempeñan un papel fundamental en el éxito de sus empresas, pero es
importante tener en cuenta que no importa cuán valiosa sea la toma de decisiones basada en datos, los datos por sí solos
nunca serán tan poderosos como cuando se los combina con la experiencia humana, la observación y, a veces, incluso la
intuición. Para sacar el máximo provecho de la toma de decisiones basada en datos es importante incluir información de
personas que estén familiarizadas con el problema empresarial. A estas personas se las llama expertos en la materia, y tienen
la capacidad de observar los resultados del análisis de datos e identificar cualquier incoherencia, dar sentido a las zonas grises
y eventualmente validar las decisiones que se tomen. Las organizaciones que trabajan de esta manera ponen los datos en el
centro de todas las estrategias empresariales, pero también se benefician de la percepción de su gente. Todos ganan. Como
analista de datos, desempeñas un papel clave al empoderar a estas organizaciones para que tomen decisiones basadas en
datos, razón por la cual es tan importante que comprendas cómo juegan los datos en el proceso de toma de decisiones.
CUESTIONARIO: Identifica los ejemplos del mundo real de cómo una empresa podría tomar decisiones basadas en
datos. Selecciona todas las opciones correctas.
- Sugerir música nueva a un cliente en función de su historial de escucha
Correcto: Entre algunos ejemplos del mundo real en cuanto a la toma de decisiones basadas en datos se incluyen
sugerir música nueva a un cliente, programar a un cierto número de empleados de restaurantes para que trabajen y
elegir soluciones de comercio electrónico basadas en hechos establecidos. La toma de decisiones basada en datos
se define como el uso de hechos para guiar la estrategia empresarial.
- Programación de un cierto número de empleados de restaurantes para que trabajen en función de la
cantidad promedio de almuerzos por día
- Elegir soluciones de comercio electrónico basadas en las preferencias de compra de los clientes
- Tomar decisiones de gasto basadas en el instinto del contador de la empres: ESTA NO ES
Datos e instinto:
Los detectives y los analistas de datos tienen mucho en común. Ambos dependen de hechos y pistas para tomar
decisiones. Ambos recopilan y observan la evidencia. Ambos hablan con personas que conocen parte de la historia. Y
ambos podrían incluso seguir algunas huellas para ver hacia dónde llevan. Tanto si eres detective como analista de
datos, tu trabajo consiste en seguir pasos para recopilar y entender los hechos.
Los analistas utilizan la toma de decisiones basada en datos y siguen un proceso paso a paso. Has aprendido que hay
seis pasos en este proceso:
1. Hacer preguntas y definir el problema.

2. Preparar datos al recopilar y almacenar la información.
3. Procesar los datos al limpiar y comprobar la información.
4. Analizar los datos para encontrar patrones, relaciones y tendencias.
5. Compartir datos con tu audiencia.
6. Actuar en función de los datos y utilizar los resultados del análisis.
Pero hay otros factores que influyen en el proceso de toma de decisiones. Es posible que hayas leído casos de misterio
en los que el detective utilizó su instinto y siguió una corazonada que lo ayudó a resolver el caso. El instinto es una
comprensión intuitiva de algo con poca o ninguna explicación. No siempre es algo consciente; a menudo captamos
señales sin siquiera darnos cuenta. Solo tienes la «sensación» de que es así.
Por qué el instinto puede ser un problema

El centro de la toma de decisiones basada en datos son los datos. Por lo tanto, es esencial que los analistas de datos se
centren en ellos para garantizar que toman decisiones informadas. Si ignoras los datos y prefieres tomar decisiones
basadas en tu propia experiencia, tus decisiones pueden ser sesgadas. Pero lo que es peor, las decisiones basadas en
el instinto, sin datos para respaldarlas, pueden generar errores.
Considera el ejemplo de un promotor inmobiliario que licita para redesarrollar una parte del distrito central de una ciudad.
Se los conoce por la preservación de edificios históricos. Aprovechando su reputación, los planificadores de la agencia
siguieron su instinto e incluyeron la preservación de varios edificios para obtener apoyo y la aprobación del proyecto. Sin
embargo, las donaciones privadas no alcanzaron, y una asociación prevista no se concretó para evitar la desgracia.
Finalmente, los edificios tuvieron que ser derribados tras mucho retraso y una costosa disputa con la ciudad.
Cuanto más entiendas los datos relacionados con un proyecto, más fácil será averiguar qué se necesita. Estos esfuerzos
también te ayudarán a identificar errores y lagunas en tus datos para que puedas comunicar tus hallazgos de forma más
eficaz. A veces, la experiencia pasada te ayuda a establecer una conexión que nadie más notaría. Por ejemplo, un
detective podría abrir un caso porque le recuerda a uno anterior similar al que está resolviendo hoy. No es solo instinto.
Datos + conocimiento empresarial = misterio resuelto.

Combinar datos con conocimiento empresarial, además de un toque de instinto, será una parte habitual de tu proceso
como analista de datos junior. La clave está en averiguar la combinación exacta de cada proyecto en particular. Muchas
veces, dependerá de los objetivos de tu análisis. Por eso los analistas a menudo preguntan: «¿Cómo defino el éxito de
este proyecto?»
Además, intenta hacerte estas preguntas sobre un proyecto para encontrar el equilibrio perfecto:
 ¿Qué tipo de resultados se necesitan?

 ¿A quién se informará?
 ¿Estoy respondiendo la pregunta que se está haciendo?
 ¿Con qué rapidez hay que tomar una decisión?
Por ejemplo, si estás trabajando en un proyecto urgente, es posible que tengas que confiar en tus propios conocimientos
y experiencia más de lo habitual. No hay tiempo suficiente para analizar a fondo todos los datos disponibles. Pero si
tienes un proyecto que implica mucho tiempo y recursos, entonces la mejor estrategia es centrarse más en los datos.
Dependerá de ti, el analista de datos, tomar la mejor decisión posible. Probablemente combines datos y conocimientos
de un millón de formas diferentes a lo largo de tu carrera de análisis de datos. Y cuanto más practiques, mejor
conseguirás encontrar la combinación perfecta.
Orígenes del proceso de análisis de datos
Cuando decidiste unirte a este programa, demostraste que eras una persona curiosa. Así que aprovechemos tu
curiosidad y hablemos sobre los orígenes del análisis de datos. No sabemos a ciencia cierta cuándo ni por qué la primera
persona decidió registrar datos sobre personas y cosas. Pero sí sabemos que fue útil porque la idea sigue existiendo
hoy.
También sabemos que el análisis de datos se basa en la estadística, que de por sí

ya tiene una historia bastante larga. Los arqueólogos fueron los primeros en usar la
estadística en el Antiguo Egipto con la construcción de las pirámides. Los antiguos
egipcios eran maestros de la organización de datos. Documentaban sus cálculos y
teorías sobre papiros (material similar al papel), que ahora se consideran los
primeros ejemplos de hojas de cálculo y listas de verificación. Los analistas de datos
actuales deben mucho a esos brillantes escribas, que ayudaron a crear un proceso
más técnico y eficiente.
Es hora de entrar en el ciclo de vida del análisis de datos, que es el proceso de pasar de los datos a la decisión. Los datos
pasan por varias fases a medida que se crean, consumen, prueban, procesan y reutilizan. Con un modelo de ciclo de
vida, todos los miembros clave del equipo pueden impulsar el éxito al planificar el trabajo tanto por adelantado como al
final del proceso de análisis de datos. A pesar de que el ciclo de vida del análisis de datos es bien conocido entre los
expertos, no existe una sola estructura definida de esas fases. Es posible que no haya una única arquitectura a seguir de
manera uniforme por todos los expertos en análisis de datos, pero que existan algunos fundamentos compartidos en
cada proceso de análisis de datos. En esta lectura se proporciona una descripción general de varios aspectos,
empezando por el proceso que constituye la base del certificado de Google Data Analytics.
El proceso que se presenta como parte del certificado de Google Data Analytics es uno que te resultará valioso a medida
que avances en tu carrera profesional:
1. Preguntar: Desafío empresarial/objetivo/pregunta

2. Preparar: Generación, recopilación, almacenamiento y administración de datos
3. Procesar: Limpieza de datos/integridad de datos
4. Analizar: Exploración, visualización y análisis de datos
5. Compartir: Comunicación e interpretación de los resultados
6. Actuar: Uso de tus conocimientos para resolver el problema
Comprender este proceso, y todas las iteraciones que ayudaron a hacerlo popular, será una parte importante a la hora de
guiar tu propio análisis y tu trabajo en este programa. Repasemos algunas otras variaciones del ciclo de vida del análisis
de datos.
Ciclo de vida del análisis de datos de EMC

El ciclo de vida del análisis de datos de EMC Corporation es cíclico con seis pasos:
1. Descubrimiento
2. Preprocesamiento de datos
3. Planificación de modelos
4. Construcción de modelos
5. Comunicación de los resultados
6. Puesta en funcionamiento
EMC Corporation ahora es Dell EMC. Este modelo, creado por David Dietrich, refleja la naturaleza cíclica de los
proyectos del mundo real. Las fases no son hitos estáticos; cada paso se conecta y conduce al siguiente, y
eventualmente se repite. Las preguntas clave ayudan a los analistas a probar si han logrado lo suficiente como para
avanzar y garantizar que los equipos hayan dedicado tiempo necesario en cada una de las fases y no empiecen a
modelar antes de que los datos estén listos. Es un poco diferente del ciclo de vida del análisis de datos en el que se basa
este programa, pero tiene algunas ideas básicas en común: la primera fase está interesada en descubrir y formular
preguntas; los datos deben prepararse antes de poder analizarse y utilizarse; y luego se deben compartir los hallazgos y
actuar en consecuencia.
Para obtener más información, consulta The Genesis of EMC's Data Analytics Lifecycle (La génesis del ciclo de vida del
análisis computacional de datos de EMC).
Ciclo de vida iterativo de SAS:

Una empresa llamada SAS, proveedora líder de soluciones de análisis computacional de datos, creó un ciclo de vida
iterativo. Se puede utilizar para producir resultados repetibles, fiables y predictivos:
1. Preguntar
2. Preparar
3. Explorar
4. Modelar
5. Implementar
6. Actuar
7. Evaluar
El modelo SAS enfatiza la naturaleza cíclica de su modelo al visualizarlo como símbolo infinito. Su ciclo de vida tiene
siete pasos, muchos de los cuales hemos visto en los otros modelos, como Preguntar, Preparar, Modelar y Actuar. Pero
este ciclo de vida es un poco diferente; incluye un paso posterior a la fase Actuar, diseñado para que los analistas
evalúen sus soluciones y, potencialmente, vuelvan a la fase Preguntar.
Para obtener más información, consulta Managing the Analytics Life Cycle for Decisions at Scale (Administración del ciclo
de vida de los análisis para tomar decisiones a escala).
Ciclo de vida del análisis computacional de datos basado en proyectos:

Un ciclo de vida del análisis de datos basado en proyectos consta de cinco sencillos pasos:
1. Identificación del problema

2. Diseño de requisitos de datos
3. Preprocesamiento de datos
4. Realización de análisis de datos
5. Visualización de datos
El ciclo de vida de este proyecto de análisis de datos fue desarrollado por Vignesh Prajapati. No incluye la sexta fase ni lo
que denominamos la fase Actuar. Sin embargo, abarca igualmente muchos de los mismos pasos de los ciclos de vida
que ya hemos descrito. Comienza por identificar el problema, preparar y procesar datos antes del análisis y termina con
la visualización de datos.
Para obtener más información, consulta Understanding the data analytics project life cycle(Descripción del ciclo de vida
del proyecto de análisis computacional de datos).
Ciclo de vida del análisis de big data:

Los autores Thomas Erl, Wajid Khattak y Paul Buhler propusieron un ciclo de vida de análisis de big data en su libro, Big
Data Fundamentals: Concepts, Drivers & Techniques (Aspectos básicos del big data: conceptos, eje impulsor y técnicas).
Su ciclo de vida sugiere fases divididas en nueve pasos:
1. Evaluación de casos de negocio

2. Identificación de datos
3. Adquisición y filtrado de datos
4. Extracción de datos
5. Validación y limpieza de datos
6. Agregación y representación de datos
7. Análisis de datos
8. Visualización de datos
9. Utilización de los resultados del análisis
Este ciclo de vida parece tener tres o cuatro pasos más que los modelos de ciclo de vida anteriores. Pero, en realidad, lo
que hacen es dividir aquello a lo que nos hemos referido como Preparar y Procesar en pasos más pequeños. Hace
hincapié en las tareas individuales necesarias para recopilar, preparar y limpiar datos antes de la fase de análisis.
Para obtener más información, consulta Big Data Adoption and Planning Considerations (Consideraciones a la hora de
adoptar y planificar big data).
Conclusión clave
Desde nuestro viaje a las pirámides y los datos del Antiguo Egipto hasta ahora, la forma en que analizamos los datos ha
evolucionado (y sigue haciéndolo). El proceso de análisis de datos es como la arquitectura de la vida real: hay diferentes
formas de hacer las cosas, pero las ideas fundamentales aparecen en cada modelo del proceso. Ya sea que utilices la
estructura de este certificado de Google Data Analytics o una de las muchas otras iteraciones que has aprendido,
estamos aquí para guiarte en tu camino hacia los datos.
CUESTIONARIO:
SEMANA 2: Descubrimiento de las destrezas
relacionadas con los datos
Aprovechar tus destrezas de analista de datos:
VIDEO: Descubrimiento de las destrezas relacionadas con los datos
Ahora que tienes una base sólida sobre los conceptos básicos de los datos, es hora de centrarse en algunas destrezas y
características concretas que serán fundamentales para tu futura carrera como analista de datos. Comenzaremos con cinco
destrezas clave, pasaremos a las características del pensamiento analítico y luego aprenderemos cómo los analistas de datos
equilibran sus funciones y responsabilidades. Sobre la marcha, también descubrirás cómo aprovechar tus propias habilidades
naturales con relación a la estrategia, la experiencia técnica y el diseño de datos. Estas destrezas son increíblemente útiles y
aprenderás a potenciarlas aún más. Por último, conocerás algunos fascinantes ejemplos del mundo real sobre cómo los datos
influyen en la vida de las personas en todo el mundo.
VIDEO: Destrezas clave del analista de datos

Antes, te dije que ya cuentas con destrezas analíticas. Aunque aún no lo sepas. Al aprender cosas nuevas, a veces las personas
pasan por alto sus propias destrezas, pero es importante que te tomes el tiempo para reconocerlas, especialmente porque
estas destrezas te van a ayudar como analista de datos. De hecho, es probable que estés más preparado de lo que piensas. ¿No
me crees? Déjame demostrarlo. Comencemos por definir de qué estoy hablando. Las destrezas analíticas son cualidades y
características asociadas con la resolución de problemas usando hechos. Hay mucho que decir de las destrezas analíticas, pero
nos centraremos en cinco puntos esenciales.
1. Curiosidad,
2. comprensión del contexto,
3. mentalidad técnica,
4. diseño de datos y
5. estrategia de datos.
1. Empecemos por la curiosidad. La curiosidad se trata de querer aprender algo. Las personas curiosas suelen buscar
nuevos desafíos y experiencias. Esto conduce al conocimiento. El hecho de que estés aquí conmigo ahora mismo ya
demuestra que tienes curiosidad. Esa fue una fácil.
2. El contexto es la situación en la que algo existe o sucede. Esto puede ser una estructura o un entorno. Una forma
sencilla de comprender el contexto es contando hasta 5. Uno, dos, tres, cuatro, cinco. Esos números existen en el
contexto del uno al cinco. Pero, ¿y si un amigo tuyo te dijera, uno, dos, cuatro, cinco, tres? Entonces el tres estará fuera
de contexto. Simple, ¿verdad? Pero puede volverse un poco complicado. Es bastante probable que ni siquiera te des
cuenta de que el tres está fuera de contexto si no estás prestando suficiente atención. Es por eso que escuchar y tratar
de entender todo el panorama es fundamental. En tu propia vida, pones las cosas en contexto todo el tiempo. Por
ejemplo, pensemos en la lista de las compras. Si agrupas los artículos como harina, azúcar y levadura, eso es agregar
contexto a lo que compras. Esto te ahorra tiempo cuando estás en el pasillo de artículos de repostería en el
supermercado. Veamos otro ejemplo. ¿Alguna vez has mezclado una baraja de cartas y has visto un comodín? Si estás
jugando a un juego que no incluye comodines, identificar esa carta significa que entiendes que está fuera de contexto.
Quítala y es mucho más probable que juegues de forma exitosa. Ahora sabemos que tienes tanto curiosidad, como la
capacidad de comprender el contexto.
3. Una mentalidad técnica implica la capacidad de dividir las cosas en pasos o piezas más pequeños y trabajar con ellos
de forma ordenada y lógica. Por ejemplo, cuando pagas tus cuentas, probablemente ya hayas dividido el proceso en
pasos más pequeños. Tal vez comiences por ordenarlas por la fecha de vencimiento. Luego, puedes sumarlas y
comparar ese monto con el saldo en tu cuenta bancaria. Esto te servirá para ver si puedes pagarlas ahora, o si debes
esperar hasta el próximo cheque de pago. Finalmente, las pagarás. Cuando tomas algo que parece ser una sola tarea,
como pagar las cuentas, y lo divides en pasos más pequeños con un proceso ordenado, eso es utilizar una mentalidad
técnica.
4. El diseño de datos es la forma de organizar la información. Como analista de datos, el diseño normalmente tiene que
ver con una base de datos real. Pero insisto, las mismas destrezas se aplican a la vida cotidiana. Por ejemplo, piensa en
la forma en que organizas los contactos en tu teléfono. Eso es en realidad un tipo de diseño de datos. Tal vez los
ordenes por nombre en lugar de apellido, o tal vez usas el correo electrónico en lugar de los nombres. Lo que
realmente haces es diseñar una lista clara y lógica que te permite llamar o enviarles un mensaje de texto de forma
rápida y sencilla.
5. La estrategia de datos es la gestión de las personas, procesos y herramientas que se usan en el análisis de datos.
Desglosemos eso. Gestionas personas asegurándote de que saben cómo utilizar los datos correctos para resolver el
problema en el que estás trabajando. En cuanto a los procesos, se trata de asegurarte que el camino hacia la solución
sea claro y accesible. Para las herramientas, te aseguras de que se utiliza la tecnología adecuada para el trabajo. Tal vez
estés dudando de mi capacidad para darte un ejemplo de la vida real que demuestre la estrategia de datos. Pero
escucha esto. Imagina que vas a cortar el césped. El paso 1 es leer el manual de la cortadora. Eso es asegurarte de que
los involucrados, o tú, en este ejemplo, sepan cómo utilizar los datos disponibles. El manual te indica que te pongas
gafas protectoras y zapatos cerrados. Luego, el paso 2: hacer que el proceso, el camino, sea claro y accesible. Para esto
caminarás por el césped, y juntarás palos grandes o piedras que podrían ser un obstáculo. Finalmente, para el paso 3,
revisas la cortadora de césped, tu herramienta, para asegurarte de que tiene suficiente gasolina y aceite y que se
encuentra en buenas condiciones, para poder cortar el césped de forma segura.
Ahora ya conoces las cinco destrezas esenciales de un analista de datos. Curiosidad, comprensión del contexto, tener una
mentalidad técnica, el diseño de datos y la estrategia de datos. Te dije que ya eres un pensador analítico. Ahora puedes
practicar activamente estas destrezas a medida que avanzas en el resto del curso. ¿Tienes curiosidad por saber qué sigue? Pasa
al siguiente video.
Registro de aprendizaje: Explora los datos de tu

vida cotidiana
En un registro de aprendizaje anterior, reflexionaste sobre cómo utilizas el análisis de datos en tu propia vida para tomar
decisiones cotidianas. Ahora, completarás una entrada en tu registro de aprendizaje explorando datos de un área de tu
vida. Cuando termines esta actividad, comprenderás mejor cómo puedes aplicar tus destrezas de análisis de datos a
actividades y situaciones más específicas de tu vida, empezando por tus propias decisiones cotidianas. Más tarde, vas a
utilizar los datos que generes para esta entrada a fin de poner en práctica la organización de los datos para extraer
información de estos.
Elabora una lista
Antes de empezar, elige un área de tu vida cotidiana que te gustaría explorar más a fondo. Piensa en cuántas veces en
las últimas semanas has tomado decisiones relacionadas con esta área. A continuación, elabora una lista e incluye
detalles, como la fecha, la hora, el costo, la cantidad, el tamaño, etc. Trata de centrarte en cosas que puedan
representarse con un número o una categoría.
Estas son algunas ideas para empezar:
 La cantidad de tazas de café que bebes por día

 Los horarios de entrenamiento populares en el gimnasio
 La hora de acostarte por la noche
Por ejemplo, podrías elaborar una lista que explore tu consumo diario de café de la siguiente manera:
Consumo diario de café
 8 de ene a las 8 a.m. - compra de café - una taza de 283 g

 8 de ene a las 10 a.m. - preparación de café en casa - una taza de 340 g
 9 de ene a las 8 a.m. - compra de café - taza grande
 10 de ene a las 11 a.m. - compra de café grande - 567 g
 11 de ene a las 8 a.m. - preparación de café en casa - taza grande
Este ejemplo incluye algunos detalles diferentes, como la fecha y la hora, si el café se compró o se preparó en casa y la
cantidad. Puedes elegir centrarte en cualquier área de tu vida que quieras y registrar los detalles que te interesen. Intenta
registrar datos correspondientes a una o dos semanas. A continuación, recopilarás esta lista en una plantilla de registro
de aprendizaje, cuyo enlace aparece a continuación.

Enlace a la plantilla de registro de aprendizaje: Explora los datos de tu vida cotidiana

O
Si no tienes una cuenta de Google, puedes descargar la plantilla directamente desde el siguiente archivo adjunto:
DOCX File
Reflexión
Cuando hayas terminado de elaborar tu lista detallada explorando datos de tu propia vida, tómate un momento para
reflexionar sobre esos datos. En la entrada de tu registro de aprendizaje, escribe 2 o 3 frases (entre 40 y 60 palabras) en
respuesta a cada pregunta que aparece a continuación:
 ¿Has observado alguna tendencia en tu comportamiento?

 ¿Hay algún factor que influya en la toma de tus decisiones?
 ¿Hay algo que hayas identificado que pueda influir en tu comportamiento futuro?
Registro de aprendizaje: Explora los datos de tu vida cotidiana

Instrucciones
Puedes usar este documento como plantilla para la actividad del registro de aprendizaje: Explora los datos de tu
vida cotidiana. Escribe tus respuestas en este documento y guárdalo en tu computadora o en Google Drive.
Te recomendamos que guardes todos los registros de aprendizaje en una carpeta y que incluyas una fecha en el
nombre del archivo para ayudarte a mantenerte organizado. La información importante, como el número de curso,
el título, y el nombre de la actividad que ya está incluido. Una vez que hayas terminado el registro de aprendizaje,
puedes volver a leer tus respuestas más adelante para entender cómo han cambiado tus opiniones sobre diferentes
temas a lo largo de los cursos.
Para revisar las instrucciones detalladas sobre cómo completar esta actividad, regresa a Coursera: Registro de
aprendizaje: Explora los datos de tu vida cotidiana.
Registro de aprendizaje: Explora los datos de tu vida cotidiana
Crear una lista Crea una lista en la que explores un área de tu vida diaria e incluye detalles, como la fecha, la
hora, el costo, la cantidad, el tamaño, etc:
 Cuantas calorías como por dia
 Cuantos vasos de agua tomo por dia
 Cuantas veces hago ejercicio en la semana y cuánto tiempo por día
 Cuantas horas duermo cada noche
 Cuanto tiempo medito en la semana
preguntas.
Preguntas y
respuestas:
 ¿Has observado alguna tendencia en tu comportamiento?
Estoy haciendo ejercicio cinco veces a la semana, mínimo 30 minutos al dia. Me gusta
realizar clases variadas de ejercicio. El horario en el que hago ejercicio es después de las
18:30 hasta las 20:00.
 ¿Hay algún factor que influya en la toma de tus decisiones?
Si duermo bien en la noche me dan ganas de hacer ejercicio, sino me cuesta más.
Cuando como mal en el día pienso que hacer ejercicio no servirá porque no podre lograr
un déficit calorico.
 ¿Hay algo que hayas identificado que pueda influir en tu comportamiento futuro?
El ponerme metas a corto plazo me motiva a seguir proyectando una vida saludable. El
ver a mis amigas y familiares me motiva o agobia a cumplir mis metas o proponerme
más metas de las que tengo en mente porque me genera ansiedad y me comparo con
otras personas.
CUESTIONARIO:
1. Descripción: Cualidades y características asociadas al uso de hechos para resolver problemas

Destreza: Destrezas analíticas
2. Descripción: La destreza analítica que implica desglosar los procesos en pasos más pequeños y trabajar con ellos de
manera ordenada y lógica
Destreza: Mentalidad técnica
3. Descripción: La destreza analítica que implica la forma en que organizas la información
Destreza: Diseño de datos
4. Descripción: La destreza analítica que tiene que ver con cómo agrupas los elementos en categorías
Destreza: Comprender el contexto
5. Descripción: La destreza analítica que implica gestionar los procesos y las herramientas utilizadas en el análisis de datos
Destreza: Estrategia de datos
Pensar en el pensamiento analítico

VIDEO: Todo acerca de cómo pensar analíticamente
Ahora que ya conoces las cinco destrezas esenciales de un analista de datos, estás listo para aprender más sobre lo que
significa tener un pensamiento analítico. La gente no suele pensar en el pensamiento. Pensar es algo que hacemos con total
naturalidad. Ocurre automáticamente, pero en realidad hay muchas formas diferentes de pensar. Algunas personas piensan
con creatividad, otras lo hacen de manera crítica, mientras que algunas piensan de manera abstracta. Hablemos del
pensamiento analítico. El pensamiento analítico consiste en identificar y definir un problema, y luego resolverlo mediante el
uso de datos de manera organizada y paso a paso. Como analistas de datos, ¿cómo pensamos analíticamente? Pues bien, para
responder a esa pregunta, ahora hablaremos de otro conjunto de cinco habilidades.
Los cinco aspectos clave del pensamiento analítico son:
1. la visualización,
2. la estrategia,
3. la orientación hacia los problemas,
4. la correlación y, por último,
5. el pensamiento con perspectiva global y orientado hacia los detalles.
1.Comencemos con la visualización. En el análisis (computacional) de datos, la visualización es la representación gráfica de la

información. Algunos ejemplos son los gráficos, los mapas u otros elementos de diseño. La visualización es importante porque
los elementos visuales pueden ayudar a los analistas de datos a entender y explicar la información de manera más eficaz.
Piénsalo así. Si quieres explicarle a alguien cómo es el Gran Cañón, usar palabras sería mucho más difícil que mostrarle una
imagen. Una visualización del Gran Cañón te ayudaría a exponer tu punto de vista mucho más rápido.
2..La segunda parte del pensamiento analítico: ser estratégico. Con tantos datos disponibles, tener una mentalidad estratégica
es fundamental para permanecer centrado y mantener el rumbo. La elaboración de estrategias ayuda a los analistas de datos a
ver lo que quieren conseguir con los datos y cómo pueden lograrlo. La estrategia también ayuda a mejorar la calidad y utilidad
de los datos que recopilamos. Mediante la elaboración de estrategias, sabemos que todos nuestros datos son valiosos y
pueden ayudarnos a alcanzar nuestros objetivos.
3..El siguiente paso en la lista de verificación del pensamiento analítico es estar orientado hacia los problemas. Los analistas
de datos utilizan un enfoque orientado hacia los problemas para identificarlos, describirlos y resolverlos. Se trata de mantener
el problema en mente a lo largo de todo el proyecto. Por ejemplo, supongamos que a un analista de datos se le plantea el
problema de que un almacén se queda constantemente sin suministros. Seguiría adelante con diferentes estrategias y
procesos. Pero el principal objetivo sería siempre resolver el problema de mantener el inventario en las estanterías. Los
analistas de datos también hacen muchas preguntas. Esto ayuda a mejorar la comunicación y permite ahorrar tiempo mientras
se busca una solución. Un ejemplo de ello sería encuestar a los clientes sobre sus experiencias al utilizar un producto, así como
obtener información a partir de esas preguntas para mejorar su producto.
4..Esto nos lleva a la cuarta cualidad del pensamiento analítico: ser capaz de identificar una correlación entre dos o más datos.
Una correlación es como una relación. Se pueden encontrar todo tipo de correlaciones en los datos. Una de ellas podría ser la
relación entre la longitud de tu cabello y la cantidad de champú que necesitas. O bien, es posible que notes una correlación
entre una temporada más lluviosa que da lugar a una cantidad elevada en la venta de paraguas. Pero cuando comienzas a
identificar correlaciones en los datos, hay algo que siempre debes tener en cuenta: la correlación no equivale a la causalidad.
En otras palabras, el hecho de que la tendencia de dos datos sea en la misma dirección, no necesariamente significa que están
relacionados.
5..Ahora, la última pieza del rompecabezas del pensamiento analítico: el pensamiento con perspectiva global. Esto significa ser
capaz de ver el panorama general, así como los detalles. Un rompecabezas nos ayuda a pensar en esto. El pensamiento con
perspectiva global es como mirar un rompecabezas completo. Puedes disfrutar de la imagen completa sin detenerte en cada
una de las pequeñas piezas que lo componen. Si solo te centras en las piezas individuales, no podrás ver más allá; por ese
motivo es tan importante el pensamiento con perspectiva global. Te ayuda a ampliar la visión, así como a ver las posibilidades y
oportunidades. Esto conduce a nuevas ideas o innovaciones interesantes. Por otra parte, el pensamiento orientado hacia los
detalles consiste en averiguar todos los aspectos que te ayudarán a ejecutar un plan. Es decir, las piezas que componen tu
rompecabezas. En el mundo de los negocios hay todo tipo de problemas que pueden beneficiarse de los empleados que tienen
tanto un pensamiento con perspectiva global como un pensamiento orientado hacia los detalles. La mayoría de nosotros
somos naturalmente mejores en uno u otro pensamiento. Pero siempre se pueden desarrollar las habilidades para encajar
ambas piezas.
Ahora que ya conoces los cinco aspectos del pensamiento analítico (la visualización, la estrategia, la orientación hacia los
problemas, la correlación y el pensamiento con perspectiva global y orientado hacia los detalles) puedes ponerlos en práctica
cuando trabajes con datos. A medida que avances en este curso, aprenderás cómo hacerlo.
VIDEO: Exploración de las destrezas analíticas básicas

Recapitulemos lo que hemos aprendido hasta ahora sobre el pensamiento analítico. Los 5 aspectos clave son: la visualización,
la estrategia, la orientación hacia los problemas, la correlación y el pensamiento con perspectiva global y orientado hacia los
detalles. Hemos visto cómo ya los utilizas en tu vida cotidiana. También hemos hablado de cómo las diferentes personas
utilizan naturalmente determinados tipos de pensamiento, pero que sin dudas se pueden aumentar y desarrollar las destrezas
que tal vez no te resulten tan fáciles. Esto significa que puedes convertirte en un pensador versátil, lo que constituye una parte
muy importante del análisis de datos. Es posible que seas naturalmente un pensador analítico, pero puedes aprender a pensar
con creatividad y de manera crítica, y ser muy bueno en los tres tipos de pensamiento. Cuantas más formas de pensar tengas,
más fácil será que pienses con originalidad y tengas nuevas ideas. Pero, ¿por qué es importante pensar de diferentes
maneras? Pues porque en el análisis de datos, las soluciones casi nunca están delante de ti. Es necesario pensar de manera
crítica para saber qué preguntas hacer. Pero también es necesario pensar de manera creativa para obtener respuestas nuevas e
inesperadas. Hablemos de algunas de las preguntas que los analistas de datos hacen cuando están en busca de una solución.
Esta es una que surgirá a menudo:
- ¿Qué es la causa raíz de un problema? Una causa raíz es la razón por la que se produce un problema. Si podemos
identificar y eliminar una causa raíz, podemos evitar que ese problema se repita. Una forma sencilla de entender las
causas raíces es mediante el proceso llamado los Cinco porqués. En el proceso de los Cinco porqués, se pregunta “por
qué” cinco veces para revelar la causa raíz. La quinta y última respuesta debería proporcionar algunas ideas útiles y, a
veces, sorprendentes. Este es un ejemplo de los Cinco porqués en acción. Supongamos que quieres preparar un pastel
de arándanos, pero no consigues arándanos. Has intentado resolver el problema preguntándote: ¿por qué no puedo
preparar un pastel de arándanos? La respuesta es que no hay arándanos en la tienda. Ese es el Porqué número 1.
Entonces te preguntas: ¿por qué no hay arándanos en la tienda? Luego descubres que los arbustos de arándanos no
tienen suficientes frutas esta temporada. Ese es el Porqué número 2. A continuación, te preguntarías: ¿por qué no
había suficientes frutas? Esto conduciría al hecho de que los pájaros se estaban comiendo todas las bayas. De este
modo, te preguntaste y respondiste el Porqué número 3. Ahora llegamos al Porqué número 4. Pregunta por qué una
cuarta vez y la respuesta sería que, aunque los pájaros normalmente prefieren las moras y no comen arándanos, la
morera no produjo frutos esta temporada, por lo que los pájaros están comiendo arándanos. Por último, llegamos al
Porqué número 5, que debería revelar la causa raíz. Una helada tardía dañó las moreras, por lo que no produjeron
frutas. No puedes preparar un pastel de arándanos debido a la helada tardía que tuvo lugar hace unos meses.
Descubre cómo los Cinco porqués pueden revelar algunas causas raíces muy sorprendentes. Este es un gran truco para
conocer, y puede ser un proceso muy útil en el análisis de datos.
- Otra pregunta que suelen hacerse los analistas de datos es: ¿en qué punto de nuestro proceso se encuentran los
déficits? Para ello, muchas personas recurrirán a lo que se denomina análisis de déficits. El análisis de déficits permite
examinar y evaluar el funcionamiento actual de un proceso para llegar a donde se quiere estar en el futuro. Las
empresas realizan análisis de déficits para hacer todo tipo de cosas, como mejorar un producto o ser más eficientes. El
enfoque general del análisis de déficits consiste en comprender dónde estás ahora en comparación con el lugar donde
quieres estar. A continuación, puedes identificar los déficits que existen entre el estado actual y el futuro, y determinar
cómo salvarlos.
- Una tercera pregunta que se hacen mucho los analistas de datos es: ¿Qué no hemos tenido en cuenta antes? Esta es
una excelente manera de pensar en qué información o procedimiento puede faltar en un proceso, para poder
identificar formas de tomar mejores decisiones y elaborar estrategias de cara al futuro.
Estos son solo algunos ejemplos del tipo de preguntas que los analistas de datos utilizan en su trabajo cada día. Tengo la
certeza de que cuando empieces tu carrera, se te ocurrirán muchas más. La forma en que los analistas de datos piensan y
hacen preguntas desempeña un papel importante en la toma de decisiones de las empresas. Por eso el pensamiento analítico
y la comprensión de cómo hacer las preguntas correctas pueden tener un impacto tan grande en el éxito general de una
empresa. Más tarde, hablaremos de cómo las decisiones basadas en datos pueden conducir a resultados exitosos.
Registro de aprendizaje: Reflexiona sobre tus

destrezas y expectativas
Ya has aprendido sobre los cinco aspectos esenciales de las destrezas analíticas: la curiosidad, la comprensión del
contexto, la mentalidad técnica, el diseño de datos y la estrategia de datos. También has descubierto que ya estás
practicando estas destrezas. Ahora, completarás una entrada en tu registro de aprendizaje explorando tus propias
fortalezas y debilidades analíticas, así como tus objetivos para el futuro. Cuando termines esta actividad, tendrás una
mayor comprensión de tus destrezas analíticas y de cómo puedes practicarlas y mejorarlas. Estas destrezas analíticas
son fundamentales para resolver problemas y generar ideas mediante el análisis de datos. ¡Pensar en ellas ahora te
ayudará a crecer como analista de datos!
La tabla de destrezas analíticas
En primer lugar, rellenarás una tabla de destrezas analíticas en la entrada de tu registro de aprendizaje. La tabla
aparecerá en la plantilla de la siguiente manera:
Destreza analítica Fortaleza En desarrollo Emergente Comentarios/Planes/Objetivos

Curiosidad
Contexto
Mentalidad técnica
Diseño de datos
Estrategia de datos
Columna de destreza analítica: Curiosidad, Contexto, Mentalidad técnica, Diseño de datos, Estrategia de datos
La tabla tiene una fila para cada aspecto esencial de las destrezas analíticas:
 Curiosidad: el deseo de saber más sobre algo y formular las preguntas correctas
 Comprensión del contexto: comprender dónde encaja la información en el “panorama general”
 Mentalidad técnica: dividir las cosas grandes en pasos más pequeños
 Diseño de datos: pensar en cómo organizar los datos y la información
 Estrategia de datos: pensar en las personas, los procesos y las herramientas que se utilizan en el análisis de
datos
Marcarás con una X la columna que creas que mejor describe tu nivel actual con cada aspecto. Las tres calificaciones
son:
 Fortaleza: un área que crees que es una de tus fortalezas

 En desarrollo: tienes algo de experiencia en esta área, pero todavía hay un margen importante de crecimiento
 Emergente: se trata de un área nueva para ti, y ganarás experiencia gracias a este curso
Luego actualiza la columna de Comentarios/Planes/Objetivos con una breve nota sobre por qué elegiste esas
calificaciones.

Enlace a la plantilla de registro de aprendizaje: Reflexiona sobre tus destrezas y expectativas
DOCX File
Reflexión
Después de haber completado la tabla de destrezas analíticas, tómate un momento para reflexionar sobre tus
evaluaciones. En la entrada de tu registro de aprendizaje, escribe 2 o 3 frases (entre 40 y 60 palabras) en respuesta a
cada pregunta que aparece a continuación:
 ¿Qué notas sobre las calificaciones que te diste a ti mismo en cada área? ¿Cómo te calificaste a ti mismo en las
áreas que más te llaman la atención?
 Si se te pide que vuelvas a calificar tu nivel de experiencia en estas áreas en una semana, ¿cuáles crees que
serán las calificaciones y por qué?
 ¿Cómo piensas desarrollar estas destrezas a partir de ahora?
Registro de aprendizaje: Reflexiona sobre tus destrezas y expectativas

Instrucciones
Puedes usar este documento como plantilla para la actividad del registro de aprendizaje: Reflexiona sobre tus destrezas y
expectativas. Escribe tus respuestas en este documento y guárdalo en tu computadora o en Google Drive.
Reflexiona sobre tus destrezas y expectativas.
Registro de aprendizaje: Reflexiona sobre tus destrezas y expectativas
Completa la tabla Aquí está la tabla de destrezas analíticas para que la completes. Marca con una X en la
de destrezas columna que creas que describe mejor tu nivel actual con cada aspecto.
analíticas:
Destreza analítica Fortaleza En desarrollo Emergente Comentarios/

Planes/Objetivos
Curiosidad X
Contexto X
Mentalidad técnica X
Diseño de datos X
Estrategia de datos X
preguntas.
Preguntas y ● ¿Qué notas sobre las calificaciones que te diste a ti mismo en cada área? ¿Cómo
respuestas: te calificaste a ti mismo en las áreas que más te llaman la atención?
Pienso que siempre se puede mejorar, y espero lograrlo con este curso.
● Si se te pide que vuelvas a calificar tu nivel de experiencia en estas áreas en una

semana, ¿cuáles crees que serán las calificaciones y por qué?
● ¿Cómo piensas desarrollar estas destrezas a partir de ahora?

Practicando
CUESTIONARIO:
PENSAR EN LOS RESULTADOS:
Video: Utilizar los datos para obtener resultados satisfactorios
En un video anterior, aprendiste cuáles son las cinco destrezas analíticas esenciales. A modo de recordatorio, son estas: la
curiosidad, la comprensión del contexto, la mentalidad técnica, el diseño de estructuras/bases de datos y la estrategia de
análisis de datos. En los próximos videos, exploraremos cómo estas habilidades forman parte de la toma de decisiones basada
en datos. Pero primero, analicemos el concepto de la toma de decisiones basada en datos y por qué es más probable produzca
resultados exitosos. Tal vez recuerdes que la toma de decisiones basada en datos implica el uso de hechos para guiar la
estrategia empresarial. Los analistas de datos pueden aprovechar el poder de los datos para hacer todo tipo de cosas
asombrosas. Gracias a los datos, pueden obtener información valiosa, verificar sus teorías o suposiciones, comprender mejor
las oportunidades y los desafíos, apoyar un objetivo, ayudar a elaborar un plan y mucho más.
En el mundo de los negocios, la toma de decisiones basada en datos puede mejorar los resultados de muchas formas
diferentes. Por ejemplo, supongamos que un productor lechero quiere empezar a elaborar y vender helados. Podría adivinar
qué sabores les gustan a los clientes, pero hay una mejor forma de obtener la información. El productor podría encuestar a las
personas y preguntarles qué sabores prefieren. De este modo, el productor obtiene los datos necesarios para elegir los sabores
de helado le gusta a la gente. Aquí se presenta otro ejemplo: Supongamos que la presidenta de una organización tiene
curiosidad por saber qué ventajas valoran más los empleados. Consultó al director de Recursos Humanos, que dice que el
personal valora el código de vestimenta informal. Según el director de RR. HH., es un presentimiento basado en que ha
observado que muchos empleados usan pantalones vaqueros y camisetas. Sin embargo, ¿qué pasaría si esta empresa utilizara
un proceso de retroalimentación de los empleados más estructurado, como una encuesta? Podría revelar que, en realidad, los
empleados prefieren las tarjetas de transporte público gratuito. El director de Recursos Humanos no se dio cuenta de esto
porque va a trabajar en coche.
Estos son solo algunos de los beneficios de la toma de decisiones basada en datos. Proporciona una mayor confianza en la
elección y en las habilidades para abordar los desafíos empresariales. Te ayuda ser más proactivo cuando se presenta una
oportunidad y te permite ahorrar tiempo y esfuerzo a la hora de trabajar para alcanzar un objetivo.
Ahora vamos a aprender más sobre cómo estas cinco destrezas te ayudan a aprovechar todo el potencial de la toma de
decisiones basada en datos.
- En primer lugar, piensa en la curiosidad y el contexto. Cuanto más aprendas sobre el poder de los datos, más curioso
serás. Empezarás a observar patrones y relaciones en la vida cotidiana, tanto al leer las noticias, al mirar una película o
al ir una cita al otro lado de la ciudad. Los analistas llevan su pensamiento un paso más allá usando el contexto para
hacer predicciones, buscar respuestas y, finalmente, sacar conclusiones sobre lo que han descubierto. Este proceso
natural es un gran primer paso para orientarse más hacia los datos.
- El siguiente paso es tener una mentalidad técnica. Todos tenemos instintos o, como en el caso del ejemplo del director
de Recursos Humanos, presentimientos. Los analistas de datos no son diferentes. También tienen presentimientos,
pero se han capacitado para basarse en esas sensaciones y utilizar un enfoque más técnico para explorarlas. Para ello,
buscan siempre los hechos, los ponen en práctica a través del análisis y utilizan los conocimientos que obtienen para
tomar decisiones informadas.
- A continuación, pasamos al diseño de datos, que tiene una fuerte conexión con la toma de decisiones basada en
datos. En pocas palabras, diseñar los datos para organizarlos de forma lógica hace que sea más fácil para los analista de
datos acceder, comprender y aprovechar al máximo la información disponible. Y es importante tener en cuenta que el
diseño de datos no solo se aplica a las bases de datos. Este tipo de pensamiento también puede ser útil con todo tipo
de situaciones de la vida real. La idea básica es la siguiente: si se toman decisiones informadas por los datos, es más
probable que se tomen decisiones más informadas y eficaces.
- La última habilidad es la estrategia de datos, que incorpora a las personas, los procesos y las herramientas utilizadas
para resolver un problema. Es importante tenerla en cuenta porque ofrece una visión de alto nivel del camino que se
debe seguir para alcanzar los objetivos. Además, la toma de decisiones basada en datos no es un trabajo de una sola
persona. Es mucho más probable que sea exitosa si todos participan y están en sintonía, por lo que es importante
asegurarse de que se hayan implementado los procedimientos específicos y que la tecnología utilizada esté alineada
con la estrategia basada en datos.
Ahora ya sabes cómo funcionan estas cinco destrezas analíticas esenciales para tomar mejores decisiones basadas en
datos. Hasta ahora, muchos de los ejemplos que has escuchado son hipotéticos. Eso significa que podrían ser ciertos en
teoría, pero no son casos concretos del mundo real. A continuación, veremos algunos ejemplos reales. Estoy impaciente
por compartir cómo los analistas de datos ponen en práctica los datos para obtener resultados asombrosos.
VIDEO: La magia de los datos en el mundo real

En este video, voy a compartir algunos estudios de caso que destacan el increíble trabajo que hacen los analistas de datos.
Cada uno de estos escenarios muestra el poder de la toma de decisiones basada en datos de formas inesperadas.
- La primera historia es sobre Google. Como mencioné hace poco, en Google, nuestra misión es organizar la información
del mundo y lograr que sea universalmente accesible y útil. Todos nuestros productos, desde la idea hasta el desarrollo
y el lanzamiento, se basan en datos y en la toma de decisiones basada en datos. Aquí en Google, hay muchísimos
ejemplos de personas que utilizan hechos para crear una estrategia empresarial. Aunque uno de los más famosos tiene
que ver con el sector de Recursos Humanos de Google. Pasó lo siguiente. El Departamento de RR: HH. quería saber si
valía la pena tener gerentes. ¿Sus contribuciones valen la pena? ¿O sería más eficaz que todos fueran colaboradores
individuales? Para responder a esa pregunta, el equipo de Análisis de Personas de Google analizó revisiones de
desempeño y encuestas anteriores a empleados. Los datos que encontraron fueron plasmados en un gráfico porque,
como ya viste, las imágenes son extremadamente útiles para comprender un problema o un concepto. En el gráfico
reveló que los empleados de Google tenían sentimientos positivos hacia sus gerentes, pero los datos eran bastante
generales y el equipo quería obtener más información. Por lo que profundizaron en esto y dividieron los datos en
cuartiles. Un cuartil divide los puntos de datos en cuatro partes iguales o cuartos. Aquí empezaron a suceder cosas
muy interesantes. Los analistas de datos descubrieron que había una gran diferencia entre los cuartiles superior e
inferior. Al final, resultó que, los equipos con los mejores gerentes estaban mucho más felices, eran más productivos y
tenían más probabilidades de querer seguir trabajando en Google. Con esto, se confirmó que los gerentes eran
valorados y hacen una gran diferencia. Por lo tanto, la idea de tener solamente colaboradores individuales no se
implementó. Sin embargo, aún quedaba más trabajo por hacer. El solo hecho de saber que los buenos gerentes
producen buenos resultados no genera conocimientos prácticos. Es necesario identificar qué caracteriza a un buen
gerente, así que el equipo ejecutó dos pasos adicionales para recopilar más datos. Primero, lanzaron un programa de
premios en el que los empleados podían nominar a sus gerentes favoritos. Para cada propuesta, se debían
proporcionar ejemplos o datos sobre qué hace que ese gerente sea excelente. El segundo paso consistió en entrevistar
a los gerentes que fueron graficados en los cuartiles superior e inferior. De esta manera, el equipo de Análisis pudo ver
las diferencias entre los comportamientos satisfactorios y y los menos satisfactorios. Los mejores comportamientos se
identificaron como las razones más comunes por las que un gerente necesita mejorar. El paso final fue compartir estas
ideas y poner un procedimiento en práctica para evaluar a los gerentes con estas cualidades en mente. Esta decisión
basada en datos continúa creando una cultura empresarial excepcional para mis colegas y para mí. Gracias, datos.
- Otro ejemplo interesante lo encontramos en el sector sin fines de lucro. Las organizaciones sin fines de lucro se
dedican a promover una causa social o defender una iniciativa en particular, como la seguridad alimentaria, la
educación o las artes. En este caso, analistas de datos investigaron la manera en que los periodistas pueden generar un
impacto más significativo en las organizaciones sin fines de lucro sobre las que escriben. Los periodistas publican en
periódicos, revistas y otros medios de comunicación, por lo que pueden ayudar a las organizaciones sin fines de lucro a
llegar a lectores como tú y como yo, quienes luego actúan para ayudar a estas organizaciones a alcanzar sus metas. Por
ejemplo, digamos que leíste sobre el problema del cambio climático en una revista en línea. Si el artículo es efectivo,
conocerás más sobre la causa e, incluso, podrías sentir el impulso de tomar decisiones más ecológicas en tu día a día,
querer ser voluntario de una organización sin fines de lucro o hacer una donación. Ese es un ejemplo de la labor del
periodista y cómo genera concientización, comprensión y compromiso. Ahora volvamos a la historia. Los analistas de
datos utilizaron un rastreador para monitorear los temas, los clics, el tráfico web, los comentarios, lo que se comparte
y más. Luego, evaluaron la información para hacer recomendaciones sobre la forma en que los periodistas podrían
hacer aún mejor su trabajo. Al final, se les ocurrieron algunas ideas geniales sobre cómo las organizaciones sin fines de
lucro y los periodistas pueden motivar a la gente en todas partes para trabajar juntos y hacer del mundo un lugar
mejor. Realmente, no hay límites para lo que puedes hacer como analista de datos. A medida que avances en este
programa, descubrirás aún más posibilidades. Hiciste un buen trabajo siguiendo los temas de estos últimos videos.
Aprendiste todo sobre las destrezas analíticas y las cinco características clave de los analistas de datos. Probablemente,
incluso te diste cuenta de que ya eres un conocedor de la mayoría de ellas. Después, descubriste qué significa pensar
analíticamente y las destrezas específicas que los analistas de datos desarrollan para lograrlo. Exploraste las herramientas y
los procesos que permiten a los analistas de datos encontrar un problema y formular las preguntas adecuadas para
resolverlo. Finalmente, algunos ejemplos del mundo real ayudaron a ilustrar por qué la toma de decisiones basada en
datos suele ser más eficaz que otros métodos. Estás sentando una base excelente para tu carrera como analista de datos.
Con cada video, tus habilidades continuarán expandiéndose y tu comprensión de los conceptos clave del análisis de datos
solo se volverá más sólida. Pronto, tendrás la oportunidad de probar todo lo que aprendiste. Es una oportunidad muy útil
para verificar tu comprensión de todos los conceptos que hemos discutido; si llegas a tener alguna duda sobre una
pregunta, puedes revisar los videos y lecturas para encontrar la respuesta. Esta es otra buena manera de practicar la
recopilación de datos. ¡Buen trabajo, sigue así!
Glosario
Análisis (computacional) de datos
Términos y definiciones
*Las áreas de este glosario están intencionalmente vacías, ya que aún no hemos cubierto los términos y definiciones clave que
corresponden a ciertas letras. A medida que avance el programa, los glosarios se llenarán con muchos más elementos.
A
Análisis (computacional) de datos: La ciencia de los datos.
Análisis de datos: La recopilación, transformación y organización de los datos para sacar conclusiones, hacer predicciones e
Análisis de déficits: Un método para examinar y evaluar el estado actual de un proceso con el fin de identificar las
oportunidades de mejora en el futuro.
Analista de datos: Alguien que recopila, transforma y organiza los datos para sacar conclusiones, hacer predicciones e impulsar
la toma de decisiones fundamentada.
C
Causa raíz: La razón por la que ocurre un problema
Ciencia de datos: Un campo de estudio que utiliza datos brutos para crear nuevas formas de modelar y entender lo
desconocido
Conjunto de datos: Una colección de datos que pueden ser manipulados o analizados como una unidad
Contexto: La condición en la que algo existe o sucede
D
Datos: Una colección de hechos
Destrezas analíticas: Cualidades y características asociadas al uso de hechos para resolver problemas
Diseño de datos: Cómo se organiza la información
E
Ecosistema de datos: Los distintos elementos que interactúan entre sí para producir, gestionar, almacenar, organizar, analizar y
compartir datos
Estrategia de datos: La gestión de las personas, los procesos y las herramientas que se usan en el análisis de datos
M
Mentalidad técnica: La capacidad de dividir las cosas en pasos o piezas más pequeñas y trabajar con ellas de forma ordenada y
lógica
P
Pensamiento analítico: El proceso de identificar y definir un problema, para luego resolverlo mediante el uso de datos de
manera organizada, paso a paso
T
Toma de decisiones basada en datos: Uso de datos para guiar la estrategia empresarial
V
Visualización de datos: La representación gráfica de los datos
Visualización: (Consulta la visualización de datos)
CUESTIONARIO:
SEMANA 3:
SEGUIR EL CICLO DE VIDA DE LOS DATOS:
VIDEO: Aprender sobre las herramientas y las fases de los datos
¡Hola! Es genial tenerte de vuelta. Hemos hablado un poco sobre el proceso de análisis de datos. Para repasar rápidamente, las
fases del proceso de análisis de datos son preguntar, preparar, procesar, analizar, compartir y actuar. Tal vez recuerdes cuando
dije antes que todo este programa se basa en estos pasos. Ahora, profundizaremos y exploraremos cómo funciona cada una de
estas fases en conjunto. Pero me estoy adelantando un poco. Primero, dediquemos un poco de tiempo a entender el ciclo de
vida de los datos. No, los datos no están realmente vivos; pero tienen un ciclo de vida. ¿Cómo hacen los analistas de datos para
dar vida a los datos? Bueno, se empieza con la herramienta de análisis de datos correcta. Estos incluyen hojas de cálculo, bases
de datos, lenguajes de consulta y software de visualización. No te preocupes si no sabes cómo funcionan o, incluso, lo que son.
Recuerdo cuando empecé a aprender sobre hojas de cálculo. Era un joven pasante, y la compañía en la que trabajaba estaba
en medio de un gran cambio de sistemas. Eso implicó trasladar muchos informes del sistema anterior al nuevo. Después de
algunas semanas, noté que incluso las personas que estaban más avanzadas en sus carreras profesionales no estaban tan
capacitados técnicamente como yo. Esa fue una gran oportunidad para mí a fin de agregar valor. Mi momento revelador en
cuanto a hojas de cálculo apareció cuando empecé a investigar los atajos que podría usar para trabajar con las hojas de cálculo
más eficientemente. Esto, realmente, agilizaría el proceso de lograr que esos informes se trasladen al nuevo sistema. Una vez
que todo empezó a fluir, recuerdo recibir correos electrónicos de otros analistas financieros de la compañía. Estaban tan
agradecidos que alguien vino y solucionó un problema que nadie más había podido. Eso me inspiró a seguir avanzando y
aprender a usar las hojas de cálculo de muchas formas increíbles. A medida que avances en el curso, estoy seguro de que te
impresionarás tanto como yo. Y, antes de que te des cuenta, tú también darás vida a los datos. Empecemos.
VIDEO: Etapas del ciclo de vida de los datos

Tengo una pregunta para ti. Cuando piensas en un ciclo de vida, ¿qué es lo primero que se te ocurre? No leo la mente, pero sé
que lo que piensas es correcto. En realidad, no hay una respuesta equivocada porque todo tiene un ciclo de vida. Uno de los
ejemplos más conocidos de un ciclo de vida es una mariposa. Al principio, las mariposas salen del huevo, eclosionan en orugas
y, luego, se convierten en crisálidas. Ahí es donde ocurre la verdadera magia. Los datos también tienen un ciclo de vida propio.
En este video, hablaremos de cada una de las etapas de ese ciclo de vida para ayudarte a entender cada fase por la que pasan
los datos. El ciclo de vida de los datos consiste en planificar, capturar, gestionar, analizar, archivar y destruir.
- La primera fase: planificación. En realidad, esto sucede mucho antes de iniciar un proyecto de análisis. Durante la
planificación, una empresa decide qué tipo de datos necesita, cómo se gestionarán a lo largo de su ciclo de vida, quién
será responsable de ellos y cuáles son los resultados óptimos. Por ejemplo, supongamos que un proveedor de
electricidad desea adquirir nuevas perspectivas sobre cómo ahorrar energía. En la fase de planificación, podría decidir
capturar información sobre cuánta electricidad consumen sus clientes por año, qué tipos de edificios se están
suministrando eléctricamente y qué tipos de dispositivos se suministran dentro de ellos. La empresa eléctrica también
decidiría qué miembros del equipo serían responsables de recopilar, almacenar y compartir esos datos. Estas
decisiones se toman durante la planificación y ayudan a configurar el resto del proyecto.
- La siguiente fase es cuando se capturan los datos. En esta fase, se recopilan datos de diversas fuentes y se incorporan
en la organización. Debido a que se crean tantos datos por día, los métodos de recopilación son infinitos. Un método
común es obtener datos de recursos externos. Por ejemplo, si hicieras un análisis de datos sobre patrones
meteorológicos, probablemente, obtendrías datos de un conjunto de datos disponible para el público, como el Centro
Nacional de Datos Climáticos. Otra forma de obtener datos es a partir de documentos y archivos propios de una
empresa, que, normalmente, se almacenan en una base de datos. Si bien ya hemos mencionado las bases de datos, no
proporcionamos muchos detalles sobre lo que realmente son. Una base de datos es un conjunto de datos
almacenados en un sistema informático. En el caso de nuestro proveedor de electricidad, la empresa, probablemente,
mediría el uso de los datos entre sus clientes dentro de una base de datos propia. Como nota rápida, cuando tienes
una base de datos con información de los clientes, debes preocuparte por garantizar la integridad, la credibilidad y la
privacidad de esos datos. Aprenderás mucho más sobre eso más adelante.
- Ahora que hemos capturado nuestros datos, pasaremos a la siguiente fase del ciclo de vida de los datos: la gestión.
Aquí hablamos de cómo cuidamos nuestros datos, cómo y dónde los almacenamos, qué herramientas usamos para
protegerlos y mantenerlos seguros, y qué medidas adoptamos para asegurarnos de que se conserven correctamente.
Esta fase es muy importante para la limpieza de los datos, de la cual hablaremos más adelante.
- A continuación, llegó el momento de analizar tus datos. Aquí es donde realmente se destacan los analistas de datos.
En esta fase, los datos se usan para resolver problemas, tomar decisiones importantes y respaldar los objetivos
empresariales. Por ejemplo, uno de los objetivos de nuestra empresa eléctrica podría ser encontrar nuevas maneras de
ayudar a los clientes a ahorrar energía.
- Mientras seguimos avanzando por el ciclo de vida de los datos, ahora entramos en la fase de archivo. Archivar significa
almacenar datos en un lugar donde todavía están disponibles, pero es poco probable que se vuelvan a usar. Durante el
análisis, los analistas manejan grandes cantidades de datos. ¿Te imaginas si tuviéramos que clasificar todos los datos
disponibles que están a nuestro alcance, aunque ya no fueran útiles ni relevantes para nuestro trabajo? Tiene mucho
más sentido archivarlos que mantenerlos a mano.
- Y, finalmente, el último paso del ciclo de vida de los datos: la fase de destrucción. Sí, suena desalentador; pero la
destrucción de los datos no duele. Así que volvamos a nuestro ejemplo del proveedor de electricidad. Tendría datos
almacenados en varios discos duros. Para destruirlos, la compañía usaría un software de destrucción de datos seguro.
En caso de haber archivos impresos, se triturarían. Esto es importante para proteger la información privada de una
empresa, así como los datos privados sobre sus clientes.
Y ahí lo tienes, el ciclo de vida de los datos. Ahora que entiendes las distintas fases por las que pasan los datos durante su ciclo
de vida, tendrás una mejor idea de cómo abordar el proceso de análisis de datos, del cual hablaremos pronto.
Variaciones del ciclo de vida de los datos:

Aprendiste que el ciclo de vida de los datos consta de seis etapas. Aquí hay un resumen:
1. Planificar: Decide qué tipo de datos se necesitan, cómo se gestionarán y quién será responsable de ellos.
2. Capturar: Recopila o reúne datos de varias fuentes distintas.
3. Gestionar: Cuida y brinda mantenimiento a los datos. Esto incluye determinar cómo y dónde se almacenan y las
herramientas utilizadas para hacerlo.
4. Analizar: Utiliza los datos para resolver problemas, tomar decisiones y respaldar los objetivos empresariales.
5. Archivar: Mantén almacenados los datos relevantes para referencias futuras y a largo plazo.
6. Destruir: Elimina los datos almacenados y todas las copias compartidas.
Advertencia: Ten cuidado de no mezclar o confundir las seis etapas del ciclo de vida de los datos (Planificar, Capturar,
Administrar, Analizar, Archivar y Destruir) con las seis fases del ciclo de vida del análisis de datos (Preguntar, Preparar,
Procesar, Analizar, Compartir y Actuar). No deben usarse ni referirse indistintamente.
El ciclo de vida de los datos proporciona un framework genérico o común sobre cómo se gestionan los datos. Recordarás
que las variaciones del ciclo de vida del análisis de datos se describieron en Orígenes del proceso de análisis de datos.
Esto también se puede aplicar al ciclo de vida de los datos. En el resto de esta lectura, se brinda una visión sobre cómo
el gobierno y las instituciones educativas y financieras pueden ver los ciclos de vida de los datos de una manera un poco
diferente.
Servicio de Pesca y Vida Silvestre de los EE.UU.

El Servicio de Pesca y Vida Silvestre de los Estados Unidos utiliza el siguiente ciclo de vida de los datos:
1. Planificar
2. Adquirir
3. Mantener
4. Acceder
5. Evaluar
6. Archivar
Para obtener más información, consultela página del Ciclo de vida de la gestión de los datos del Servicio de Pesca y Vida
Silvestre de los EE.UU.
Servicio Geológico de los Estados Unidos (USGS):

El USGS utiliza el siguiente ciclo de vida de los datos:
1. Planificar
2. Adquirir
3. Procesar
4. Analizar
5. Preservar
6. Publicar/Compartir
También se realizan varias actividades transversales o generales durante cada etapa de su ciclo de vida:
 Describir (metadatos y documentación)

 Gestionar la calidad
 Realizar copias de seguridad y asegurar
Para obtener más información, consulte la página del Ciclo de vida de los datos del USGS.
Instituciones financieras
Las instituciones financieras pueden adoptar un enfoque ligeramente diferente del ciclo de vida de los datos, tal como se
describe en The Data Life Cycle (El ciclo de vida de los datos), un artículo publicado en la revista Strategic Finance:
1. Capturar
2. Calificar
3. Transformar
4. Utilizar
5. Informar
6. Archivar
7. Depurar
Escuela de Negocios de Harvard (HBS)

Un ciclo de vida final de datos informado en una investigación realizada por la Universidad de Harvard consta de ocho
etapas:
1. Generación
2. Recolección
3. Procesamiento
4. Almacenamiento
5. Gestión
6. Análisis
7. Visualización
8. Interpretación
Para obtener más información, consulte Los 8 pasos del ciclo de vida de los datos.
Conclusión clave
Comprender la importancia del ciclo de vida de los datos lo preparará para ser un analista de datos exitoso. Cada etapa
del ciclo de vida de los datos variará de una empresa a otra o según la industria o el sector. Los datos históricos son
importantes tanto para el Servicio de Pesca y Vida Silvestre de EE.UU. como para el USGS, por lo que su ciclo de vida
de los datos se centra en archivar y respaldar datos. Los intereses de Harvard se enfocan en la investigación y la
enseñanza, por lo que su ciclo de vida de los datos incluye la visualización y la interpretación, aunque estos suelen
asociarse con el ciclo de vida de análisis de datos. En el ciclo de vida de los datos de la HBS, tampoco se incluye una
etapa para depurar o destruir datos. Por el contrario, el ciclo de vida de los datos en el sector financiero identifica
claramente las etapas de archivo y depuración. En resumen, aunque los ciclos de vida de los datos varían, existe un
principio de gestión de datos universal: se debe controlar cómo se manejan los datos para que sean precisos y estén
seguros y disponibles para satisfacer las necesidades de su organización
CUESTIONARIO
Ahora que ya conoces las fases del ciclo de vida de los datos, puedes tomarte un momento para pensar en tu aprendizaje. En
esta autorreflexión, considerarás tus ideas acerca de la recopilación de datos y cómo encaja en el ciclo de vida de los datos.
Para empezar, te imaginarás una situación simple: debatir sobre el ciclo de vida de los datos en una entrevista simulada para
un puesto de analista de datos. Luego, responderás a tres preguntas breves. Te esforzaste en aprender los conceptos básicos
del ciclo de vida de los datos, así que aprovéchalos al máximo: ¡Esta reflexión te ayudará a fijar tus conocimientos!
La situación: una entrevista para un puesto de analista de datos
Imagina que te entrevistan para un puesto de analista de datos en una empresa de helados local. El gerente de contratación
explica que la compañía necesita un analista de datos porque desea obtener más información sobre sus clientes. Primero,
desean conocer las preferencias de sabores de helado de sus clientes. Luego, usarán estos datos de los clientes para ayudar a
tomar decisiones importantes.
El gerente de contratación explica que no tienen ningún dato de los clientes y que no saben por dónde empezar. Luego, te
pregunta: ¿Puedes explicar cómo abordarías esta tarea?
Antes de responder la pregunta, ten en cuenta cada paso del ciclo de vida de los datos.
Resumen: El ciclo de vida de los datos
Los pasos del ciclo de vida de los datos son los siguientes:
1. Planear: ¿Qué planes debes realizar y qué decisiones debes tomar? ¿Qué datos necesitas para responder tu pregunta?
2. Capturar: ¿De dónde provienen tus datos? ¿Cómo los obtendrás?
3. Gestionar: ¿Cómo almacenarás tus datos? ¿Para qué deben usarse? ¿Cómo mantienes estos datos seguros y
protegidos?
4. Analizar: Cómo la empresa analizará los datos? ¿Qué herramientas deberían usar?
5. Archivar: ¿Qué deben hacer con sus datos cuando dejan de ser actuales? ¿Cómo saben cuándo es el momento
indicado?
6. Destruir: ¿Deben eliminar algún dato? Si la respuesta es “sí”, ¿cuándo y cómo?
Reflexión:
Ten en cuenta lo que aprendiste sobre los pasos del ciclo de vida de los datos y reflexiona acerca de la solicitud del gerente de
contratación. Analiza las siguientes preguntas para ayudarte a guiar tus ideas:
+ ¿Qué tipo de datos deberían recopilar?
+ ¿Cómo deberían recopilar estos datos?
+ ¿Dónde alojarán los datos? ¿Cómo almacenarán los datos?
+ Una vez que tengan los datos, ¿cómo los usarán?
+ ¿Cómo mantienen sus datos seguros y protegidos?
+ ¿Qué deben hacer con los datos antiguos? ¿Cuáles son sus opciones?
En el cuadro de texto a continuación, escribe 2 0 3 oraciones (de 40 a 60 palabras) que expliquen tu recomendación sobre
cómo la empresa de helados debe recopilar los datos de preferencia de sabores de los clientes.
La empresa de helados debe hacer lo siguiente:
- Averiguar qué datos necesitan y dónde pueden obtenerlos.

- Recopilar los datos y tener en claro para qué los usarán (y para qué no).
- Pensar en cómo proteger los datos y gestionar los datos antiguos que ya no son útiles.
Como analista de datos, estos son los tipos de preguntas a las que siempre debes responder sobre tus datos. Desde considerar
la recopilación de datos antes de empezar un proyecto (en la fase de planificación) hasta eliminarlos con un software de
destrucción (en la fase de destrucción), los analistas de datos deben aplicar estos conceptos para abordar cada proyecto de
datos de manera eficaz.
CUESTIONARIO
Esbozar el proceso de análisis de datos:

VIDEO: Las seis fases del análisis de datos
Ya has comprendido todas las fases del ciclo de vida de los datos, así que es momento de pasar a la fases del análisis de datos.
Parecen similares, pero son dos cosas distintas. El análisis de datos no es un ciclo de vida. Es el proceso de analizar datos.
Próximamente, vamos a revisar cada paso del proceso de análisis de datos y cómo se relacionará con tu trabajo como analista
de datos. Incluso este programa está diseñado para seguir estos pasos. Entender estas conexiones te ayudarán a orientar tu
propio análisis y tu trabajo en este programa. Ya aprendiste que este programa está diseñado en función de las etapas del
proceso de análisis de datos. Este programa está dividido en cursos; de estos, seis se basan en los pasos del análisis de datos:
preguntar, preparar, procesar, analizar, compartir y actuar.
- Comencemos con el primer paso del análisis de datos: preguntar. En esta fase, hacemos dos cosas. Definimos el
problema que se pretende resolver y nos aseguramos de que entendemos plenamente las expectativas de los
interesados. Los interesados tienen una participación en el proyecto. Son personas que han dedicado tiempo y
recursos a un proyecto, y están interesadas en el resultado. Analicemos esto.
 En primer lugar, definir un problema significa que observas el estado actual e identificas cómo difiere del
estado ideal. Normalmente, hay un obstáculo que debemos eliminar o un error que tenemos que corregir. Por
ejemplo, un estadio deportivo que quiere reducir el tiempo que los fanáticos pasan esperando en la fila. El
obstáculo es definir cómo lograr que los clientes lleguen rápido a sus asientos.
- Otra parte importante de la fase de preguntar es entender las expectativas de los interesados.
 En este punto, el primer paso es determinar quiénes son los interesados. Podría incluir al gerente, un
patrocinador ejecutivo o tus socios de ventas. Puede haber muchos interesados. Sin embargo, lo que todos
tienen en común es que ayudan a tomar decisiones, influyen en las acciones y estrategias, y tienen objetivos
específicos por cumplir. También les importa el proyecto y, por eso, es tan importante entender sus
expectativas. Por ejemplo, si el gerente te asigna un proyecto de análisis de datos relacionados con el riesgo
empresarial, sería conveniente confirmar si quieren incluir todo tipo de riesgos que podrían afectar a la
empresa, o tan solo los riesgos relacionados con el clima, como los huracanes y tornados. Comunicarse con los
interesados es clave para mantener el nivel de compromiso y la concentración en todo momento durante el
proyecto. Como analista de datos, establecer estrategias de comunicación sólidas es muy importante. Este
aspecto de preguntar te ayuda a enfocarte en el problema y no solo en los síntomas. Como ya aprendiste
antes, los cinco porqués son extremadamente útiles en este punto. En un próximo curso, aprenderás a
formular preguntas eficaces y definir el problema trabajando con los interesados. También se tratarán las
estrategias que te pueden ayudar a compartir tus hallazgos de una manera que mantenga a las personas
interesadas. Después de eso, continuaremos con el paso de preparación del proceso de análisis de datos. En
este punto, los analistas de datos recopilan y almacenan datos que usarán para el próximo proceso de análisis.
Aprenderás más sobre los diferentes tipos de datos y cómo identificar qué tipos de datos son los más útiles
para resolver un problema en particular. También descubrirás por qué es tan importante que tus datos y
resultados sean objetivos e imparciales. En otras palabras, cualquier decisión que tomes a partir de tu análisis
siempre debe basarse en hechos y ser justa e imparcial.
- A continuación, viene el paso del proceso. En este, los analistas de datos encuentran y eliminan cualquier error e
inexactitud que puedan interferir con los resultados.
 Esto suele implicar la limpieza de los datos, su conversión a un formato más útil, combinar dos o más conjuntos
de datos para lograr que la información sea más completa y eliminar los valores atípicos, que son puntos de
datos que podrían sesgar la información.
 Después de eso, aprenderás cómo revisar los datos que prepares para asegurarte de que sean completos y
correctos.
 En esta fase, el propósito es que los detalles sean correctos. Así que también corregirás errores tipográficos,
incoherencias o datos inexactos o faltantes.
 Para finalizar, aprenderás estrategias para verificar y compartir la limpieza de datos con los interesados.
- Luego, será el momento del análisis. Analizar los datos recopilados implica el uso de herramientas para transformar y
organizar esa información a fin de poder extraer conclusiones útiles, hacer predicciones e impulsar una toma de
decisiones fundamentada. Hay muchas herramientas potentes que los analistas de datos usan en su trabajo, y en este
curso aprenderás sobre dos de ellas: las hojas de cálculo y el lenguaje de consulta estructurado, o SQL, que se suele
pronunciar “sícuel”, como en inglés.
- El próximo curso trata sobre la fase de compartir. Aprenderás la manera en que los analistas de datos interpretan
resultados y los comparten para ayudar a los interesados a tomar decisiones efectivas basadas en datos. En la etapa de
compartir, la visualización es el mejor amigo del analista de datos. Así que este curso destacará por qué la visualización
es esencial para conseguir que otras personas comprendan qué te dicen tus datos. Con las imágenes adecuadas, los
hechos y las cifras se convierten en algo mucho más fácil de analizar, y los conceptos complejos son más fáciles de
entender. Exploraremos diferentes tipos de elementos visuales y algunas herramientas geniales de visualización de
datos. También vas a practicar tus habilidades de presentador al crear presentaciones convincentes y aprender cómo
estar bien preparado para responder preguntas. Luego, descansaremos un poco del proceso de análisis de datos para
mostrarte todas las cosas geniales que puedes hacer con el lenguaje de programación R. No necesitas conocer R o los
lenguajes de programación en general. Lo que debes saber es que R es una herramienta popular para manipular,
calcular, y visualizar datos.
- Como fase final del análisis de datos, está el paso de actuar. Llegó ese emocionante momento en que la empresa toma
toda la información que tú, el analista de datos, has proporcionado y la pone a trabajar para resolver el problema
inicial del negocio y actuar según lo que tú aprendiste durante este programa. En este punto, te preparas para buscar
un trabajo y tener la posibilidad de realizar un proyecto de caso práctico. Es una gran oportunidad para integrar todo lo
que has hecho durante este curso. Además, sumar un caso práctico a tu portafolio te ayudará a sobresalir del resto de
candidatos cuando realices entrevistas para tu primer trabajo de analista de datos.
Ahora conoces los diferentes pasos del proceso de análisis de datos y cómo lo plasma nuestro curso. Tienes todo lo que
necesitas para entender cómo funciona el curso, y mis queridos googlers y yo estaremos disponibles para guiarte en todo
el recorrido.
Cómo el proceso de análisis de datos guía este programa
Preguntar
• Hacer preguntas efectivas
• Definir el problema
• Utilizar el pensamiento estructurado
• Comunicarse con los demás
Preparar
• Entender cómo se generan y recogen los datos
• Identificar y usar diferentes formatos, tipos y estructuras de datos
• Asegurarse de que los datos son imparciales y creíbles
• Organizar y proteger los datos
Procesar
• Crear y transformar datos
• Mantener la integridad de los datos
• Datos de prueba
• Datos limpios
• Verificar e informar sobre los resultados de la limpieza
Analizar
• Usar herramientas para formatear y transformar datos
• Ordenar y filtrar datos
• Identificar patrones y sacar conclusiones
• Hacer predicciones y recomendaciones
• Tomar decisiones basadas en datos
Compartir
• Entender la visualización
• Crear imágenes efectivas
• Dar vida a los datos
• Usar la narración de datos
• Comunicar para ayudar a otras 6 personas a entender los resultados
Actuar
• Aplicar tus conocimientos
• Resolver problemas
• Tomar decisiones
• Crear algo nuevo
VIDEO: Molly: ejemplo del proceso de datos

Independientemente de qué tipo de análisis de datos estés realizando, el proceso suele ser el mismo. El ejemplo que voy a
explicar es el de nuestra encuesta del compromiso de los empleados, pero puedes hacerte a la idea de que este proceso se
aplica a casi cualquier análisis de datos que vas a realizar como analista.
- Lo primero que tienes que hacer es preguntar. Debes formular todas las preguntas correctas en la etapa inicial del
proyecto para poder entender mejor lo que tus líderes y los interesados necesitan obtener de este análisis. Los tipos de
preguntas que generalmente hago son:
 ¿Cuál es el problema que estamos tratando de resolver? ¿Cuál es el propósito de este análisis? ¿Qué queremos
aprender de él?
- Después de haber hecho todas las preguntas correctas y tras haber comprendido el alcance del análisis que debes
realizar, el siguiente paso es la preparación. Debemos pensar qué tipo de datos necesitamos para responder esas
preguntas clave. Podría ser cualquier cosa, datos cuantitativos o datos cualitativos. Podría ser algo transversal o puntos
en el tiempo versus longitudinal durante un largo período. Debemos reflexionar sobre el tipo de datos que
necesitamos para responder a las preguntas que nos hemos propuesto responder en función de lo que aprendimos
cuando hicimos las preguntas correctas. También tenemos que pensar en cómo vamos a recopilar esos datos o si
necesitamos recopilarlos. Puede darse el caso de que tengamos que recopilar los datos desde cero. Así que tenemos
que pensar sobre qué tipo de datos vamos a recopilar y cómo. En el caso de nuestra encuesta del compromiso de los
empleados, lo hacemos a través de una encuesta con preguntas cuantitativas y cualitativas. O, en realidad, puede
ocurrir que, para muchos análisis, los datos que buscas ya existan. En ese caso, solo tienes que trabajar con los
propietarios de esos datos para confirmar que puedes hacer uso de ellos y utilizarlos de forma responsable.
- Después de haber hecho todo el trabajo difícil para recopilar los datos, tienes que procesar la información. Esto
comienza con la limpieza. Para mí, es la parte más divertida del proceso de análisis de datos. Podemos pensar en ello
como la introducción o el apretón de manos, el saludo a tus datos. Es la oportunidad de comprender su estructura, sus
peculiaridades, sus matices, y realmente puedes entender en profundidad con qué tipo de datos vas a trabajar, así
como comprender qué potencial tienen para responder a todas tus preguntas. Esto es muy importante también,
porque es cuando se ejecutan todos nuestros controles de calidad. Por ejemplo, ¿tenemos todos los datos que
pensamos que tendríamos? ¿Nos faltan datos aleatorios o faltan de una forma sistemática que nos hace pensar que tal
vez hubo errores en nuestro trabajo de recopilación de datos? Si fuera necesario, ¿codificamos todos los datos de la
manera correcta? ¿Hay algún valor atípico que debamos tratar de otra forma? Esta es la parte en la que dedicamos
mucho tiempo a profundizar en la estructura y el matiz de los datos para asegurarnos de que se puedan analizar de
forma apropiada y responsable.
- Después de limpiar los datos y de ejecutar todos nuestros controles de calidad, llega el punto en que analizamos los
datos, y nos aseguramos de ser lo más objetivos e imparciales posible. Para esto, la primera cosa que hacemos es
ejecutar una serie de análisis que ya hemos planificado con anticipación en función de las preguntas que ya sabemos
que queremos responder desde los inicios del proceso. Hay una cosa que, tal vez, es lo más difícil de este proceso en
particular, lo más difícil de analizar datos, es que nosotros, los analistas, estamos entrenados para detectar patrones.
Con el tiempo, a medida que nos volvemos mejores en este trabajo, nos daremos cuenta de que podemos empezar a
intuir lo que podríamos encontrar en los datos. Podríamos tener una sospecha oculta sobre lo que los datos nos van a
revelar. Este es el punto en que tenemos que retroceder y dejar que los datos hablen por sí mismos. Los analistas de
datos somos narradores de historias, pero también tenemos que recordar que la historia que contamos no es nuestra.
Esa historia le pertenece a los datos, y nuestro trabajo como analistas es amplificar y contar esa historia de la manera
más imparcial y objetiva posible.
- El siguiente paso es compartir todos los datos e información que hayas generado a partir de tus análisis.
Habitualmente, en una encuesta del compromiso de los empleados, comenzamos por compartir las conclusiones de
alto nivel con nuestro equipo ejecutivo. Queremos que tengan una vista amplia de lo que se siente en la organización y
asegurarnos de que no habrá sorpresas a medida que indaguen más profundamente en los datos para entender qué
sienten los equipos y qué sienten los empleados. Todo este trabajo, desde hacer las preguntas correctas o recopilar los
datos, hasta analizar y compartir, no significa nada si no actuamos en función de lo que aprendimos. Para mí, esta es la
parte esencial, en especial, en nuestra encuesta del compromiso de los empleados.
- Me gusta decir que la encuesta es, de hecho, la parte fácil, y actuar en función de los resultados es el punto en el que
comienza el trabajo real. Aquí es donde usamos todos esos conocimientos basados en datos para decidir qué tipos de
intervenciones queremos introducir, no solo a nivel de la organización, sino también en el equipo. Podríamos detectar,
por ejemplo, que la organización está trabajando en algunas intervenciones para ayudar a mejorar parte de la
experiencia del empleado, mientras que los equipos individuales tienen funciones adicionales, responsabilidades que
desempeñar, para reforzar algunos de esos esfuerzos o introducir otros nuevos a fin de conocer mejor a su equipo: en
donde están las fortalezas y las áreas de oportunidad.
El proceso de análisis de datos es riguroso y toma tiempo. Puedo comprender plenamente que los analistas de datos nos
emocionemos con tan solo sumergirnos directamente en los datos y hacer lo que mejor sabemos hacer. Lo desafiante es
que, si no completamos todos los pasos del proceso, si intentamos saltarnos alguno, no podremos generar todo el
conocimiento que buscamos. Me encanta mi trabajo. Tengo un gran aprecio por los datos y lo que te permiten hacer, y qué
tipo de conocimiento podemos obtener de ellos.
Registro de aprendizaje: organizar los datos en una tabla
A estas alturas, ya habrás comenzado a pensar en los datos de tu vida diaria y en cómo los usas para tomar decisiones.
Anteriormente en este curso, completaste un registro de aprendizaje en el que registraste algunos datos de tu vida diaria.
A continuación, pensarás en cómo organizar estos datos. En esta actividad, ingresarás una entrada en tu registro de
aprendizaje para realizar un seguimiento de tus ideas y reflexiones sobre cómo organizar los datos. Para cuando
completes la entrada, comprenderás cómo crear y dar formato a una tabla para almacenar los datos que recopiles. Las
tablas son una de las formas más comunes en que se organizan los datos para el análisis. Esta habilidad fundamental te
ayudará a analizar datos más fácilmente y será una herramienta primaria de tu kit de herramientas de analista de datos.
Estructuración de los datos

Para comenzar, piensa en los datos que recopilaste hasta ahora en las entradas de tu registro de aprendizaje en este
curso. Tómate un momento y prepárate para organizar estos datos. Una de las formas más sencillas de agregar
estructura a los datos es ponerlos en una tabla.
Para registrar los datos en una tabla, debes comprender cómo se estructura una tabla:
 Una tabla consta de filas y columnas

 Cada fila es una observación diferente
 Cada columna es un atributo diferente de esa observación
Por ejemplo, aquí hay una recopilación de observaciones en un registro de aprendizaje sobre cuántas tazas de café se
consumen cada día:
1. 19/10, 2,5 tazas de café

2. 20/10, 2 tazas de café
3. 21/10, 1 taza de café
Hay cinco puntos de datos. Cada dato consta de una fecha y el número de tazas de café consumidas ese día. Puedes
estructurar esto como una tabla de seis filas y dos columnas. Esto incluye cinco filas de datos y una fila de encabezado
con títulos:
Fecha Tazas de café/día

19/10 2,5
20/10 2
21/10 1
22/10 1,5
23/10 1,5
También puedes crear una tabla con datos más detallados. Por ejemplo, si tus datos también contenían información
sobre agregados, como crema y azúcar, podría verse así:
1. 19/10, 2,5 tazas, crema, azúcar

2. 20/10, 2 tazas, sin crema, sin azúcar
3. 21/10, 1 taza, crema, azúcar
4. 22/10, 1,5 tazas, crema, sin azúcar
5. 23/10, 1,5 tazas, crema, azúcar
Puedes representar esto agregando dos columnas más a la tabla, una titulada “Crema” y otra, “Azúcar”.
Fecha Tazas de café/día Crema Azúcar

19/10 2,5 Sí Sí
20/10 2 No No
21/10 1 Sí Sí
22/10 1,5 Sí No
23/10 1,5 Sí Sí
¡Ahora te toca a ti!
Has recopilado datos desde el comienzo del curso. Tómate un momento para pensar en los datos que recopilaste en el
registro de aprendizaje. Luego, define cómo podrías organizar los datos en una tabla.
Antes de comenzar, debes decidir qué software te gustaría usar para crear la tabla. Sugerimos usar Google Docs o
Microsoft Word para este ejemplo; más adelante, podrás usar tablas en hojas de cálculo. A continuación, encontrarás
instrucciones detalladas sobre cómo crear tablas cuando accedes al registro de aprendizaje.
Reflexión
En una nueva entrada del registro de aprendizaje, sigue las instrucciones de la plantilla y agrega una tabla para organizar
los datos. Luego, escribe de 3 a 5 oraciones (de 60 a 100 palabras) sobre las oportunidades que se presenten en tu vida
personal o trabajo actual para organizar los datos en tablas.
Cuando hayas terminado la entrada en la plantilla del registro de aprendizaje, asegúrate de guardar el documento para

Instrucciones
Puedes usar este documento como plantilla para la actividad del registro de aprendizaje: organizar los datos en una tabla.
Escribe tus respuestas en este documento y guárdalo en tu computadora o en Google Drive.
Organizar los datos en una tabla.
¡Ahora te toca a Ahora, puedes crear una tabla para tus datos. Puedes usar Google Docs, Microsoft Word
ti! o dibujar una tabla con lápiz y papel. Para crear la tabla, sigue las instrucciones del
método preferido:
Cómo crear una tabla en Google Docs
Para crear una tabla en un documento de Google, ve a la barra de herramientas en la
parte superior del documento. Haz clic en insertar > tabla y mueve el cursor sobre la
cuadrícula hasta resaltar el número de columnas y filas que desees. Para obtener
instrucciones paso a paso, visita: Agregar y editar tablas
Cómo crear una tabla en Microsoft Word
Para crear una tabla básica en Microsoft Word, ve a la barra de herramientas en la parte
superior del documento. Haz clic en insertar > tabla y mueve el cursor sobre la cuadrícula
hasta resaltar el número de columnas y filas que desees. Para obtener instrucciones paso
a paso, visita: Microsoft Word Insertar una tabla
Una tercera opción: lápiz y papel
Está bien si quieres crear tu registro de aprendizaje con lápiz y papel. Puedes dibujar la
tabla manualmente y rellenar los datos. Puedes considerar añadir filas vacías adicionales
para datos futuros, si decides continuar registrando datos.
Después de crear la tabla, puedes pasar a la reflexión.
Reflexión: Escribe 3 o 5 oraciones (de 60 a 100 palabras) en respuesta a cada una de estas
preguntas.
Pregunta y Reflexiona sobre las oportunidades que tienes en tu vida personal o en tu trabajo actual
respuesta: para organizar los datos en tablas, y afróntalas. Escribe tu respuesta aquí.
Fecha Tiempo de ejercicio por día en minutos
8/10 30
9/10 40
10/10 35
11/10 50
12/10 80
Clasifico tipo de ejecicio y el tiempo que me llevó
Fecha Tiempo de clase de youtube Caminar

8/10 30 0
9/10 30 10
10/10 20 15
11/10 40 10
12/10 40 40
CUESTIONARIO:
El kit de herramientas del análisis de datos:

VIDEO: Exploración de las herramientas del analista de datos
Algunas de las herramientas que los analista de datos usan todos los días. Existen muchísimas opciones. Las más comunes
usadas por los analistas son las hojas de cálculo, los lenguajes de consulta y las herramientas de visualización. En este video,
podrás echarle un vistazo a estas herramientas y a cómo las usan los analistas de datos todos los días. Por increíble que
parezca, dediqué varios años a mi carrera de contabilidad y finanzas antes de ver todas estas herramientas trabajando juntas.
En ese momento, tenía mucha experiencia con las hojas de cálculo y había trabajado con grandes conjuntos de datos con
algunos de los programas de bases de datos tradicionales. Tenía las habilidades básicas para utilizar los lenguajes de consulta y
había incursionado en las visualizaciones, pero nunca los había visto juntos en acción. Luego me contrataron en Google. Y
resultó tan revelador entrar en un lugar como este, con una abundancia de información dondequiera que mires. Como analista
en Google, el verdadero poder de estas herramientas se volvió mucho más claro para mí. Me centré en maximizar realmente
todo lo que estas herramientas podían hacer: agilizar mis informes y, en pocas palabras, simplificar mi trabajo. De repente,
tuve mucho más tiempo y espacio para dedicarme a identificar nuevos problemas para resolver e impulsar la toma de
decisiones. Sin duda, una vez que conoces el poder de estas herramientas, estarás bien encaminado a convertirte en el mejor
analista de datos que puedas ser. Muy bien; espero que esta historia te haya motivado un poco más para hacer este curso.
- Comencemos con las hojas de cálculo. Lo repito: hay muchas soluciones de hojas de cálculo, pero las dos opciones más
populares son Microsoft Excel y Google Sheets. En pocas palabras, una hoja de cálculo es una hoja de trabajo digital.
Almacena, organiza y ordena los datos. Esto es importante porque la utilidad de tus datos depende de qué tan bien
estructurados estén. Cuando colocas tus datos en una hoja de cálculo, puedes detectar patrones, agrupar información
y encontrar fácilmente la información que necesitas. Las hojas de cálculo también tienen algunas características muy
útiles llamadas fórmulas y funciones.
 Una fórmula es un conjunto de instrucciones que realiza un cálculo específico con los datos de una hoja de
cálculo. Las fórmulas pueden hacer cosas básicas como sumar, restar, multiplicar y dividir, pero eso no es todo.
También puedes usar fórmulas para encontrar el promedio de un conjunto de números, buscar un valor
determinado, encontrar la suma de un conjunto de valores que cumplen con una regla en particular y mucho
más.
 Una función es un comando preestablecido que realiza automáticamente un proceso o tarea específicos con
los datos de una hoja de cálculo. Sé que esto parece bastante técnico, así que vamos a analizarlo. Piensa en
una función como una forma más simple y más eficiente de hacer algo que normalmente te tomaría mucho
tiempo. En otras palabras, las funciones pueden ayudarte a ser más eficiente.
- La siguiente herramienta de análisis de datos se denomina lenguaje de consulta. Un lenguaje de consulta es un idioma
de programación informático que te permite encontrar y manipular datos en una base de datos. Aprenderás sobre algo
llamado lenguaje de consulta estructurado, mayormente conocido como SQL. El SQL es un lenguaje que permite que
los analistas de datos se comuniquen con una base de datos. Una base de datos es una colección de datos
almacenados en un sistema informático. El SQL es el lenguaje de consulta estructurado más utilizado por dos razones:
es fácil de entender y funciona muy bien con todo tipo de bases de datos. Con el SQL, los analistas de datos pueden
acceder a los datos que necesitan al realizar una consulta. Aunque "consulta" significa “pregunta”, me gusta pensarlo
más como una solicitud. Es así que le solicitas a la base de datos que haga algo por ti. Puedes pedirle que haga muchas
cosas diferentes, como insertar, eliminar, seleccionar o actualizar datos. Bien. Esa es una definición de alto nivel del
SQL. En un video posterior, la exploraremos más a fondo y usaremos el SQL para hacer cosas muy geniales con datos.
- Por último, hablemos de la visualización de datos. Has aprendido que la visualización de datos es la representación
gráfica de la información. Algunos ejemplos incluyen gráficos, mapas y tablas. La mayoría de las personas procesan las
imágenes con mayor facilidad que las palabras solas. Por eso, las visualizaciones son tan importantes. Ayudan a los
analistas de datos a comunicar su conocimiento a los demás de una manera efectiva y convincente. Cuando piensas en
el proceso de análisis de datos, después de que los datos se preparan, procesan y analizan, el conocimiento se visualiza
de una manera que se pueda entender y compartir. Esto hace que sea más fácil para los interesados sacar
conclusiones, tomar decisiones e idear estrategias. Algunas herramientas de visualización populares son Tableau y
Looker. A los analistas de datos les gusta usar Tableau porque les ayuda a crear elementos visuales muy fáciles de
entender. Esto significa que incluso los usuarios sin conocimientos técnicos pueden obtener la información que
necesitan. Looker también es popular entre los analistas de datos porque les proporciona una manera fácil de crear
imágenes basadas en los resultados de una consulta. Con Looker, puedes darles a los interesados una imagen completa
de tu trabajo, con los datos de visualización y los datos reales relacionados con ella. Todas las herramientas de
visualización tienen excelentes funciones que son útiles en diferentes situaciones. Pronto aprenderás a decidir cuál
herramienta usar en un trabajo en particular.
Eso es todo lo que necesitas conocer del ciclo de vida de los datos y del proceso de análisis de datos. Podrás poner a
prueba lo que sabes para sentirte cómodo para seguir avanzando en el curso. Dedícale un momento a volver a
familiarizarte con los conceptos y, cuando estés listo, haz tu mejor intento. Si en algún momento, no estás seguro de una
respuesta, podrás volver atrás para revisar los videos y las lecturas. Luego, estarás listo para pasar al siguiente conjunto de
videos, en los que seguiremos explorando las herramientas de análisis de datos que ya revisamos. Adquirirás
conocimientos fascinantes sobre cómo funcionan exactamente. En poco tiempo, tendrás el conocimiento y la confianza
para comenzar a usarlas tú mismo. Mantente atento.
Herramientas clave del analista de datos

Como has visto en este curso, los programas y las soluciones más comunes utilizados por los analistas de datos incluyen
las hojas de cálculo, los lenguajes de consulta y las herramientas de visualización. En esta lectura, aprenderás más
sobre cada uno. También aprenderás cuándo usarlos y por qué son tan importantes en el análisis de datos.
Hojas de cálculo
Los analistas de datos dependen de las hojas de cálculo para recopilar y organizar los datos. Dos aplicaciones populares
de hojas de cálculo que probablemente usarás mucho en el futuro, cuando seas analista de datos, son Microsoft Excel y
Google Sheets.
Las hojas de cálculo estructuran los datos de una manera comprensible y te permiten hacer lo siguiente:
 Recopilar, almacenar, organizar y ordenar información

 Identificar patrones y reunir los datos de una manera que se adapte a cada proyecto de datos específico
 Crear excelentes visualizaciones de datos, como gráficos y tablas.
Bases de datos y lenguajes de consulta
Una base de datos es una colección de datos estructurados almacenados en un sistema informático. Algunos programas
populares de lenguaje de consulta estructurado (SQL) incluyen MySQL, Microsoft SQL Server y BigQuery.
Funciones de los lenguajes de consulta:
 Hacen que los analistas puedan aislar información específica de unas bases de datos
 Facilitan el aprendizaje y la comprensión de las solicitudes realizadas a las bases de datos
 Permiten que los analistas seleccionen, creen, agreguen o descarguen datos de una base de datos para su
análisis
Herramientas de visualización
Los analistas de datos usan un conjunto de herramientas de visualización, como gráficos, mapas, tablas y cuadros, entre
otras. Dos herramientas de visualización populares son Tableau y Looker.
Funciones de estas herramientas:
 Convierten los números complejos en una historia que las personas pueden entender
 Ayudan a los interesados a sacar conclusiones que permiten tomar decisiones informadas y elaborar estrategias
empresariales eficaces
 Tienen múltiples características
- Con la sencilla función de arrastrar y soltar de Tableau, los usuarios pueden crear gráficos interactivos en paneles y
hojas de trabajo
- Looker se comunica directamente con una base de datos, con lo cual puedes conectar tus datos directamente a la
herramienta de visualización que elijas
En la carrera de analista de datos, también se usan lenguajes de programación, como R y Python, muy utilizados para el
análisis estadístico, la visualización y otros análisis de datos.
Conclusión clave
Cuentas con muchas herramientas para trabajar como analista de datos. Este es un primer vistazo a las posibilidades, y
explorarás muchas de estas herramientas en profundidad durante este programa.
Elegir la herramienta adecuada para la tarea
Cuando trabajes como analista de datos, tendrás que definir cuál es el programa o la solución adecuados para el
proyecto en el que estés participando. En esta lectura, aprenderás más sobre cómo elegir qué herramienta necesitas y
cuándo.
Dependiendo de la fase del proceso de análisis de datos en la que estés, deberás usar diferentes herramientas. Por
ejemplo, si te estás enfocando en crear visualizaciones complejas y llamativas, las herramientas de visualización que
revisamos anteriormente son la mejor opción. Sin embargo, si te estás enfocando en organizar, limpiar y analizar datos,
probablemente deberás elegir entre hojas de cálculo y bases de datos con consultas. Las hojas de cálculo y las bases de
datos ofrecen formas de almacenar, administrar y usar datos. El contenido básico de ambas herramientas son conjuntos
de valores. Sin embargo, también hay algunas diferencias clave:
Hojas de cálculo Bases de datos

Almacenes de datos a los que se accede mediante un lenguaje de
Aplicaciones de software
consulta (por ejemplo, SQL)
Estructurar datos en formato de filas y columnas Estructurar datos usando reglas y relaciones
Organizar la información en celdas Organizar la información en colecciones complejas
Proporcionar acceso a una cantidad limitada de
Proporcionar acceso a grandes cantidades de datos
datos
Ingreso manual de los datos Ingreso de datos estricto y coherente
Generalmente, un usuario a la vez Múltiples usuarios
Controlado por el usuario Controlado por un sistema de gestión de bases de datos
No tienes que elegir uno u otro porque cada uno sirve para algo distinto. En general, los analistas de datos trabajan con
una combinación de los dos, ya que ambas herramientas son muy útiles en el análisis de datos. Por ejemplo, puedes
almacenar datos en una base de datos y, luego, exportarlos a una hoja de cálculo para analizarlos. O bien, si estás
recopilando información en una hoja de cálculo y se vuelve excesiva para esa plataforma en particular, puedes importarla
a una base de datos. Más adelante en este curso, aprenderás que hay lenguajes de programación como R que te
permiten tener un mayor control de los datos, su análisis y las visualizaciones que creas.
A medida que avanzas en el aprendizaje de estas importantes herramientas, obtendrás el conocimiento suficiente para
elegir la herramienta adecuada para cualquier trabajo de datos.
CUESTIONARIO:
Resumen
Ya conoces el papel de analista de datos, así que puedes hacer una pausa y reflexionar acerca de lo que estás
aprendiendo. En esta autorreflexión, pensarás en tus ideas sobre el proceso de análisis de datos y el ciclo de vida
de los datos, y luego, responderás preguntas breves.
Esta autorreflexión te ayudará a desarrollar conceptos sobre tu propio aprendizaje y te preparará para aplicar
tus conocimientos sobre las fases del análisis de datos a tu kit de herramientas de análisis de datos. A medida
que respondas las preguntas, y plantees tus propias preguntas, tendrás en cuenta los conceptos, las prácticas y
los principios que te ayudarán a refinar tu comprensión y reforzar tu aprendizaje. Ya hiciste el trabajo duro, así
que asegúrate de sacarle el máximo provecho: ¡esta reflexión te ayudará a fijar tus conocimientos!
Revisar las fases de los datos
Hasta el momento, aprendiste sobre el proceso de análisis de datos y el ciclo de vida de los datos. Incluyen los
siguientes pasos:
Proceso de análisis de datos:
1. Preguntar: Desafío empresarial/objetivo/pregunta. Hacer preguntas y definir el problema.
2. Preparar: Generación, recopilación, almacenamiento y administración de datos. Preparar datos al recopilar y

almacenar la información.
3. Procesar: Limpieza de datos/integridad de datos. Procesar los datos al limpiar y comprobar la información.
4. Analizar: Exploración, visualización y análisis de datos. Analizar los datos para encontrar patrones, relaciones y
tendencias.
5. Compartir: Comunicación e interpretación de los resultados. Compartir datos con tu audiencia
6. Actuar: Uso de tus conocimientos para resolver el problema. Actuar en función de los datos y utilizar los
resultados del análisis
Ciclo de vida de los datos:

1. Planificar: Decide qué tipo de datos se necesitan, cómo se gestionarán y quién será responsable de ellos. ¿Qué
planes debes realizar y qué decisiones debes tomar? ¿Qué datos necesitas para responder tu pregunta?
2. Capturar: Recopila o reúne datos de varias fuentes distintas. ¿De dónde provienen tus datos? ¿Cómo los
obtendrás?
3. Gestionar: Cuida y brinda mantenimiento a los datos. Esto incluye determinar cómo y dónde se almacenan y las
herramientas utilizadas para hacerlo. ¿Cómo almacenarás tus datos? ¿Para qué deben usarse? ¿Cómo mantienes
estos datos seguros y protegidos?
4. Analizar: Utiliza los datos para resolver problemas, tomar decisiones y respaldar los objetivos empresariales.
Cómo la empresa analizará los datos? ¿Qué herramientas deberían usar?
5. Archivar: Mantén almacenados los datos relevantes para referencias futuras y a largo plazo. ¿Qué deben hacer
con sus datos cuando dejan de ser actuales? ¿Cómo saben cuándo es el momento indicado?
6. Destruir: Elimina los datos almacenados y todas las copias compartidas. : ¿Deben eliminar algún dato? Si la
respuesta es “sí”, ¿cuándo y cómo?
Reflexión: Ten en cuenta lo que has revisado sobre las fases de los datos:
- ¿Cuál es la relación entre el ciclo de vida de los datos y el proceso de análisis de datos?
- ¿En qué se parecen los dos procesos? ¿En qué se diferencian?
- ¿Cuáles la relación entre la fase Preguntar del proceso de análisis de datos y la fase Planificar del ciclo de vida
de los datos? ¿En qué se parecen? ¿En que se diferencian?
Reflexiona sobre tu aprendizaje y piensa en cómo puedes aplicar las fases de los datos a proyectos futuros. Ahora,
escribe 2 o 3 oraciones (de 40 a 60 palabras) en respuesta a cada una de estas preguntas. Escribe tu respuesta en el
cuadro de texto que aparece a continuación.
Relación entre el ciclo de vida de los datos y el proceso de análisis de datos:
El ciclo de vida de los datos y el proceso de análisis de datos están intrínsecamente relacionados. Mientras que el ciclo
de vida de los datos se centra en cómo se gestionan los datos desde su adquisición hasta su eliminación, el proceso de
análisis de datos se enfoca en cómo se utilizan esos datos para abordar desafíos comerciales y tomar decisiones. Ambos
procesos se alimentan mutuamente: el ciclo de vida de los datos proporciona los datos necesarios para el análisis, y el
análisis de datos genera información que influye en las decisiones relacionadas con la gestión de datos.
Similitudes y diferencias entre los dos procesos:
Ambos procesos comparten la necesidad de planificación y toma de decisiones. Sin embargo, mientras que el ciclo de
vida de los datos se centra en la gestión y almacenamiento de datos, el proceso de análisis de datos se concentra en la
exploración y extracción de información valiosa a partir de esos datos. Además, el análisis de datos se completa en las
fases "Procesar", "Analizar", "Compartir" y "Actuar", mientras que el ciclo de vida de los datos abarca desde "Planificar"
hasta "Destruir".
Relación entre las fases "Preguntar" y "Planificar":
La fase "Preguntar" del proceso de análisis de datos y la fase "Planificar" del ciclo de vida de los datos están
estrechamente relacionadas. Ambas implican la necesidad de definir objetivos, determinar qué datos son necesarios y
cómo se obtendrán. Sin una planificación adecuada en ambas fases, tanto el análisis de datos como la gestión de datos
pueden resultar ineficaces. La diferencia clave radica en que "Preguntar" se centra en la formulación de preguntas y
desafíos comerciales específicos, mientras que "Planificar" aborda la gestión y la toma de decisiones relacionadas con la
adquisición y el almacenamiento de datos.
Glosario
A
Análisis (computacional) de datos: La ciencia de los datos
oportunidades de mejora en el futuro
la toma de decisiones fundamentada
B
Base de datos: Recopilación de datos almacenados en un sistema informático
C
desconocido
D
E
compartir datos
F
Fórmula: Conjunto de instrucciones que se utilizan para realizar un cálculo al utilizar los datos de una hoja de cálculo
Función: Un comando preestablecido que realiza automáticamente un proceso o tarea especificado al utilizar los datos de una
hoja de cálculo
L
Lenguaje de consulta: Lenguaje de programación informática utilizado para comunicarse con una base de datos
Los interesados: Personas que invierten tiempo y recursos en un proyecto y se interesan por su resultado
M
lógica
P
T
V
CUESTIONARIO
SEMANA 4:
Dominio de los conceptos básicos de la hoja de
cálculo:
VIDEO: Los pormenores de las herramientas de datos centrales
¡Bienvenido nuevamente! En los próximos videos, continuarás explorando las herramientas de análisis de datos que discutimos
anteriormente y tendrás la oportunidad de verlas un poco en acción. Esto te dará una idea más clara de cómo utilizar estas
herramientas. El resto del programa se basará en lo que aprendas aquí. Comenzaremos con un análisis más detallado de las
hojas de cálculo. Desglosaremos las hojas de cálculo desde sus conceptos básicos para comprender mejor algunas de sus
características y funciones. También aprenderás cómo puedes utilizarlas en tu trabajo como analista de datos. Por ejemplo,
¿cómo clasificas los datos para facilitar su uso? Vamos a averiguarlo. A continuación, veremos a SQL en acción. Los analistas de
datos utilizan SQL en su trabajo todo el tiempo. Como cuando necesitan una gran cantidad de datos en segundos para ayudar a
responder una pregunta empresarial rápida. Lo más probable es que no estés familiarizado con SQL. Está bien. Aprenderás que
usar SQL es como pedir comida en un restaurante súper rápido. Es posible que tu consulta SQL no sea tan deliciosa, pero no
tendrás que esperar mucho para recibir tu pedido. Hablando de comida, ¿qué mejor tema que el postre? Puedes pensar en la
visualización de datos como el postre de la comida del análisis de datos. Se sirve al final de tu análisis después de que hayas
hecho lo que necesitas para obtener los datos correctos para una pregunta o tarea. Ya hemos visto que las visualizaciones
vienen de muchas maneras, como gráficos o tablas. Al igual que los postres, son un placer a la vista. Aprenderás más sobre
estas representaciones visuales y verás otros ejemplos de cómo podrían verse. Luego, podrás hablar sobre visualizaciones con
otros futuros analistas de datos como tú. Terminaremos con una evaluación, pero tendrás tiempo de revisar lo que has
aprendido antes. Bien, sigamos adelante. Por cierto, ¿alguien más tiene hambre ahora?
VIDEO: COLUMNAS, FILAS Y CELDAS

En este video, demostraremos algunos de los conceptos básicos de la hoja de cálculo para quienes son nuevos en este mundo.
Vamos a explorarla aún más porque es un gran ejemplo de las tres características principales de una hoja de cálculo: celdas,
filas y columnas. Formarán parte de casi todo lo que haces en una hoja de cálculo desde confeccionar una lista de compras
simple hasta analizar un conjunto de datos complejo. Utilizo hojas de cálculo para administrar todo, desde mis propias finanzas
personales hasta la fiesta anual de bienvenida que mis amigos y yo celebramos todos los años. Soy el planificador, así que uso
una hoja de cálculo para mantener las cosas en orden, asegurándome de que tengamos todo lo que necesitamos. Hablando de
mantener las cosas en orden, las columnas están organizadas verticalmente en una hoja de cálculo y están ordenadas por letra.
Las filas están organizadas horizontalmente y ordenadas por número. Cuando se habla de una celda específica, se le asigna un
nombre combinando la letra de la columna y el número de fila donde se encuentra la celda. Por ejemplo, en esta hoja de
cálculo, la fila de texto está en la celda D3. Comencemos en una hoja de cálculo real. Puedes completar todos los pasos en casi
cualquier programa de hoja de cálculo. Conozcamos tu hoja de cálculo un poco mejor ahora. Empezaremos con algunas
operaciones básicas. Ten en cuenta que, como analista, no siempre crearás tu propio conjunto de datos. Pero por ahora,
hagamos precisamente eso. Haré clic en la celda A2 y escribiré mi nombre así. Luego haré clic en la celda B2 y escribiré mi
apellido.
No te preocupes si tu nombre no cabe en la celda, siempre puedes hacer columnas más anchas si es necesario. Todo lo que
tienes que hacer es hacer clic y arrastrar el borde derecho de la columna hasta que tu nombre encaje. O puedes usar la función
de ajuste de texto, que configurará las celdas para que cambien automáticamente su altura para permitir que el texto de la
celda se ajuste. Para usar esta función, selecciona las celdas, columnas o filas con texto, luego utiliza el menú de formato para
ver las opciones de ajuste de texto. Se configura automáticamente para permitir que el texto se desborde fuera de la celda.
Pero puedes ajustar el texto en su lugar para que todo el texto sea visible. La opción de clip cortará el texto en la celda para
que solo el texto que se ajuste sea visible. Listo. Hemos agregado datos. Ahora vamos a etiquetarlos. Esto es importante para la
organización. Agregar etiquetas en la parte superior de las columnas facilitará la consulta y la búsqueda de datos
posteriormente cuando realices un análisis. Estas etiquetas de columna generalmente se llaman atributos. Un atributo es una
característica o calidad de los datos que se utilizan para etiquetar una columna en una tabla. Más frecuentemente, los
atributos se denominan nombres de columna, etiquetas de columna, encabezados o fila de encabezado. Agreguemos algunos
encabezados a nuestra tabla. Haré clic en la celda A1 y escribiré la palabra nombre. En la celda B1 escribiré apellido. A estos
atributos les pondremos negrita para que destaquen más. Las hojas de cálculo pueden ser realmente grandes, por lo que
debes asegurarte de que tus datos estén claramente etiquetados y sean fáciles de definir. Puedo usar el cursor para seleccionar
las celdas con los atributos. Luego haré clic en el ícono del barco para ponerlos en negrita. Luce bien hasta ahora.
¿Listo para agregar más datos? Empecemos con algunos atributos nuevos. Primero, agregaré una columna para la cantidad de
hermanos escribiendo hermanos en la celda C1. Luego agregaré dos atributos más en las siguientes dos columnas. Vayamos
con el color favorito y el postre favorito. También les pondré negrita. Para ajustar las etiquetas en las celdas, ajustaré el tamaño
de las columnas como antes.
Ahora, ten en cuenta, que hay otras maneras de ajustar el tamaño de las columnas y filas. Si tienes preguntas sobre el uso de
las hojas de cálculo, una búsqueda rápida en línea generalmente te ayudará a encontrar lo que necesitas. También hemos
incluido una lectura con más consejos e información sobre las hojas de cálculo. Volvamos al tema. Ahora puedo agregar mis
propios datos al conjunto de datos. Escribiré cuántos hermanos tengo y mi color y postre favoritos en las celdas
correspondientes.
A continuación, agregaré datos para dos personas más: Ahora tenemos tres filas de datos. En un conjunto de datos, una fila
también se llama observación. Una observación incluye todos los atributos de algo contenido en una fila de una tabla de datos.
En este caso, la fila 3 es una observación de Willa Stein porque vemos todos sus atributos en esta fila. Ahora sabemos que las
hojas de cálculo como tú hacen muchas cosas con los datos. Puedes almacenar y organizar datos como lo hemos hecho en esta
hoja de cálculo. Pero puedes ir aún más lejos y reconocer los datos existentes. Aquí, te mostraré cómo. Digamos que queremos
organizar nuestros datos según la cantidad de hermanos que tiene cada persona: Primero, necesitaremos seleccionar todas
nuestras columnas con datos para que todos se reorganicen juntos. Luego podemos ir a nuestro menú de datos. Aquí tenemos
algunas opciones. Seleccionemos el rango de clasificación. Esto nos permitirá elegir cómo organizar la columna. A
continuación, elegiremos de la A a la Z, lo cual organizará nuestros números en orden de menor a mayor. Ahora, queremos
tener cuidado con la fila del encabezado, que es la palabra hermanos, el atributo de esta columna. Marcaremos esta casilla.
Esto asegura que la palabra hermanos se quede en su lugar. Ahora estamos listos para ordenar. Voila, acabamos de reorganizar
nuestros datos clasificándolos desde la cantidad más pequeña hasta la más grande.
A medida que avanzamos, descubrirás muchas otras maneras de trabajar con datos en una hoja de cálculo, incluidas las
funciones y fórmulas. Terminemos con un rápido ejemplo de una fórmula. Puedes pensar en las fórmulas como una manera de
manipular los datos en una hoja de cálculo. Las fórmulas son como una calculadora, pero más potente. Una fórmula es un
conjunto de instrucciones que realiza una acción específica utilizando los datos de una hoja de cálculo. Para ello, la fórmula
utiliza referencias de celda para los valores que está calculando. Déjame mostrarte. ¡Aquí vamos! Haremos clic en la siguiente
celda en la columna hermanos. Luego escribiremos un signo igual. Todas las fórmulas empiezan con este símbolo. A
continuación, escribiremos las celdas que queremos sumar. En este caso, escribiremos C2 más C3 más C4. Ahora podemos
pulsar "Enter". Listo. La fórmula nos ha dado la cantidad total de hermanos representados en este conjunto de datos.
Acabamos de analizar algunos datos. Vamos a querer almacenar los datos para su posterior uso. En las hojas de cálculo de
Google, una hoja de cálculo se guarda automáticamente en tu Google Drive. Las hojas de cálculo de Excel y otros programas las
guardarás como un archivo.
Ahora conoces algunos conceptos básicos para usar hojas de cálculo. Una vez que te hayas acostumbrado a estos conceptos,
podrás aprender aún más sobre las herramientas de las hojas de cálculo. Siéntete libre de volver a ver este video y practicar
por tu cuenta. Incluso puedes crear tu propia versión de la hoja de cálculo con tus propios datos.
ENLACE PARA MANEJAR EXCEL: https://support.microsoft.com/en-us/office/excel-video-training-9bc05390-e94c-46af-a5b3-
d7c22f6990bb
Lenguaje de consulta estructurado (SQL)

VIDEO: SQL en acción
Como recordarás, anteriormente hablamos del lenguaje de consulta SQL. En este video, verás a SQL en acción y aprenderás lo
que puedes hacer con él, con algunos ejemplos de consultas específicas. Supongo que puedes llamar a esto la secuela de SQL.
Intentaremos hacer este incluso mejor que el original. Recuerda, SQL puede hacer con los datos varias de las cosas que hacen
las hojas de cálculo. Puedes usarlo para almacenar, organizar y analizar tus datos, entre otras cosas. Pero como cualquier buen
SQL, es, a mayor escala, más grande y con más acción. Piensa en SQL como hojas de cálculo de gran tamaño. Por ejemplo, es
posible que quieras considerar una hoja de cálculo cuando tengas un conjunto de datos más pequeño, como uno con solo 100
filas. Pero si tu conjunto de datos parece no terminar más y tienes dificultades para mantener al día tu hoja de cálculo, SQL
sería el camino por seguir. Cuando usas SQL, necesitas un lugar que entienda el lenguaje SQL. Si alguna vez has ido a algún
lugar y no sabes el idioma, comunicarse puede ser un desafío. Tal vez pienses que estás pidiendo una cosa y obtienes algo
completamente diferente. Bueno, SQL conoce esa sensación. SQL necesita una base de datos que entienda su lenguaje.
Hablemos. Existen varias bases de datos que utilizan SQL. Puedes usar varias de ellas mientras trabajas como analista de datos.
Pero esta es la cuestión, no importa qué base de datos utilices, SQL básicamente funciona para lo mismo en cada una. Por
ejemplo, en SQL, las consultas son universales. Hemos hablado acerca de las consultas anteriormente, pero nunca está de más
hacer un repaso. Una consulta es una solicitud de datos o información proveniente de una base de datos. Esta es la estructura
de una consulta básica. Puedes ver que con esta consulta podemos seleccionar datos específicos de una tabla agregando
dónde podemos filtrar los datos en función de ciertas condiciones.
¡Empecemos! Abriremos nuestra base de datos y veremos cómo SQL puede comunicarse con ella para realizar una tarea de
datos simple. En primer lugar, vamos a seleccionar nuestro conjunto de datos. Usaremos un asterisco para seleccionar todos
los datos de la tabla. Con esa consulta simple, la base de datos llama a la tabla que necesitamos.
Magia. Vamos a agregar WHERE a nuestra consulta para mostrar cómo cambian los datos que obtenemos. Agrega una
instrucción WHERE para filtrar los datos con base en determinadas condiciones.
Puedes ver que los datos ahora solo muestran películas que están en el género de acción. Eso es todo, una consulta básica en
SQL. Bastante bien. Pronto aprenderás a crear consultas más complejas. Por ahora, sin embargo, podemos celebrar que
aprendiste sobre la estructura de una consulta SQL básica, seleccionar, desde y dónde. A medida que continúes con el
programa, tendrás la oportunidad de utilizar SQL tú mismo. Espero que este video sea un adelanto útil de lo que vendrá más
adelante.
Guía de SQL: Primeros pasos
Las computadoras usan diferentes idiomas para comunicarse entre sí, al igual que los seres humanos. El lenguaje de
consulta estructurado (SQL, que se pronuncia “ese-cu-ele”) permite a los analistas de datos hablar con sus bases de
datos. SQL es una de las herramientas de análisis de datos más útiles, especialmente cuando se trabaja con grandes
conjuntos de datos en tablas. Puede ayudarte a investigar grandes bases de datos y rastrear texto (conocido como
cadenas) y números, y filtrar el tipo exacto de datos que necesitas, mucho más rápido que una hoja de cálculo.
Si es la primera vez que usas SQL, esta lectura te ayudará a adquirir los conceptos básicos para que veas lo útil que es
SQL y, en particular, las consultas. Empezarás a escribir consultas SQL en muy poco tiempo.
¿Qué es una consulta?

Una consulta es una solicitud de datos o información que proviene de una base de datos. Cuando consultas bases de
datos, usas SQL para comunicar tu pregunta o solicitud. Puedes intercambiar información con la base de datos siempre y
cuando dominen el mismo idioma.
Cada lenguaje de programación, incluido SQL, sigue un conjunto de pautas único que se conoce como sintaxis. La
sintaxis es la estructura predeterminada de un lenguaje, que incluye todas las palabras, los símbolos y la puntuación
requeridos, así como su correcta colocación. Cuando escribes tus criterios de búsqueda con la sintaxis correcta, la
consulta empieza a trabajar en extraer los datos que solicitaste de la base de datos de destino.
La sintaxis de cada consulta SQL es la misma:
 Usa SELECT para elegir las columnas que deseas devolver.

 Usa FROM para elegir las tablas donde se encuentran las columnas que deseas.
 Usa WHERE para filtrar determinada información.
Una consulta SQL es como rellenar una plantilla. Descubrirás que, si escribes una consulta SQL desde cero, es mucho
mejor iniciar una consulta escribiendo las palabras clave SELECT, FROM y WHERE en el siguiente formato:
A continuación, escribe el nombre de la tabla después del FROM, las columnas de la tabla que deseas después de
SELECT y, por último, las condiciones que quieres agregar a tu consulta después del WHERE. Asegúrate de agregar un
nuevo renglón y sangría cuando las agregues, como se muestra a continuación:
Seguir este método facilita el proceso de escribir consultas SQL. También puede ayudarte a cometer menos errores de
sintaxis.
Ejemplo de una consulta

Así es como aparecería una simple consulta en BigQuery, un almacén de datos de Google Cloud Platform.
La consulta anterior usa tres comandos para localizar clientes que se llaman Tony:
1. ELEGIR (SELECT) la columna denominada nombre (first_name)

2. DESDE (FROM) una tabla denominada nombre_del_cliente (customer_data) (en un conjunto de datos denominado
nombre_del_cliente [customer_data]) (el nombre del conjunto de datos siempre va seguido de un punto y, a
continuación, del nombre de la tabla).
3. Pero solo se devuelven los datos DONDE (WHERE) el primer_nombre (first_name) es Tony
Los resultados de la consulta pueden ser similares a los siguientes:
first_name
Tony
Tony
Tony
En conclusión, esta consulta tenía la sintaxis correcta, pero no fue muy útil después de la devolución de los datos.
Varias columnas en una consulta

En la vida real, tendrás que trabajar con más datos, además de los clientes llamados Tony. El mismo comando SELECT
elige varias columnas que se pueden sangrar y agrupar.
Si solicitas varios campos de datos de una tabla, debes incluir estas columnas en el comando SELECT. Cada columna
está separada por una coma, como se muestra a continuación:
Este es un ejemplo de cómo aparecería en BigQuery:
La consulta anterior usa tres comandos para localizar clientes que se llaman Tony:
1. ELEGIR (SELECT) las columnas denominadas id_del_cliente (customer_id), nombre (first_name) y apellido
(last_name)
continuación, del nombre de la tabla)3. Pero solo se devuelven los datos DONDE (WHERE) el nombre
(first_name) es Tony”
3. Pero solo se devuelven los datos DONDE (WHERE) el nombre (first_name) es Tony
La única diferencia entre esta consulta y la anterior es que se eligen más columnas de datos. La consulta anterior eligió
solamente el nombre (first_name), mientras que esta consulta elige el ID_del_cliente (customer_id) y el apellido
(last_name), además del nombre (first_name). En general, para usar los recursos de manera más eficiente, debes elegir
solo las columnas que necesitas. Por ejemplo, tiene sentido que elijas más columnas si vas a usar los campos
adicionales en tu cláusula WHERE. Si tienes varias condiciones en tu cláusula WHERE, pueden escribirse de la siguiente
manera:
Ten en cuenta que, a diferencia del comando SELECT, que usa una coma para separar campos/variables/parámetros, el
comando WHERE usa la instrucción AND para conectar condiciones. Cuando te conviertas en un escritor de consultas
más experimentado, usarás otros conectores u operadores, como OR y NOT.
Este es un ejemplo de BigQuery con varios campos usados en una cláusula WHERE:
La consulta anterior usa tres comandos para localizar clientes con un ID de cliente válido (mayor que 0) cuyo nombre es
Tony, y su apellido es Magnolia.
1. ELEGIR (SELECT) las columnas denominadas id_del_cliente (customer_id), nombre (first_name) y apellido
(last_name)
continuación, del nombre de la tabla).
3. Pero solo devuelve los datos DONDE (WHERE) el ID_del_cliente (customer_id) es mayor que 0, el nombre
(first_name) es Tony y el apellido (last_name) es Magnolia.
Ten en cuenta que una de las condiciones es una condición lógica que comprueba si el ID_del_cliente (customer_id) es
mayor que cero.
Si un cliente se llama Tony Magnolia, los resultados de la consulta podrían ser:

1967 Tony
Si hay más de un cliente con el mismo nombre, los resultados de la consulta podrían ser:
1967 Tony Magnolia

7689 Tony Magnolia
Conclusión clave
Lo más importante es recordar cómo usar SELECT, FROM y WHERE en una consulta. Una vez que hayas practicado
cómo escribir tus propias consultas SQL más adelante en el programa, las consultas con varios campos serán más
sencillas.
VIDEO: Angie: La lucha cotidiana al aprender nuevas habilidades
Soy Angie, gerente de programas de Ingeniería en Google. Actualmente estoy trabajando en el certificado de análisis de datos.
Antes fui investigadora en análisis de personas. También fui lo que llamo una mercenaria analítica que trabajaba para varias
empresas diferentes para ayudarlas a dar sentido a sus datos. Cada vez que aprendo una nueva habilidad, siento que estoy
aprendiendo a hablar de nuevo. Recuerdo la primera vez que aprendí SQL; estaba tan frustrada porque sentía que todos los
que estaban a mi alrededor trabajaban con fluidez, sabían exactamente lo que estaban haciendo. Recuerdo haber luchado con
las cosas más básicas, como sacar los datos de la tabla. Recuerdo que alguien me pidió que encontrara un promedio de algo y
seguía obteniendo un error. Realmente se siente como si estuvieras aprendiendo un nuevo idioma, y estás en el nivel de un
niño pequeño, y todos los que te rodean pueden hacerlo con fluidez. Mis padres emigraron a este país cuando tenían 30 años.
Después aprendieron otro idioma y tuvieron que empezar de nuevo y aprender inglés. Recuerdo que cuando era una niña los
veía luchar todos los días para aprender un nuevo idioma, para hacer cosas realmente básicas, como pedir ayuda en la tienda
de comestibles. Recuerdo que llamé a la compañía de cable cuando tenía seis años y les hice preguntas sobre la factura porque
mis padres no podían. Recuerdo lo duro que trabajaron para aprender este nuevo idioma y ser fluidos, y cada vez que estoy
aprendiendo un nuevo lenguaje de datos, como SQL, pienso en lo difícil que debe haber sido. Creo que si ellos pudieron hacer
aquello, yo puedo aprender SQL. Si ellos pudieron pedir ayuda para las cosas más básicas, puedo preguntarles a los analistas de
datos que están a mi lado cómo escribir una declaración SQL y cómo obtener los datos de una tabla. Eso realmente me ayudó;
es simplemente tener esa mentalidad y saber que puedo pedir ayuda.
Las posibilidades de SQL son infinitas

Has aprendido que una consulta SQL usa SELECT, FROM y WHERE para especificar los datos que se devolverán
desde la consulta. Esta lectura proporciona información más detallada sobre cómo estructurar las consultas, usar
condiciones WHERE, elegir todas las columnas en una tabla, agregar comentarios y usar alias. Esta información hace
que sea más fácil para ti entender (y escribir) consultas para poner SQL en práctica. En la última sección de esta lectura,
se proporciona un ejemplo de lo que haría un analista de datos a fin de extraer los datos de los empleados para un
proyecto.
Uso de mayúsculas, sangría y punto y coma

Puedes escribir tus consultas SQL solo en minúsculas, y no tienes que preocuparte por los espacios adicionales entre
palabras. Sin embargo, el uso de mayúsculas y sangría puede ayudarte a leer la información más fácilmente. Mantén tus
consultadas ordenadas. Serán más fáciles de revisar o solucionar si necesitas comprobarlas más adelante.
Ten cuenta que la instrucción SQL que se muestra arriba tiene un punto y coma al final. El punto y coma es un
terminador de instrucción que forma parte de la norma SQL-92 del Instituto Nacional Estadounidense de Estándares
(ANSI), la cual es una sintaxis común recomendada para su adopción por todas las bases de datos SQL. Sin embargo,
no todas las bases de datos SQL han adoptado o cumplido con el uso del punto y coma, por lo que es posible que te
encuentres con algunas instrucciones SQL que no terminan con un punto y coma. Si una instrucción funciona sin punto y
coma, es correcta.
Condiciones WHERE
En la consulta que se mostró anteriormente, la cláusula SELECT identifica la columna de la cual deseas extraer datos
por nombre, field1, y la cláusula FROM identifica la tabla donde se encuentra la columna por nombre, table. Por último, la
cláusula WHERE restringe la consulta para que la base de datos devuelva solo los datos con una coincidencia de valor
exacta, o los datos que coincidan con una determinada condición que deseas satisfacer.
Por ejemplo, si estás buscando a un cliente específico con el apellido Chavez, la cláusula WHERE sería:
WHERE field1 = 'Chavez'
Sin embargo, si estás buscando a todos los clientes que tienen un apellido que empieza con las letras “Ch”, la cláusula
WHERE sería:
WHERE field1 LIKE 'Ch%'
En conclusión, la cláusula LIKE es muy poderosa porque te permite decirle a la base de datos que busque un patrón
determinado. El signo de porcentaje (%) se usa como comodín para que coincida con uno o más caracteres. En el
ejemplo anterior, se devolverían tanto Chávez como Chen. Ten en cuenta que en algunas bases de datos se usa un
asterisco (*) como comodín en lugar de un signo de porcentaje (%).
ELEGIR (SELECT) todas las columnas

¿Puedes usar SELECT * ?
En el ejemplo, si reemplazaras SELECT field1 por SELECT * , elegirías todas las columnas de la tabla en lugar de la
columna field1 sola. Desde el punto de vista de la sintaxis, es una instrucción SQL correcta, pero debes usar el asterisco
(*) con moderación y precaución. Según cuántas columnas tenga una tabla, es posible que elijas una enorme cantidad de
datos. Si eliges demasiados datos, es posible que la consulta se ejecute muy lentamente.
Comentarios
Algunas tablas no están diseñadas con convenciones de nomenclatura suficientemente descriptivas. En el ejemplo, field1
era la columna del apellido de un cliente; pero no podrías saberlo por el nombre. Un nombre más adecuado podría haber
sido algo como last_name. En estos casos, puedes agregar comentarios junto a tu SQL para ayudarte a recordar qué
representa el nombre. Los comentarios son textos colocados entre ciertos caracteres, /* y */, o después de dos guiones
(--), como se muestra a continuación.
Los comentarios también se pueden agregar dentro o fuera de una instrucción. Puedes usar esta flexibilidad para
proporcionar una descripción general de lo que harás, notas paso a paso sobre cómo lo lograrás y por qué estableces
diferentes parámetros o condiciones.
Mientras más cómodo te sientas con SQL, más fácil te resultará leer y comprender las consultas de un vistazo. Aun así,
nunca está de más que tengas comentarios en una consulta para recordar lo que estás tratando de hacer. Esto también
facilita que otros usuarios entiendan tu consulta si la compartes con ellos. A medida que tus consultas se vuelvan más
complejas, esta práctica te ahorrará mucho tiempo y energía para comprender las consultas complejas que escribiste
hace meses o años.
Ejemplo de una consulta con comentarios
Este es un ejemplo de cómo se pueden escribir los comentarios en BigQuery:
En el ejemplo anterior, se agregó un comentario antes de la instrucción SQL para explicar qué hace la consulta. Además,
se agregó un comentario junto a cada uno de los nombres de columna para describir la columna y su uso. Generalmente,
se admiten dos guiones (--). Por lo tanto, se recomienda usarlos de manera coherente. Puedes usar # en lugar de -- en la
consulta anterior, pero # no se reconoce en todas las versiones de SQL; por ejemplo, MySQL no reconoce #. También
puedes colocar comentarios entre /* y */ si la base de datos que estás usando lo permite.
A medida que perfecciones tus capacidades desde un punto de vista profesional, según la base de datos SQL que uses,
podrás elegir los símbolos de delimitación de comentarios adecuados que prefieras y continuar su uso para mantener un
estilo coherente. A medida que tus consultas se vuelvan más complejas, esta práctica te ahorrará mucho tiempo y
energía para comprender las consultas complejas que escribiste, probablemente, hace varios meses o años.
Alias
Para simplificarte la tarea, puedes asignar un nuevo nombre o alias a los nombres de columna o tabla para que sea más
fácil trabajar con ellos (y evitar la necesidad de agregar comentarios). Esto se hace con una cláusula SQL AS. En el
siguiente ejemplo, se asigna el alias last_name a field1 y el alias customers a table.Estos alias son válidos solo para la
duración de la consulta. Un alias no cambia el nombre real de una columna o tabla de la base de datos.
Ejemplo de una consulta con alias
Pon SQL a trabajar como analista de datos

Imagina que eres un analista de datos que trabaja para una pequeña empresa, y tu gerente te pide algunos datos de los
empleados. Tú decides escribir una consulta con SQL para obtener lo que necesitas de la base de datos.
Quieres extraer todas las columnas: empID, firstName, lastName, jobCode y salary. Como sabes que la base de datos no
es tan amplia, usas SELECT * en lugar de escribir el nombre de cada columna en la cláusula SELECT. Mediante esta
opción, elegirás todas las columnas de la tabla Empleado (Employee) en la cláusula FROM.
Ahora, puedes obtener información más específica sobre los datos que deseas de la tabla Empleado (Employee). Si
deseas todos los datos sobre los empleados que trabajan en el código de trabajo SFI, puedes usar una cláusula WHERE
para filtrar los datos en función de este requisito adicional.
Aquí usas:
Es posible que una parte de los datos de los resultados devueltos por la consulta SQL tengan el siguiente aspecto:
empID firstName lastName jobCode salary

0002 Homer Simpson SFI 15000
0003 Marge Simpson SFI 30000
0034 Bart Simpson SFI 25000
0067 Lisa Simpson SFI 38000
0088 Ned Flanders SFI 42000
0076 Barney Gumble SFI 32000
Supongamos que observas un amplio intervalo salarial para el código de trabajo SFI. Puede que quieras marcar a los
empleados de todos los departamentos que tienen los salarios más bajos para tu gerente. Debido a que los pasantes
también están incluidos en la tabla y tienen salarios inferiores a USD 30,000, debes asegurarte de que los resultados te
devuelvan únicamente a los empleados de tiempo completo con salarios que sean menores que esa cantidad. En otras
palabras, deseas excluir a los pasantes con el código de trabajo INT que también ganan menos de USD 30,000. La
cláusula AND te permite analizar ambas condiciones.
Tú creas una consulta SQL similar a la siguiente, en la cual <> significa “no es igual a”:
Los datos obtenidos de la consulta SQL podrían ser parecidos a los siguientes (los datos de los pasantes con el código
de trabajo INT no se devuelven):
empID firstName lastName jobCode salary

0002 Homer Simpson SFI 15000
0003 Marge Simpson SFI 30000
0034 Bart Simpson SFI 25000
0108 Edna Krabappel TUL 18000
0099 Moe Szyslak ANA 28000
Al contar con un rápido acceso a este tipo de datos mediante SQL, puedes proporcionarle a tu gerente muchas
perspectivas diferentes acerca de los datos de los empleados, por ejemplo, si los salarios que ganan los empleados en
toda la empresa son equitativos. Afortunadamente, la consulta muestra que solo dos empleados adicionales podrían
necesitar un ajuste salarial, y compartes los resultados con tu gerente.
Extraer los datos, analizarlos e implementar una solución podría, en última instancia, contribuir a mejorar la satisfacción y
la lealtad de los empleados. Esto convierte a SQL en una herramienta muy poderosa.
Recursos para obtener más información

Los no abonados pueden acceder a estos recursos de forma gratuita; pero, si un sitio limita el número de artículos
gratuitos por mes y tú ya alcanzaste tu límite, marca el recurso como favorito y vuelve a él más tarde.
 Tutorial de SQL de W3Schools: Si te gustaría explorar un tutorial detallado de SQL, este es el lugar perfecto para
empezar. Este tutorial incluye ejemplos interactivos que puedes editar, analizar y recrear. Úsalo como referencia
o completa todo el tutorial para practicar el uso de SQL. Haz clic en el botón verde Empezar el aprendizaje de SQL
ahora o en el botón Siguiente para comenzar el tutorial.
 Hoja de referencia de SQL: Si eres un estudiante más avanzado, lee este artículo para obtener información sobre
la sintaxis SQL estándar que se usa en PostgreSQL. Cuando finalices, sabrás mucho más sobre SQL y estarás
preparado para aplicarlo en el análisis empresarial y otras tareas.
CUESTIONARIO:
Visualización de datos
VIDEO: Conviértete en un experto en visualización de datos
Tu caja de herramientas de análisis de datos se está llenando. Aprender tanto sobre las hojas de cálculo como sobre SQL te
llevará lejos en el mundo del análisis de datos. Hay más que aprender, por supuesto, y muchas más herramientas que podrás
usar, pero tu futuro se ve brillante. Y está a punto de verse aún más brillante porque estamos aquí para hablar más sobre la
visualización de datos. Te contaré un poco más sobre el papel de las herramientas de visualización de datos y el análisis de
datos y te daré la oportunidad de ver esas herramientas en acción más adelante en este video. Quizás recuerdes que la
visualización de datos es la representación gráfica de cierta información. Para muchos analistas de datos, es la parte más
emocionante de su trabajo porque ven que su esfuerzo se ve recompensado con algo interesante. Sin mencionar que la
visualización de datos es hermosa y útil. Me quedé anonadado cuando llegué a Google y comencé a recibir un informe de
datos trimestral en mi correo electrónico y tenía una gran plataforma de diapositivas donde la gente contribuía con sus
visualizaciones. Definitivamente fue una luz en el camino cuando comencé a generar mis propias visualizaciones. Si no te
impresiona mi historia, déjame contarte sobre Florence Nightingale. ¿Te suena ese nombre? Es responsable de gran parte de la
filosofía de la enfermería moderna y, lo creas o no, también fue analista de datos. Durante la Guerra de Crimea, en la década
de 1850, miles de soldados morían todos los días, Nightingale quería encontrar una manera de reducir la cantidad de muertes.
Después de examinar los datos, descubrió que la mayoría de los soldados morían a causa de afecciones evitables. Para
convencer a los administradores del hospital de que debían concentrarse en estas afecciones, creó un gráfico que mostraba la
cantidad de muertes durante varios meses. Las secciones azules mucho más grandes en la visualización representan las
muertes evitables. Su trabajo condujo directamente a cambios importantes en la atención al paciente. Ella hizo todo esto hace
más de 150 años sin una computadora. Una de las principales razones por las que Nightingale creó esta visualización fue para
que los datos fueran más fáciles de entender para su audiencia. Sintió que tendría más éxito en convencer a los interesados
utilizando imágenes en lugar de solo palabras y números. Tenía razón. Las tablas llenas de datos, si bien son necesarias para el
análisis, simplemente no pueden mostrar tendencias y patrones tan rápida y claramente como las visualizaciones. Imagínate
que recibes una tarea que debe completarse el mismo día. Si recopilas los datos que necesitas en una tabla, ¿podrías explicar
resultados usando la tabla? Sí, probablemente podrías, pero una mejor idea sería utilizar una visualización como este gráfico
de barras. Algo como esto hace que sea mucho más fácil para ti explicarlo rápidamente, y tienes el beneficio de un gráfico
genial para respaldar tu análisis. Como analista de datos, te conviene crear visualizaciones que hagan que los datos sean fáciles
de entender e interesantes de ver, así que lúcete. Es posible que los interesados no tengan mucho tiempo para dedicarle a los
datos. Tu trabajo será hacer que su tiempo valga la pena. Volvamos a la tabla de datos que creamos anteriormente en el curso.
Si has creado la tuya para practicar, puedes abrirla ahora o probarla más tarde. Estos son los datos que agregamos antes.
Vamos a crear una visualización de los datos insertando un gráfico, un gráfico de barras. Puedes ver que la hoja de cálculo
visualizó los datos de nuestra tabla de la manera que tenía más sentido. Creó un gráfico de barras o un gráfico de columnas
para comparar las edades de cada persona por nombre, pero es posible que ya lo hayas descubierto. Esa es la belleza de la
visualización: muestra el análisis de datos de manera rápida y clara. Podemos usar el editor de gráficos para ajustarlo. Los
diferentes programas de hojas de cálculo pueden tener diferentes formas de hacer esto, pero todos tienen funciones de
visualización y maneras de editar esas visualizaciones. Por ahora, echemos un vistazo a los gráficos sugeridos. Podemos hacer
que las barras vayan horizontalmente usando un gráfico de barras. Eso se ve muy bien, así que vamos a cerrar el editor de
gráficos. Hay muchas opciones que tener en cuenta, pero lo mantendremos a un nivel básico por ahora. Siéntete libre de
probar otras visualizaciones si practicas más tarde. Ahora, podemos ajustar nuestro gráfico para que toda nuestra hoja de
cálculo se vea limpia y profesional. ¡Excelente! Espero que aprendas a amar las visualizaciones de datos tanto como yo. Tal vez
te conviertas en un pionero de la visualización de datos, al igual que Florence Nightingale. Como analista de datos novato,
empezaste a llenar tu cinturón de trabajo con herramientas valiosas que utilizarás durante el resto del programa. Tener
conocimientos sobre hojas de cálculo, SQL y visualización de datos te ayudará a convertirte en un detective de datos excelente.
Podrás utilizar estas herramientas durante todo el proceso de análisis de datos a medida que avances. A continuación,
completa algunas actividades para concluir esta parte del programa. También completarás una evaluación para verificar tu
comprensión de todo lo que aprendiste. Esta es una gran oportunidad para pensar en algunas de las áreas que continuarás
explorando en este curso y en tu carrera. Como siempre, eres libre de revisar los videos y los textos para ayudarte a recordar
ciertos temas e ideas, incluso si ya te sientes preparado. Estás a solo unos pasos del próximo curso; eso es un gran progreso.
Sigue así.
Planificar una visualización de datos

Antes, aprendiste que la visualización de datos es la representación gráfica de la información. Como analista de datos, te
interesará crear visualizaciones que hagan que tus datos sean fáciles de entender e interesantes para observar. Debido
a la importancia de la visualización de datos, la mayoría de las herramientas de análisis de datos (como hojas de cálculo
y bases de datos) tienen un componente de visualización integrado, mientras que otras (como Tableau) se especializan
en la visualización como su principal valor agregado. En esta lectura, explorarás los pasos que implica el proceso de
visualización de datos y algunas de las herramientas de visualización de datos más comunes disponibles.
Pasos para planificar una visualización de datos

Veamos un ejemplo de una situación de la vida real en la que un analista de datos podría necesitar crear una
visualización de datos para compartir con los interesados. Imagina que eres un analista de datos que trabaja para un
distribuidor de ropa. La compañía ayuda a las pequeñas tiendas de ropa a administrar su inventario, y las ventas están
en auge. Un día, te enteras de que tu compañía se está preparando para hacer una actualización importante en su sitio
web. Para guiar las decisiones relativas a la actualización del sitio web, se te pide que analices los datos del sitio web
existente y de los registros de ventas. Revisemos los pasos que deberías seguir.
1. Paso 1: Explora los datos en busca de patrones

Primero, le pides a tu gerente o al propietario de los datos acceso a los registros de ventas actuales y a los informes de
análisis del sitio web. Esto incluye información sobre cómo se comportan los clientes en el sitio web existente de la
compañía; es decir, información básica sobre quiénes lo visitaron, quiénes compraron en la compañía y cuánto
compraron.
Mientras revisas los datos, observas un patrón entre las personas que visitan el sitio web de la empresa con mayor
frecuencia: la geografía y mayores cantidades de dinero invertido en compras. Si se realiza un análisis más detallado,
esta información podría explicar por qué las ventas son tan fuertes en este momento en el noreste y ayudar a tu
compañía a encontrar nuevas formas de continuar mejorándolas a través del nuevo sitio web.
2. Paso 2: Planifica tus imágenes

A continuación, llegó la hora de refinar los datos y presentar los resultados de tu análisis. En este momento, tienes
muchos datos distribuidos en varias tablas, y esta no es la mejor manera de compartir tus resultados con la
administración y el equipo de Marketing. Probablemente, te interesará crear una visualización de datos que explique los
resultados a tu público objetivo de una forma rápida y efectiva. Como sabes que tu público está orientado a las ventas,
eres consciente de que la visualización de datos que uses debería tener estas características:
 Mostrar números de ventas a lo largo del tiempo

 Conectar las ventas con la ubicación
 Mostrar la relación entre las ventas y el uso del sitio web
 Mostrar qué clientes impulsan el crecimiento
3. Paso 3: Crea tus imágenes
Como ya decidiste qué tipo de información y perspectivas deseas mostrar, es hora de empezar a crear las
visualizaciones reales. Ten en cuenta que crear la visualización correcta para una presentación o para compartir con los
interesados es un proceso. Este proceso consiste en
probar diferentes formatos de visualización y hacer
ajustes hasta conseguir lo que estás buscando. En este
caso, una combinación de diferentes imágenes
comunicará mejor tus resultados y convertirá tu análisis
en una historia más atractiva para los interesados. Por lo
tanto, puedes usar las capacidades de diagrama que
están incorporadas en tus hojas de cálculo para
organizar los datos y crear imágenes.
1) line charts can track sales over time 2) maps can

connect sales to locations 3) donut charts can show
customer segments 4) bar charts can compare total
visitors that make a purchase
1) los gráficos de líneas pueden rastrear las ventas a lo

largo del tiempo; 2) los mapas pueden conectar las
ventas con las ubicaciones; 3) los gráficos de donas
pueden mostrar segmentos de clientes, y 4) los gráficos
de barras pueden comparar el total de visitantes que
realizan una compra.
Un gráfico circular muestra cómo un todo se divide en partes y es una visualización efectiva para una clase
desglosada por edad. Un gráfico de columnas muestra categorías y es una visualización efectiva para las edades
de los hombres frente a las mujeres.
Crea tu kit de herramientas de visualización de datos

Hay muchas herramientas que puedes usar en la visualización de datos.
 Puedes usar las herramientas de visualización de tu hoja de cálculo para crear visualizaciones simples, como
gráficos de líneas y barras.
 Puedes usar herramientas más avanzadas, como Tableau, que te permiten integrar datos en visualizaciones de
estilo de panel.
 Si estás trabajando con el lenguaje de programación R, puedes usar las herramientas de visualización en
RStudio.
Tu elección de visualización dependerá de varios factores, incluidos el tamaño de tus datos y el proceso que usaste para
analizarlos (hoja de cálculo, bases de datos/consultas o lenguajes de programación). Por ahora, solo considera los
conceptos básicos.
Hojas de cálculo (Microsoft Excel o Google Sheets)

En nuestro ejemplo, los diagramas y gráficos integrados en las hojas de cálculo facilitaron y aceleraron el proceso de
creación de imágenes. Las hojas de cálculo son excelentes para crear visualizaciones simples, como gráficos de barras y
de torta, e incluso proporcionan algunas visualizaciones avanzadas, como mapas y diagramas de cascada y embudo
(que se muestran en las siguientes figuras).
Pero, a veces, necesitas una herramienta más poderosa para darles realmente vida a tus datos. Tableau y RStudio son
dos ejemplos de plataformas muy usadas que pueden ayudarte a planificar, crear y presentar visualizaciones de datos
efectivas y atractivas.
Software de visualización (Tableau)

Tableau es una herramienta de visualización de datos popular que te permite extraer datos de casi cualquier sistema y
convertirlos en imágenes atractivas o información procesable. La plataforma ofrece las mejores prácticas visuales
integradas, lo que hace que analizar y compartir datos sea más rápido, fácil y (lo más importante) útil. Tableau funciona
bien con una amplia variedad de datos, e incluye un panel interactivo que les permite tanto a ti como a tus interesados
hacer clic para explorar los datos de forma interactiva.
Puedes comenzar a explorar Tableau en los recursos de Video instructivo. Tableau Public es gratuito, fácil de usar y
contiene mucha información útil. La página Recursos es una ventanilla única para videos instructivos, ejemplos y
conjuntos de datos con los cuales puedes practicar. Si deseas ver lo que otros analistas de datos comparten en Tableau,
visita la página Visualización del día, donde encontrarás hermosas imágenes que varían desde la Búsqueda de planetas
(habitables) hasta Quién habla en películas populares.
Lenguaje de programación (R con RStudio)

Muchos analistas de datos trabajan con un lenguaje de programación llamado R. La mayoría de las personas que
trabajan con R también terminan usando RStudio, un entorno de desarrollo integrado (IDE), para satisfacer sus
necesidades de visualización de datos. Al igual que con Tableau, puedes crear visualizaciones de datos de estilo panel
con RStudio.
Visita su sitio webpara obtener más información sobre RStudio.
Seguramente, pasarías días explorando todos los recursos que se proporcionan en RStudio.com, pero las Hojas de
referencia de RStudio y la Guía de iniciación a la visualización de datos de RStudio son excelentes lugares para
empezar. Cuando tengas más tiempo, consulta los videos y seminarios web que ofrecen consejos y perspectivas útiles
para usuarios principiantes y avanzados.
Conclusión clave
Los mejores analistas de datos usan una gran variedad de herramientas y métodos para visualizar y compartir sus datos.
A medida que vayas aprendiendo más sobre la visualización de datos durante este curso, mantén la curiosidad, investiga
diferentes opciones y prueba continuamente nuevos programas y plataformas que te ayuden a aprovechar tus datos al
máximo.
VIDEO: Lilah: El poder de una visualización
Me llamo Lilah Jones y formo parte de nuestro equipo en la nube. Tengo la oportunidad de liderar un equipo de personas
increíbles que se focalizan en ayudar a los clientes a llegar a la nube. Visualizaciones de datos, una expresión larga que también
puede hacer que tus ojos se irriten. Pero me pregunto si, cuando eras pequeño y estabas con tus padres, tal vez tenías una
rutina para ir a dormir o, si tienes hijos, quizás tengas una rutina para que ellos se vayan a dormir. Sería muy raro que te
acerques a esos niños con un montón de hechos y cifras antes de que se vayan a la cama. Pero apuesto que probablemente les
estás contando una historia, les estás mostrando fotos. Sé que siempre me han gustado los cómics; las imágenes cuentan una
historia. Las visualizaciones de datos son imágenes, son una manera maravillosa de tomar ideas muy básicas sobre datos y
puntos de datos y hacer que cobren vida. Puedes hacer diferentes tipos de combinaciones de visualizaciones, pero las que son
interactivas, vaya, son espectaculares. ¿Te imaginas ser ejecutivo de una organización y tratar de decidir si abres otro centro en
Bangkok? ¿Tiene sentido? Ser capaces de decir que sabemos la razón por la que nos sirve tener excelentes visualizaciones de
datos: para respaldar todos nuestros puntos de vista; es una obviedad. Curiosamente, recuerdo la primera vez que me
encontré con una visualización superasombrosa; fue en mi vida personal. Cambié mi software de presupuestos de un
proveedor a otro, y el proveedor al que cambié estaba realmente enfocado en que cada dólar contara y en asegurarse de que
estuviera presupuestando cada dólar. Había visualizaciones que cambiaban según qué datos agregabas, y realmente cambió
toda mi perspectiva, por completo. Entonces, tener los datos es como tener la hoja de respuestas de un examen; realmente te
permite saber que vas a tomar buenas decisiones porque estás respaldado por los datos.
CUESTIONARIO
Glosario
A
oportunidades de mejora en el futuro
Atributo: Característica o calidad de los datos que se usa para etiquetar una columna en una tabla
B
C
desconocido
Consulta: Solicitud de datos o información de una base de datos
D
E
compartir datos
F
Fórmula: Conjunto de instrucciones que se utilizan para realizar un cálculo al utilizar los datos de una hoja de cálculo
Función: Un comando preestablecido que realiza automáticamente un proceso o tarea al utilizar los datos de una hoja de
cálculo
L
Lenguaje de consulta: Lenguaje de programación informática utilizado para comunicarse con una base de datos
M
lógica
O
Observación: Los atributos que describen una pieza de datos contenida en una fila de una tabla
P
T
V
CUESTIONARIO
SEMANA 5:
Oportunidades de trabajo como analista de datos
VIDEO: Pongamos manos a la obra
Hola, es genial tenerte de vuelta. Ahora es el momento de poner manos a la obra. Vamos a empezar a hablar sobre las formas
prácticas en que las empresas utilizan los datos, y las oportunidades que esto puede crear para ti. Hasta ahora, has aprendido
muchas habilidades prácticas para el análisis de datos. Con los próximos videos, vamos a cambiar un poco y vamos hablar
sobre por qué estás aprendiendo estas habilidades. Con suerte, esto te dará más perspectiva acerca de los tipos de
oportunidades que existen para ti. A continuación, hablaremos más sobre los tipos de funciones que los analistas de datos
desempeñan en diferentes industrias. La tarea que requerían estas funciones y la importancia de la equidad y de evitar sesgos
y analizar los datos para las tareas empresariales. También hablaremos sobre las oportunidades que puedes aprovechar y
cómo este programa influye en tu éxito futuro y en la función de analista de datos. Entonces, con todo eso en mente,
comencemos.
VIDEO: El trabajo de un analista de datos

Anteriormente, aprendimos sobre lo que hace un analista de datos y por qué ese trabajo es tan valioso. Ahora, veamos dónde
los analistas de datos realmente hacen su trabajo. Aprenderás mucho más sobre las industrias en las que podrías trabajar
como analista de datos. Y cómo las empresas en estos campos ya están utilizando el análisis de datos para hacer cosas
realmente interesantes. Hay muchas empresas que tienen una gran necesidad de las habilidades que estás aprendiendo en
este momento. En industrias como tecnología, marketing, finanzas, atención médica y muchas más. Las empresas reales ya
están utilizando el análisis de datos para mantenerse a la vanguardia. Y cuanto más utilizan los datos en sus empresas, más
comprenden lo importante que es un analista de datos como tú para su éxito. Veamos un ejemplo de la vida real de una marca
que probablemente reconozcas: Coca-Cola. Los datos están cambiando la forma en que Coca-Cola encara sus estrategias de
marketing. Coca-Cola utiliza datos recopilados de los comentarios de los consumidores para crear publicidad que se dirija
directamente a diferentes audiencias con diferentes intereses. ¿Cómo funciona esto? ¿Conoces esas máquinas expendedoras
de Coca-Cola de alta tecnología que ves a veces en el cine? Siempre es divertido preparar tus propios sabores. Bueno, esas
máquinas tienen inteligencia artificial incorporada y herramientas de análisis de datos. Esto ayuda a Coca-Cola a ver los
diferentes tipos de combinaciones de sabores que se le ocurren a la gente, que luego la empresa puede usar como inspiración
para nuevos productos. ¿No es eso genial? ¿Alguna vez te preguntaste cómo Google tiene la respuesta correcta a cualquier
pregunta en solo segundos? Eso también funciona con datos. Usamos todo tipo de datos para determinar la confiabilidad y
precisión de un sitio web para asegurarnos de obtener los resultados más útiles en cualquier búsqueda que realices. Pero,
¿solo las grandes empresas como Coca-Cola y Google utilizan datos? Las pequeñas empresas de todo el mundo también están
empezando a aprovechar los conocimientos basados en datos para mejorar sus operaciones y tomar mejores decisiones. Las
pequeñas empresas pueden usar datos para hacer todo tipo de cosas. Pueden utilizar el análisis de datos para comprender
mejor los hábitos de compra de sus clientes, crear mensajes más efectivos en las redes sociales, o, en el caso de un zoológico y
acuario de una ciudad, predecir la cantidad de visitantes diarios en función de los datos del clima local. El zoológico y el acuario
de la ciudad se dieron cuenta de que, en los días de lluvia había una gran disminución en la asistencia, pero no tenían manera
de predecir con precisión cuándo llegarían esos días de lluvia. Esto hizo que la dotación de personal fuera un verdadero
desafío. Algunos días tenían exceso de personal, otros días no estaban preparados para la avalancha de visitantes. Para lidiar
con esto, al analista de datos tomó años de registros meteorológicos del zoológico y utilizó esos datos para predecir con
precisión los patrones climáticos futuros. Esto le facilitó al zoológico saber cuánto personal necesitaría y cuándo. Debido a que
el zoológico pudo predecir y administrar sus necesidades de personal con mayor precisión, pudo brindar una mejor experiencia
a los visitantes y también dedicar más recursos para crear una mejor experiencia para los animales. Vemos algo similar en la
industria de la salud. Sus analistas de datos analizan los datos de asistencia clínica para ayudar a los hospitales y consultorios
médicos a predecir cuáles serán las horas pico para que puedan estar preparados. El hospital local de tu ciudad es un gran
ejemplo. Digamos que han recibido reclamos sobre los largos tiempos de espera. A veces, una hora o más, lo que dificultaba
que algunos pacientes recibieran la atención que necesitaban. Por lo tanto, los analistas de datos utilizan datos sobre el tráfico
peatonal diario de los hospitales para ayudarlos a tomar decisiones más fundadas sobre cuántos médicos necesitan disponibles
en un momento dado. Esto ayudó a reducir los tiempos de espera, mejorar la experiencia de sus pacientes y también hacer un
mejor uso del tiempo del trabajador de la salud. Como dije, hay muchas formas en que las empresas de diferentes industrias
utilizan los datos, pero solo pueden hacerlo si tienen un analista de datos en quien confiar. Entonces, tal vez te preguntes,
¿cómo encajo en la ecuación? Bueno, tienes muchas opciones, pero no tienes que decidir en qué industria quieres trabajar. Por
cierto, habrá mucho tiempo para pensar en eso a medida que avanzas en este programa. Cuando termines este programa,
tendrás las habilidades básicas que te harán valioso para cualquier industria que tome decisiones basadas en datos, que, como
sabemos, es la mayoría de las industrias, incluso los zoológicos. A continuación, revisaremos la tarea empresarial en la que los
datos pueden ser útiles. Y exploraremos aún más cómo los analistas de datos están empoderando a las empresas a través de
los datos. Nos vemos luego.
VIDEO: Joey: El camino para convertirse en analista de datos
Hola, soy Joey y trabajo como gerente de programas de análisis en REWS. Ahora REWS es sinónimo de servicios inmobiliarios y
laborales, y mi trabajo es gestionar los datos y analizarlos para la toma de decisiones aquí, especialmente en lo que respecta a
la creación de un entorno de trabajo seguro y divertido. Mi viaje hacia el análisis fue un poco diferente en el sentido de que no
tenía un plan o realmente no me veía trabajando donde estoy ahora. Afortunadamente, empecé en un programa rotativo
llamado programa HRA dentro de operaciones de personal, lo que me permitió desempeñar básicamente tres funciones
diferentes. Estuve en la función de generalista como especialista y analista, y realmente encontré amor y pasión por el trabajo
analítico. Empecé en el equipo de inteligencia empresarial, cuyo trabajo consistía en proporcionar informes basados en SQL a
la empresa. Me di cuenta de que el análisis era la trayectoria profesional adecuada para mí cuando me encontré disfrutando de
venir a trabajar y hacer mi trabajo. Y creo que puedo conectar eso con mis dos pasiones. La primera es la resolución de
problemas. Me encanta encarar un problema complejo, un misterio, un acertijo y poder encontrar las respuestas y llegar a la
solución. Y luego, lo segundo es poder trabajar con personas y ayudar a la gente. En el análisis, siento que la clave del éxito es
poder combinar la parte personal con la parte técnica. Al inicio de mi carrera, me focalicé un poco más sobre las piezas técnicas
y quería asegurarme de tener los conocimientos técnicos adecuados para poder responder las preguntas. Pero lo que descubrí
es que, con el tiempo, necesitaba hacer crecer de igual modo ese otro lado. Y creo que mi carrera me ha brindado las
oportunidades para trabajar cada una de esas facetas, la parte de interacción humana y la parte técnica para asegurarme de
que ambas hayan crecido al final del día.
VIDEO: Tony: Respaldo a las carreras de Análisis de Datos

Para cualquier analista, para cualquier persona que se encuentre realmente en las primeras etapas de su carrera, comprender
los datos, respetarlos y saber cómo trabajar con datos es increíblemente importante porque, mi visión es que cada función de
alguna manera involucrará datos y su uso. Aprender cómo extraer conocimientos de ellos será el núcleo de cualquier función
crítica en cualquier organización empresarial. Por lo general, en esos dos primeros años, estás desarrollando las habilidades
básicas que te convierten en un generalista fantástico, y luego, en los próximos 2 a 5 años, estás aprendiendo sobre algo muy
específico en lo que respecta a tu trabajo. Ya sea en el área donde das soporte o tal vez en un componente muy técnico.
Digamos que quieres convertirte en un experto en SQL para poder manipular grandes conjuntos de datos con fines de análisis
financiero. Del mismo modo, incluso si ingresas a las finanzas como analista de datos, puedes salir de las finanzas e ingresar a
lo que a mucha gente le gusta llamar el negocio, que generalmente son tus funciones de operaciones, y convertirte en analista
de negocios o analista de datos. Hay tantos diferentes caminos que puedes tomar desde el punto de partida que realmente no
puedes predecir el final. Me apasiona mucho trabajar y apoyar a los jóvenes y darles un impulso a sus carreras. Honestamente,
esto se debe a mi propia experiencia personal, donde, en los primeros dos años de mi carrera, no tuve prácticamente ningún
apoyo de mi gerente ni de mi cadena de gerencia directa. Al pasar por esa experiencia en mis primeros años, me di cuenta y
sentí cómo eso puede frenarte, y, especialmente, cuando eres alguien que tiene mucho potencial y mucha habilidad. Quieres
estar en un entorno que fomente esa habilidad y realmente quiera verte crecer. Creo que es increíblemente importante tener
programas como estos, que derriben todas las barreras, que eliminen cualquier obstáculo que impida que las personas puedan
descubrir lo que necesitan para estar en una industria como esta, para tener éxito en una función como analista de datos, para
que ellos mismos puedan soñar hasta dónde pueden llegar en su carrera. Mi nombre es Tony. Soy gerente de programa de
finanzas en Google.
Registro de aprendizaje: Reflexionar sobre el proceso de análisis de datos
A estas alturas, ya has empezado a familiarizarte con el proceso de análisis de datos. Ahora, completarás una entrada en
tu registro de aprendizaje que reflejará tu experiencia con el proceso de análisis de datos y tu progreso en este curso.
Una vez que completes esta actividad, comprenderás mejor cómo utilizar los pasos de este proceso para organizar las
tareas de análisis de datos y resolver grandes problemas con los datos. Esta plataforma seguirá guiándote en tu trabajo
en este curso, ¡y como analista de datos junior!
El proceso de análisis de datos hasta ahora
Tómate un momento para apreciar todo el trabajo que has realizado en este curso. Identificaste una pregunta para
responder y trabajaste sistemáticamente en el proceso de análisis de datos para responder a esa pregunta, tal como los
analistas de datos profesionales lo hacen todos los días.
Al revisar el proceso de análisis de datos hasta ahora, ya has realizado muchos de estos pasos. Estos son algunos
ejemplos que debes tener en cuenta antes de empezar a completar la entrada del registro de aprendizaje:
 Formulaste una pregunta interesante y definiste un problema que resolver mediante el análisis de datos para
responder a esa pregunta.
 Pensaste exhaustivamente en qué datos necesitarías y cómo los recopilarías para prepararte para el análisis.
 Procesaste los datos organizándolos y estructurándolos en una tabla y luego transfiriéndolos a una hoja de
cálculo.
 Analizaste tus datos inspeccionándolos y explorándolos en busca de patrones.
 Compartiste tu primera visualización de datos: un gráfico de barras.
 Finalmente, después de completar todos los demás pasos, actuaste: Reflexionaste sobre tus resultados, tomaste
decisiones y obtuviste información sobre tu problema, incluso si esa información era que no tenías suficientes
datos o que no había patrones obvios en tus datos.
A medida que avances en el resto del programa, continuarás usando y revisando estos pasos para guiarte en tus tareas
de análisis. ¡También aprenderás más sobre las diferentes herramientas que te pueden ayudar en el camino!
Reflexión
En tu registro de aprendizaje, escribe 2 o 3 oraciones (40 a 60 palabras) que reflejen el proceso de análisis de datos y tus
experiencias hasta ahora respondiendo a cada una de las siguientes preguntas:
 ¿Qué parte(s) del proceso de análisis de datos te ha(n) gustado más? ¿Qué te ha gustado?
 ¿Cuáles fueron algunas de las ideas clave que aprendiste en este curso?
 ¿Hay conceptos o partes del contenido sobre los que te gustaría aprender más? Si es así, ¿cuáles son? ¿Qué
próximo curso crees que te enseñará más sobre esta área?
 Ahora que has adquirido experiencia en el análisis de datos, ¿qué opinas acerca de convertirte en analista de
datos? ¿Han cambiado tus sentimientos desde que empezaste este curso? Si es así, ¿cómo?

Instrucciones
Puedes usar este documento como plantilla para la actividad del registro de aprendizaje: Reflexiona sobre el proceso de
análisis de datos. Escribe tus respuestas en este documento y guárdalo en tu computadora o en Google Drive.
Reflexiona sobre el proceso de análisis de datos.
Fecha: <introducir Curso/tema: Curso 1: Aspectos básicos: Datos, datos en todas partes
fecha>
El proceso de Al revisar el proceso de análisis de datos hasta ahora, ya has realizado muchas tareas de
análisis de datos análisis.
hasta ahora
● Formulaste una pregunta interesante y definiste un problema que debes resolver

mediante el análisis de datos para poder responder a esa pregunta.
● Reflexionaste profundamente sobre los datos que necesitarías y cómo los
recopilarías para prepararte.
● Procesaste los datos organizándolos y estructurándolos en una tabla, y luego los
trasladaste a una hoja de cálculo.
● Analizaste tus datos inspeccionándolos y explorándolos en busca de patrones.
● Compartiste tu primera visualización de datos: un gráfico de barras.
● Después de completar todos los demás pasos, actuaste: Reflexionaste sobre tus
resultados, tomaste decisiones, y obtuviste información sobre tu problema,
incluso si esa información era que no tenías suficientes datos o que no había
patrones obvios en tus datos. Recuerda que los resultados negativos cuentan
tanto como los positivos en el análisis de datos.
preguntas.
Preguntas y ● ¿Qué parte(s) del proceso de análisis de datos te ha gustado más? ¿Qué te ha
respuestas: gustado?
Escribe tu respuesta aquí
● ¿Cuáles fueron algunas de las ideas clave que aprendiste en este curso?
● ¿Hay conceptos o partes del contenido sobre los que te gustaría aprender más? Si
es así, ¿cuáles son? ¿Qué próximo curso crees que te enseñará más sobre esta
área?
● Ahora que has adquirido experiencia en el análisis de datos, ¿qué opinas acerca
de convertirte en analista de datos? ¿Han cambiado tus sentimientos desde que
empezaste este curso? Si es así, ¿cómo?
La importancia de tomar decisiones empresariales

justas
VIDEO: El poder de los datos en la empresa
Como analista de datos, abordarás tareas empresariales que ayudarán a las empresas a utilizar los datos. A continuación,
hablaremos más sobre lo que es realmente una tarea empresarial y algunos ejemplos de cómo podrían verse en trabajos de
analista de datos reales. Tomemos un segundo para pensar en los ejemplos reales de empresas que utilizan el análisis de datos
y su operación que hemos visto antes. Es posible que hayas notado un tema recurrente en todos los ejemplos. Todos tienen
inconvenientes que explorar, preguntas que responder o problemas que resolver. Es fácil que estos elementos se mezclen. Aquí
hay una manera de aclararlos cuando hablamos de ellos en el análisis de datos. Un problema es un asunto o tema para
investigar. Una pregunta está diseñada para descubrir información y un problema es un obstáculo o complicación que es
necesario resolver. Coca-Cola tenía una pregunta sobre nuevos productos. El análisis de datos les dio información sobre los
nuevos sabores que ya les gustan a los clientes. El zoológico y el acuario de la ciudad tenían un problema con el personal. Los
datos, les ayudaron a descubrir la mejor estrategia de dotación de personal. Estas preguntas y problemas se convierten en la
base de todo tipo de tareas empresariales, que ayudarás a resolver como analista de datos. Una tarea empresarial es la
pregunta o el problema que el análisis de datos responde para las empresas. Aquí es donde concentras muchos de tus
esfuerzos, en el trabajo que harás para futuros empleadores. Sigamos con nuestro ejemplo del zoológico y veamos si podemos
imaginar cómo sería una tarea empresarial para un zoológico. Conocemos el problema, el clima impredecible dificultaba que el
zoológico anticipara las necesidades de personal. Quizás la tarea empresarial podría ser algo así como analizar los datos
meteorológicos de la última década para identificar patrones predecibles. Luego, los analistas de datos podrían planificar la
mejor manera de recopilar, analizar y presentar los datos necesarios para resolver esta tarea y cumplir con los objetivos de los
zoológicos. Luego, utilizando datos, el zoológico podría tomar decisiones informadas sobre su personal diariamente. Hablamos
un poco sobre la toma de decisiones basada en datos en videos anteriores. Pero por si necesitas un repaso, aquí está. La toma
de decisiones basada en datos es cuando los hechos que se han descubierto a través del análisis de datos se utilizan para guiar
la estrategia empresarial. La forma más sencilla de pensar en la toma de decisiones es elegir entre las consecuencias, buenas,
malas o una combinación de ambas. En nuestro ejemplo del zoológico, el zoológico tenía los datos necesarios para tomar una
decisión informada que resolviera su problema. Pero, ¿y si hubieran tomado esta decisión sin datos? Digamos que solo
confiaban en la observación y la memoria para rastrear el clima y generar cronogramas para el personal. Bueno, ya sabemos
que eso no habría resuelto su problema a largo plazo. El análisis de datos les brindó la información necesaria para encontrar la
mejor solución posible para su problema. Ese es el poder de los datos. La observación y la intuición son herramientas
poderosas para la toma de decisiones, pero solo pueden llevarnos tan lejos cuando tomamos decisiones basadas solo en la
observación y en las percepciones viscerales, solo vemos una parte del panorama. Los datos nos ayudan a ver todo el
panorama. Con los datos tenemos un panorama completo del problema y sus causas, lo que nos permite encontrar nuevas y
sorprendentes soluciones que nunca antes hubiéramos podido ver. El análisis de datos ayuda a las empresas a tomar mejores
decisiones. Todo empieza con una tarea empresarial y la pregunta que intenta responder. Con las habilidades que aprenderás a
lo largo de este programa, podrás hacer las preguntas correctas, planificar la mejor manera de recopilar y analizar datos, y
luego presentarlos visualmente para armar tu equipo de modo que puedan tomar una decisión informada, basada en datos.
Eso te hace crítico para para el éxito de cualquier empresa para la que trabajes. Los datos son una herramienta poderosa. Con
el gran poder viene, bueno, ya sabes el resto. Y estás haciendo un gran trabajo al asimilar toda esta información. A
continuación, hablaremos sobre tu responsabilidad como analista de datos de garantizar que estás recopilando, analizando y
presentando datos de una manera que sea equitativa para las personas representadas por esos datos.
VIDEO: Rachel: Detectives de datos

Hola, me llamo Rachel y soy líder de sistemas y análisis empresariales en Verily. Hay muchos tipos diferentes de problemas que
un analista de datos puede resolver. A lo largo de mi carrera he tenido la suerte de ver muchos de ellos y de recibir muchos
tipos de datos muy diferentes y de ayudar a convertirlos en respuestas significativas. Creo que una de las cosas más
importantes para recordar sobre el análisis de datos es que los datos son datos. Soy analista de datos financieros, por lo que mi
función en Verily es tomar toda nuestra información financiera, toda la información del dinero que gastamos y el dinero que
generamos, y convertirlo en informes y opiniones para que nuestros clientes potenciales puedan entender lo que estamos
haciendo. Una de las cosas más importantes que he hecho en Verily recientemente fue ayudar a crear lo que se llama balance
de pérdidas y ganancias para cada una de nuestras unidades de negocio. Esto significa que, en tiempo real, nuestros equipos
pueden ver cuál es su presupuesto y cómo están invirtiendo ese presupuesto. Lo que hace es ayudar a nuestros equipos a
mantener ese presupuesto ya sea aumentando sus flujos de ingresos para que tengan más dinero para usar o reduciendo sus
gastos para que puedan mantenerse dentro de ese presupuesto. Todo eso realmente nos ayuda a mantenernos encaminados
como empresa para asegurarnos de que estamos alcanzando nuestros objetivos. Descubrí que los datos actúan como una cosa
que vive y respira. Cuando tienes un montón de puntos de datos, puede ser abrumador cuando te sientas por primera vez para
darle sentido. Tienes toneladas de columnas, toneladas de registros, toneladas de diferentes tipos de datos, y encontrar una
manera de darle sentido es realmente difícil y ahí es donde entra en juego la experiencia de un analista de datos. Han sido
algunos de los momentos más frustrantes de mi carrera, pero también algunos de los trabajos más gratificantes que he hecho
cuando finalmente cobra sentido. El mejor consejo que tengo para cualquier analista de datos que está empezando es
perseverar. Si el ángulo que estás tomando no funciona, intenta encontrar otro. Intenta abordarlo de una manera diferente,
intenta hacer una pregunta diferente y, finalmente, los datos cederán y obtendrás la información que estás buscando.
VIDEO: Comprender los datos y la equidad

Hasta ahora, hemos cubierto las diferentes funciones que desempeñan los analistas de datos en los entornos empresariales y
las pruebas que incluyen esas funciones. Pero los analistas de datos tienen otra responsabilidad importante, asegurarse de que
sus análisis sean equitativos. Ahora, sé lo que probablemente estás pensando, los datos se basan en hechos recopilados,
¿cómo no ser equitativo? Bueno, esa es una buena pregunta. Aprendamos qué significa equidad cuando hablamos de análisis
de datos y por qué es importante que, como analista, lo tengas en cuenta. Equidad significa asegurarse de que tu análisis no
introduzca ni refuerce sesgos. En otras palabras, como analista de datos, deseas ayudar a crear sistemas que sean equitativos e
inclusivos para todos. ¿Suena bastante simple? Bueno, aquí está la parte difícil de la equidad en el análisis de datos. No hay
una definición estándar para esto, pero es de esperar que la forma en que lo acabamos de describir pueda brindarte una forma
de pensar en la equidad por ahora, pero está a punto de volverse un poco más complicado. A veces, las conclusiones basadas
en datos pueden ser verdaderas e inequitativas. ¿Qué puedes hacer entonces? Bueno, averigüémoslo con un ejemplo.
Digamos que tenemos una empresa que se destaca por ser un club de hombres. No hay mucha representación de otros
géneros. Esta empresa quiere ver qué empleados están haciendo un buen trabajo, por lo que comienzan a recopilar datos
sobre el desempeño de los empleados y su propia cultura empresarial. Los datos muestran que los hombres son las únicas
personas que tienen éxito en esta empresa. Su conclusión es que deberían contratar más hombres, después de todo, están
haciendo muy buen trabajo aquí. Pero esa no es una conclusión equitativa por varias razones. En primer lugar, ni siquiera
considera todos los datos disponibles sobre la cultura de la empresa, por lo que presenta una imagen incompleta. En segundo
lugar, no piensa en los otros factores circundantes que afectan los datos o, en otras palabras, la conclusión no considera las
dificultades que tienen las personas de diferentes identidades de género al tratar de desempeñarse en un entorno laboral
tóxico. Si la empresa solo mira esta conclusión, querrán reconocer y abordar cuán dañina es su cultura y no entenderán por
qué ciertas personas están preparadas para fallar dentro de ella. Por eso es importante tener en cuenta la equidad al analizar
los datos. La conclusión de que solo los hombres tienen éxito en esta empresa es cierta, pero ignora otros factores sistemáticos
que contribuyen a este problema. Pero no te preocupes, hay una manera de llegar a una conclusión justa aquí. Un analista de
datos ético puede mirar los datos recopilados y concluir que la cultura de la empresa está impidiendo que algunos empleados
tengan éxito, y la empresa debe abordar esos problemas para mejorar el rendimiento. Mira cómo esta conclusión pinta una
imagen mucho más completa y justa. Reconoce el hecho de que a algunas personas no les está yendo tan bien en esta
empresa, de hecho, eso podría dar lugar a la discriminación contra una gran cantidad de solicitantes en el futuro. Como
analista de datos, es tu responsabilidad garantizar que tu análisis sea equitativo y que los hechos se encuentren en el
complicado contexto social que podría generar sesgos en tus conclusiones. Es importante pensar en la equidad desde el
momento en que empiezas a recopilar datos para una prueba empresarial hasta el momento en que presentas tus
conclusiones a las partes interesadas. Aprenderemos más sobre el sesgo en el proceso de análisis de datos más adelante en
otro curso. Por ahora, veamos un ejemplo de un análisis de datos que hace un buen trabajo al considerar la equidad en su
conclusión. Un equipo de científicos de datos de Harvard estaba desarrollando una plataforma móvil para rastrear pacientes
con riesgo de enfermedad cardiovascular en un área de los Estados Unidos, llamada Stroke Belt. Es importante señalar que
había una variedad de razones por las que las personas que viven en esta área podrían tener un mayor riesgo. Con eso en
mente, estos científicos de datos reconocen que la equidad debe ser una prioridad para este proyecto, por lo que incorporaron
la equidad en sus modelos. El equipo tomó varias medidas de equidad para asegurarse de que eran lo más equitativos posible
al examinar datos sensibles y potencialmente sesgados. Primero, formaron un equipo de analistas y científicos sociales que
pudiera brindar información sobre los sesgos humanos y el contexto social que los provocó. También recopilaron datos
autoinformados en un sistema separado para evitar un posible sesgo racial, que podría sesgar los resultados de su estudio y
representar inequitativamente a los pacientes. Para asegurarse de que esta población de muestra fuera representativa,
sobremuestrearon los grupos no dominantes para asegurarse de que el modelo los incluyera. Está claro que el equipo hizo de
la equidad una prioridad máxima a cada paso del camino. Esto les ayudó a recopilar datos y a crear conclusiones que no
afectaron negativamente a las comunidades que estaban estudiando. Esperamos que estos ejemplos te hayan dado una mejor
idea de lo que significa la equidad en el análisis de datos. Pero vamos a seguir construyendo sobre nuestra comprensión de la
equidad a lo largo de este programa y podrás practicar con algunas actividades.
CUESTIONARIO:
Ahora que has explorado cómo las empresas utilizan los datos en el mundo real, puedes hacer una pausa por un momento y
pensar acerca de lo que estás aprendiendo. En esta autorreflexión, considerarás la equidad y el uso de los datos en tres casos
de empresas como ejemplo y responderás unas preguntas breves con tus ideas. Esta autorreflexión te ayudará a desarrollar
conocimientos sobre tu propio aprendizaje y te preparará para aplicar tus conocimientos en las prácticas de equidad para
escenarios que representan estudios de casos de empresas de la vida real. A medida que respondas las preguntas y plantees
tus propias preguntas, considerarás conceptos, prácticas y principios que te ayudarán a refinar tu comprensión y reforzar tu
aprendizaje. Has hecho el trabajo duro, así que asegúrate de sacarle el máximo provecho: ¡Esta reflexión te ayudará a
mantener tus conocimientos!
Estudio de caso 1:
Para mejorar la eficacia de su personal docente, la administración de una escuela secundaria les ofreció a todos los profesores
la oportunidad de participar en un taller. No estaban obligados a asistir; en cambio, la administración animó a los profesores a
inscribirse. De los 43 profesores que formaban parte del personal, 19 decidieron participar en el taller.
Al final del año académico, la administración recopiló los datos sobre el desempeño docente de todos los profesores en la
nómina. Los datos se recopilaron a través de una encuesta a los estudiantes. En la encuesta, se les pidió a los alumnos que
clasificaran la eficacia de cada profesor en una escala del 1 (muy mala) al 6 (muy buena).
La administración comparó los datos de los profesores que asistieron al taller con los datos de los profesores que no lo
hicieron. La comparación reveló que los profesores que asistieron al taller obtuvieron una puntuación promedio de 4,95,
mientras que los profesores que no asistieron obtuvieron una puntuación promedio de 4,22. La administración concluyó que el
taller fue un éxito.
Reflexión Considera este escenario:
¿Cuáles son los ejemplos de prácticas justas o injustas?
¿Cómo podría un analista de datos corregir las prácticas injustas?
Ahora, escribe de 2 a 3 oraciones (40-60 palabras) en respuesta a cada una de estas preguntas. Escribe tu respuesta en el
cuadro de texto que aparece a continuación.
- Ejemplos de prácticas justas incluyen la iniciativa de ofrecer a los profesores la opción de asistir al taller en lugar de
obligarlos, lo que respeta su autonomía. Sin embargo, la práctica injusta es la comparación de los datos de desempeño
sin considerar otros factores que podrían influir en las calificaciones de los profesores, como las diferencias en las
clases o la motivación de los estudiantes.
- Un analista de datos podría corregir las prácticas injustas al tomar en cuenta las variables ocultas que podrían influir en
el desempeño, como el nivel de dificultad de las asignaturas o el entusiasmo de los estudiantes. Además, podrían
proponer un análisis más completo que evalúe si el taller realmente influyó en el desempeño, en lugar de basarse
únicamente en las calificaciones de los estudiantes.
Estudio de caso 2
Una empresa automotriz pone a prueba las capacidades de conducción de su prototipo de automóvil autónomo. Realizan las
pruebas en varios tipos de carreteras, en concreto, en una pista de carreras, en senderos y caminos de tierra.
Los investigadores solo prueban el prototipo durante el día. Recopilan dos tipos de datos: los datos de los sensores del
automóvil durante los recorridos y los datos de video de los recorridos de las cámaras del automóvil.
Revisan los datos después de las pruebas iniciales. Los resultados muestran que el nuevo automóvil autónomo cumple con los
estándares de rendimiento en cada una de las carreteras. Como resultado, el automóvil puede avanzar a la siguiente fase de
pruebas, que incluirá la conducción en diversas condiciones climáticas.
Reflexión
Una práctica justa en este caso es que la empresa automotriz realiza pruebas en diferentes tipos de carreteras y considera la
conducción diurna. Sin embargo, una práctica potencialmente injusta es que las pruebas se realizan solo durante el día, lo que
no refleja situaciones de conducción nocturna, lo que podría considerarse un sesgo. Además, no se menciona si se consideran
otros factores, como la seguridad de los peatones.

Un analista de datos podría proponer la inclusión de pruebas nocturnas para garantizar una evaluación completa de las
capacidades del automóvil autónomo en diversas condiciones de iluminación. Además, podrían recomendar la recopilación de
datos adicionales, como la detección de peatones, para evaluar aspectos de seguridad. Esto permitiría una evaluación más
equitativa y completa del prototipo.
Case de estudio 3
Un parque de diversiones planea agregar nuevas atracciones en su predio. En primer lugar, deben determinar qué tipos de
atracciones nuevas los visitantes quieren que se construyan en el parque. Para comprender los intereses de sus visitantes, el
parque elabora una encuesta.
Deciden distribuir la encuesta cerca de las montañas rusas porque las filas son lo suficientemente largas como para que los
visitantes tengan tiempo de responder a todas las preguntas. Después de recopilar los datos de esta encuesta, descubren que
la mayoría de los encuestados quieren más montañas rusas en el parque. Concluyen que deberían agregar más montañas
rusas, ya que la mayoría de sus visitantes las prefieren.
Una práctica potencialmente injusta en este caso es que la encuesta se distribuye solo cerca de las montañas rusas, lo que
puede sesgar los resultados a favor de ese tipo de atracciones. Esto no representa los intereses de todos los visitantes del
parque, ya que aquellos que prefieren otros tipos de atracciones pueden no haber tenido la oportunidad de responder.
Un analista de datos podría proponer una encuesta más equitativa que se distribuya en varias ubicaciones del parque, de
modo que todos los visitantes tengan la oportunidad de expresar sus preferencias. Además, podrían analizar los datos de
manera más completa, teniendo en cuenta la diversidad de intereses de los visitantes, en lugar de basarse únicamente en una
preferencia mayoritaria por montañas rusas. Esto garantizaría una toma de decisiones más equitativa y representativa de los
deseos de todos los visitantes.
VIDEO: Alex: Decisiones de datos justas y éticas

Hola, soy Alex. Soy científico investigador en Google. Mi equipo se llama equipo de Inteligencia Artificial ética, somos un grupo
de personas realmente preocupadas no solo por cómo funciona la tecnología de Inteligencia Artificial, sino también por cómo
interactúa con la sociedad y cómo podría ayudar o dañar a las comunidades marginadas. Cuando hablamos de ética de datos,
¿pensamos en la forma correcta e incorrecta de usar los datos? ¿Cuáles serán las formas en que los usos de los datos serán
beneficiosos para las personas? En cuanto a la ética de datos, no se trata solo de minimizar el daño, sino que, en realidad, lo
que importa es el concepto de beneficio. ¿Cómo mejoramos realmente las vidas de las personas mediante el uso de datos?
Cuando pensamos en la ética de datos, estamos pensando, ¿quién recopila los datos? ¿Por qué los recopilan? ¿Cómo los están
recopilando y con qué propósito? Debido a la forma en que las organizaciones tienen la obligación de ganar dinero o informar
a alguien o proporcionar algún análisis, también debemos tener muy en cuenta cómo esto realmente beneficiará a las
personas al final del día. ¿Las personas representadas en estos datos se beneficiarán de esto? Creo que eso es lo que nunca
querrás perder de vista como científico de datos o analista de datos. Creo que los aspirantes a analistas de datos deben tener
en cuenta que muchos de los datos que van a encontrar son datos que provienen de personas, por lo que al final del día, los
datos son personas. Quieres tener una responsabilidad con aquellas personas que están representadas en esos datos. En
segundo lugar, deben pensar acerca de cómo mantener los aspectos de privacidad y protección de sus datos. No queremos
atravesar nuestra práctica pensando en las instancias de datos como algo que simplemente podemos lanzar a la web. No, es
necesario tener en cuenta cómo conservar esa información y similares, como sus imágenes, sus voces o sus textos. ¿Cómo
podemos mantenerlos en privado? También debemos pensar en cómo podemos contar con mecanismos para brindarles a los
usuarios y consumidores más control sobre sus datos. No será suficiente solo con decir, recopilamos todos estos datos y
confíennos todos estos datos. Debemos asegurarnos de que haya formas viables mediante las cuales las personas puedan dar
su consentimiento al proporcionar esos datos y formas en las que puedan solicitar que se revoquen o eliminen. Los datos
siguen creciendo y, al mismo tiempo, necesitamos capacitar a las personas para que tengan control sobre sus propios datos. El
futuro es que los datos siempre están creciendo, no hemos visto ninguna evidencia de que los datos en realidad se estén
reduciendo. Con el conocimiento de que los datos están creciendo, estos problemas se vuelven cada vez más sensibles, y es
cada vez más importante pensar en ellos.
CUESTIONARIO
Opcional: Explora tu próximo trabajo
VIDEO: Analistas de datos en diferentes industrias
Ahora ya sabemos que hay todo tipo de trabajos disponibles en diferentes industrias para los analistas de datos. Sin embargo,
ahora es momento de pensar en algo igual de importante, ¿cómo puedes saber si un trabajo es adecuado para ti y tus
objetivos profesionales? Es una pregunta difícil. No te preocupes. Eso es exactamente lo que trataremos en este video. Hay
muchos factores importantes en los que pensar cuando buscas el trabajo de tus sueños. Hablemos primero de algunos de los
factores más frecuentes: la industria, las herramientas, la ubicación, los viajes y la cultura. Ya se utilizan datos en innumerables
industrias de diferentes tipos, tecnología, marketing, finanzas, atención médica y más. Pero algo que es importante tener en
cuenta es que cada industria tiene necesidades específicas de datos que sus analistas de datos deben abordar de manera
diferente. Los mismos datos de ingresos pueden utilizarse de tres maneras diferentes por los analistas de datos en tres
industrias distintas, servicios financieros, telecomunicaciones y tecnología. Por ejemplo, un analista financiero de un banco
publica datos de ingresos de la empresa de telecomunicaciones X con el objetivo de crear un pronóstico que prediga dónde
estarán los ingresos en el futuro para recomendar el precio de las acciones. El analista de negocios de la empresa de
telecomunicaciones X utiliza esos mismos datos para asesorar al equipo de ventas. Luego, el analista de datos de la empresa
que creó una herramienta de gestión de clientes para la empresa de telecomunicaciones X utilizará dichos datos de ingresos
para determinar qué tan eficientemente funciona el software. Las finanzas, las telecomunicaciones y la tecnología usan los
datos de manera diferente, por lo que necesitan analistas que tengan diferentes habilidades. Todo se reduce a cuáles son las
necesidades de la industria. Esas necesidades determinarán la tarea que se te asignará, las preguntas que responderás e,
incluso, la forma en la que abordarás la búsqueda de empleo. Si recién estás empezando, una excelente manera de guiar tu
búsqueda es pensar primero en lo que te interesa. ¿Te parece significativo ayudar a las personas a estar más saludables?
Quizás quieras centrarte en usar datos para mejorar las admisiones de un hospital. ¿Qué hay de ayudar a las personas a
ahorrar para una jubilación feliz? Es posible que desees un trabajo que utilice datos para determinar los factores de riesgo en
las inversiones financieras. O tal vez te interese ayudar a que el periodismo crezca en tu ciudad. Un trabajo que use datos para
ayudar a un sitio web de noticias local a encontrar más suscriptores podría ser la función perfecta para ti. La clave es pensar en
tus intereses al iniciar tu búsqueda de empleo. Eso te llevará hacia la dirección correcta y también te ayudará en las
entrevistas. Los potenciales empleadores querrán saber por qué estás interesado en su empresa y cómo puedes abordar sus
necesidades, por lo que si puedes hablar sobre tu motivación para trabajar en análisis de datos durante las entrevistas, te
destacarás de una manera excelente. Tendrás opciones relacionadas con dónde trabajar y para quién. Pero recuerda, deseas
disfrutar de lo que haces, por lo que es una buena idea pensar en cómo deseas utilizar tus habilidades. Luego, busca empleos
que te permitan hacer eso. Lo siguiente en la lista de cosas en las que pensar es la ubicación y los viajes. Cuando empieces tu
búsqueda de empleo, debes tomar algunas decisiones en cuanto a dónde deseas vivir, por lo que es útil que te hagas algunas
preguntas. ¿Tu industria preferida tiene oportunidades en tu área? ¿Quieras quedarte en tu comunidad o te gustaría mudarte?
¿Cuánto tiempo estás dispuesto a viajar al trabajo todos los días? ¿Conducirás al trabajo, caminarás o usarás el transporte
público? ¿Es posible eso durante todo el año? ¿Qué te parece trabajar de forma remota? ¿Trabajar desde casa te emociona o
te aburre? Por supuesto, querrás considerar el costo de vida y si deseas o no la comodidad de la vida en la ciudad o una casa
tranquila en los suburbios, y no se trata solo de dónde estarás ubicado. Algunos trabajos pueden pedirte que viajes, lo que
podría ser una oportunidad emocionante para explorar el mundo o un factor decisivo. Todo depende de lo que quieras de este
empleo, así que empieza a hacerte algunas de estas preguntas. Averiguar las respuestas te puede ayudar a acotar tu búsqueda
aún más, de modo que solo buscarás empleos que realmente puedas aceptar. Una vez que hayas respondido suficientes
preguntas, podrás identificar algunas empresas específicas que se adapten a tus necesidades. Este es un buen momento para
pensar en tus valores y en la cultura empresarial que mejor se adapta a tus necesidades. ¿Estás listo? Aquí vienen algunas
preguntas más. ¿Trabajas mejor en equipo o solo? ¿Te gusta tener una rutina fija o disfrutas encarar un nuevo proyecto y
probar cosas nuevas? ¿Tus valores coinciden con los valores de la empresa? Deberás prestar atención a estas cosas durante tu
búsqueda de empleo y el proceso de entrevistas, para que puedas estar completamente seguro de que invertiste en la
empresa para la que deseas trabajar. Esa es la mejor manera de comenzar a construir una carrera emocionante y satisfactoria.
Este programa te ayudará a aprender las habilidades básicas para los análisis de datos en cualquier entorno, depende de ti
hacia dónde quieras llevarlas, ya sea que eso signifique comenzar en una industria completamente nueva o pasar a un puesto
de analista en una industria en la que ya tienes experiencia. Esperamos que lo que hemos tratado aquí te haya ayudado a
encaminarte hacia tu futura búsqueda de empleo. Después de esto, debes llevar a cabo algunas actividades y luego podrás
pasar a la siguiente parte de este curso. Hemos aprendido mucho hasta ahora, como las oportunidades que existen para los
analistas de datos en diferentes industrias. Cómo los analistas de datos ayudan a las empresas a tomar mejores decisiones. La
importancia de la equidad y los análisis de datos, y las posibles preguntas que puedes empezar a hacerte antes de tu futura
búsqueda de empleo. Siempre puedes volver a estas lecciones si deseas revisarlas. En un próximo curso, veremos las
habilidades que tienen todos los analistas de datos exitosos y aprenderás cómo puedes empezar a practicarlas también. Pero
antes de eso, tendrás una evaluación. ¡Mucha suerte! Te veo pronto.
Funciones y descripciones del puesto del analista de datos

A medida que la tecnología avanza, poder recopilar y analizar los datos de esa nueva tecnología se ha convertido en una
enorme ventaja competitiva para muchas empresas. Todo, desde sitios web hasta la alimentación de redes sociales, está
repleto de datos fascinantes que, cuando se analizan y usan correctamente, pueden ayudar a fundamentar las
decisiones empresariales. Ahora, la capacidad de una empresa para prosperar depende a menudo de cómo puede
aprovechar los datos, aplicar el análisis e implementar nuevas tecnologías.
Por eso, los analistas de datos calificados son algunos de los profesionales más solicitados en el mundo. En un estudio
realizado por IBM, se estimó que las empresas de los Estados Unidos cubrirán 2,720,000 puestos de trabajo en Ciencia
de Datos y Análisis de Datos para 2020*. Debido a que la demanda es tan elevada, podrás encontrar oportunidades de
trabajo en prácticamente cualquier industria. Haz una búsqueda rápida en cualquier sitio de trabajo importante y notarás
que todos los tipos de negocios, desde zoológicos hasta clínicas de salud y bancos, buscan profesionales de datos
talentosos. Incluso si el puesto no utiliza el término exacto «analista de datos», la descripción del puesto para la mayoría
de las funciones relacionadas con el análisis de datos probablemente incluirá muchas de las habilidades y calificaciones
que obtendrás al final de este programa. En esta lectura, exploraremos algunas de las funciones relacionadas con los
analistas de datos que puedes encontrar en diferentes empresas e industrias.
* «El crujido cuántico: cómo la demanda de habilidades en Ciencia de Datos está alterando el mercado laboral», de Will
Markow, Soumya Braganza y Bledi Taska, con Steven M. Miller y Debbie
Hughes.https://www.ibm.com/downloads/cas/3RL3VXGA
Decodificación de la descripción del puesto

La función de analista de datos es uno de los muchos puestos de trabajo que contienen la palabra «analista».
Nombraré algunos otros que suenan similares, pero que pueden no tener la misma función:
 Analista de negocios: analiza los datos para ayudar a las empresas a mejorar los procesos, productos o
servicios
 Analista de inteligencia empresarial: analiza los datos para obtener información financiera o del mercado
 Consultor en análisis de datos: analiza los sistemas y modelos para el uso de datos
 Ingeniero de datos: prepara e integra datos de diferentes fuentes para uso analítico
 Científico de datos: utiliza habilidades expertas en tecnología y ciencias sociales para encontrar tendencias a
través del análisis de datos
 Especialista en datos: organiza o convierte los datos para utilizarlos en bases de datos o sistemas de software
 Analista de operaciones: analiza los datos para evaluar el rendimiento de las operaciones y los flujos de trabajo
del negocio
Analista de datos, científico de datos y especialista en datos suenan muy similares, pero se centran en tareas diferentes.
A medida que empieces a buscar ofertas de empleo en línea, podrás notar que las descripciones de puestos de las
empresas parecen combinar estas funciones o buscar candidatos que puedan tener habilidades superpuestas. El hecho
de que las empresas a menudo desdibujen las líneas entre ellas significa que debes tener especial cuidado al leer las
descripciones de los puestos de trabajo y las habilidades requeridas.
La tabla siguiente ilustra algunos de los solapamientos y las distinciones entre ellas:
Decodificación de la descripción del puesto

Analistas de datos Científicos de datos Especialistas de datos
Inventar nuevas Utilizar un conocimiento
Utilizar las herramientas y
herramientas y modelos, profundo de las bases de
Resolución de los métodos existentes para
plantear preguntas abiertas y datos como herramienta
problemas resolver problemas con los
recopilar nuevos tipos de para resolver problemas y
tipos de datos existentes
datos administrar datos
Analizar los datos
Analizar e interpretar datos Organizar grandes volúmenes de datos
recopilados para ayudar a los
Análisis complejos para hacer para utilizarlos en análisis de datos u
interesados a tomar mejores
predicciones comerciales operaciones empresariales
decisiones
Otras
habilidades
relacionadas
Usamos la función de especialista en datos como ejemplo de muchas especializaciones dentro del área de análisis de
datos, pero no tienes que convertirte en especialista en datos. Las especializaciones pueden tomar varios caminos
diferentes. Por ejemplo, podrías especializarte en el desarrollo de visualización de datos y asimismo profundizar mucho
en esa área.
Especializaciones laborales por industria

Aprendimos que la función de especialista en datos se concentra en el conocimiento profundo de las bases de datos. De
manera similar, otras funciones especializadas de los analistas de datos pueden centrarse en el conocimiento profundo
de industrias específicas. Por ejemplo, en un trabajo como analista de negocios puedes cumplir roles diferentes a los de
un puesto más general como analista de datos. Como analista de negocios, es probable que colabores con los gerentes,
compartas tus hallazgos de datos y, tal vez, expliques cómo un pequeño cambio en el sistema de gestión de proyectos
podría ahorrarle a la empresa un 3% cada trimestre. Si bien seguirías trabajando con datos todo el tiempo, te centrarías
en utilizar los datos para mejorar las operaciones empresariales, la eficiencia o los resultados finales.
Otros puestos de especialistas específicos de la industria que puedes encontrar en la búsqueda de empleo de analista de
datos incluyen los siguientes:
 Analista de marketing: analiza las condiciones del mercado para evaluar las ventas potenciales de productos y
servicios
 Analista de recursos humanos y nóminas: analiza los datos de nómina en busca de ineficiencias y errores
 Analista financiero: analiza el estado financiero mediante la recopilación, el monitoreo y la revisión de datos
 Analista de riesgos: analiza documentos financieros, condiciones económicas y datos de clientes para ayudar a
las empresas a determinar el nivel de riesgo que implica tomar una decisión empresarial concreta
 Analista sanitario: analiza los datos médicos para mejorar el aspecto empresarial de los hospitales y las
instalaciones médicas
Conclusión clave
Explora las descripciones de los puestos de trabajo de los analistas de datos y las funciones específicas de la industria.
Empezarás a tener una mejor idea de los diferentes trabajos de analista de datos que existen y qué tipos de funciones te
interesan más.
VIDEO: Samah: Buenas prácticas para entrevistas

Mi nombre es Samah Moid y soy reclutador aquí en Google para el gran equipo de ventas al cliente. Básicamente, contrato
talentos para el equipo de ventas aquí. Incluso en el espacio de reclutamiento de ventas, recluto específicamente para los
principales puestos analíticos aquí en Google. Quiero que el candidato se sienta lo más cómodo posible. Como reclutador
también soy su defensor. Si encajan bien con el equipo, me gustaría presentarlos de la mejor manera. Como reclutador, le daría
algunos consejos al analista de datos que está empezando a buscar empleo. Piensa en un momento en el que hayas utilizado
datos para resolver un problema, ya sea en tus proyectos profesionales o personales. Otro consejo, que le daría a un analista
de datos que está buscando un nuevo empleo es que aumente su red profesional. Hay muchas maneras de aumentar tu red
profesional. Una de ellas es aumentar tu presencia en línea, comunicarte con otros analistas en LinkedIn, unirte a reuniones
locales con otros científicos de datos. A veces, cuando estamos buscando un conjunto de habilidades únicas, los reclutadores
vamos a sitios web como LinkedIn y GitHub, y tratamos de encontrar ese talento nosotros mismos. Es realmente importante
que tengas un perfil actualizado en LinkedIn y también en sitios web como GitHub, donde puedes mostrar una gran cantidad
de proyectos que hayas hecho como analista de datos. Otro consejo, que daría para una entrevista en persona es preparar
preguntas para el entrevistador. Asegúrate de que no sean preguntas abiertas. Deben ser preguntas que te ayuden a
comprender mejor el equipo y el trabajo. Si en una entrevista te dan un estudio de caso, debes esperar que te presenten un
problema empresarial junto con el conjunto de datos de muestra. Entonces se te pedirá que tomes ese conjunto de datos de
muestra, lo analices, y propongas una solución. Una de las cosas que puedes hacer para prepararte para esto es asegurarte de
analizar los datos y encontrar una solución que se relacione con esos datos. A veces no hay una respuesta correcta y muchas
veces los entrevistadores buscan ver tu línea de pensamiento y la forma en la que llegas a la solución. Te recomiendo que, si
encuentras un puesto que te interesa, no solo te postules, sino que vayas al siguiente nivel. Busca al reclutador. Busca al
gerente de contratación en línea. Ve si puedes comunicarte con ellos y organizar una charla de café o enviarles tu currículum
directamente. Las solicitudes en línea podrían ser un gran agujero negro del que nunca recibas noticias del reclutador o del
equipo. Cuando te comunicas directamente con un gerente de contratación o un reclutador, realmente muestras tu
entusiasmo e interés por el puesto. Incluso si en algún momento no obtienes una respuesta al comunicarte, nunca se sabe,
debes intentarlo varias veces. Esa única vez que recibas la respuesta de un reclutador o gerente de contratación, podría ser el
momento en el que obtengasel empleo que realmente deseabas.
Glosario
Análisis computacional de datos
A
oportunidades de mejora en el futuro.
Atributo: Característica o calidad de los datos que se usa para etiquetar una columna en una tabla
B
C
Ciencia de datos: Campo de estudio que utiliza datos sin procesar para crear nuevas formas de modelar y entender lo
desconocido.
Consulta: Solicitud de datos o información de una base de datos.
D
Diseño de datos: Cómo se organiza la información.
E
compartir datos
Equidad: Cualidad del análisis de datos que no genera sesgos ni los reafirma
Estrategia de datos: La gestión de las personas, los procesos y las herramientas que se usan en el análisis de datos.
F
Fórmula: Conjunto de instrucciones que se utilizan para realizar un cálculo al utilizar los datos de una hoja de cálculo.
Función: Un comando preestablecido que realiza automáticamente un proceso o tarea al utilizar los datos de una hoja de
cálculo
L
Lenguaje de consulta: Lenguaje de programación informática usado para comunicarse con una base de datos
M
lógica
O
Observación: Los atributos que describen una pieza de datos contenida en una fila de una tabla
P
Pensamiento analítico: Proceso de identificar y definir un problema, para luego resolverlo mediante el uso de datos de manera
organizada, paso a paso
T
Tarea empresarial: La pregunta o el problema que el análisis de datos resuelve para un negocio.
Toma de decisiones basada en datos: Uso de datos para guiar la estrategia empresarial.
V
CUESTIONARIO:
Estrategias para tomar exámenes
Como sabes, este programa te pide que completes evaluaciones calificadas al final de cada módulo y curso. Las
evaluaciones a veces pueden resultar abrumadoras, pero abordarlas con una estrategia puede hacerlas más manejables.
Aquí hay una lista de consejos que puedes usar para prepararte para el éxito.
Antes de realizar una evaluación:

 Revisa tus apuntes, los videos, las lecturas y el glosario más reciente para actualizar el contenido.
 Busca una imagen de algo o un objeto que te haga sentir feliz. Por ejemplo, puedes mirar una fotografía de una
hermosa playa o un bosque tranquilo cuando te sientas abrumado.
Durante la evaluación:
 Revisa el examen antes de rellenar las respuestas. Recuerda revisar tu trabajo antes de hacer clic en enviar.
 Tómate todo el tiempo que necesites: No hay límite de tiempo.
 Primero responde las preguntas fáciles; omite las que no sepas responder de inmediato.
 En el caso de las preguntas de opción múltiple, concéntrate en eliminar primero las respuestas incorrectas.
 Lee cada pregunta dos veces. A menudo hay pistas que son fáciles de pasar por alto la primera vez.
 Recuerda ir más despacio y confiar en tus conocimientos. Probablemente sabes más de lo que piensas.
 Respira hondo y hazte comentarios positivos.
 Tómate un tiempo durante la evaluación para descansar unos segundos, estirarte y sacude las manos. Esto
realmente puede ayudar a calmar los nervios.
Si empiezas a sentirte ansioso:
 Deletrea tu nombre al revés o haz un problema matemático fácil. Esto te devuelve al lóbulo frontal del cerebro, lo
que te ayuda a recordar la información con mayor facilidad.
 Concéntrate en una respiración tranquila y constante.
 Visualiza el éxito.
Antes de enviar la evaluación:
 Revisa tu trabajo, pero tenga confianza. A veces las personas cambian las respuestas correctas porque se
sienten mal, pero en realidad tienen razón. Tu primer instinto generalmente suele ser correcto.
Marcar como completo
Me gusta
No me gusta
Informar de un problema

Curso 1 Analisis de Datos

Cargado por

Copyright:

Formatos disponibles

Curso 1 Analisis de Datos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso 1 Analisis de Datos

Cargado por

Copyright:

Formatos disponibles

CUADERNO ANALISIS DE DATOS DE GOOGLE – CURSO 1

Descripción del programa y plan de estudios

Preparación para el trabajo

Descripción general del curso

Contenido del curso

Curso 1 - Aspectos básicos: Datos, datos, en todas

Vía rápida opcional para aquellos experimentados en análisis de datos

Registro de aprendizaje: Piensa en los datos de

 ¿Cuál es el mejor momento para ir al gimnasio?

Accede al registro de aprendizaje

Enlace a la plantilla de registro de aprendizaje: Piensa en los datos de la vida cotidiana

Aprendiendo Registro: piense en los datos en la vida diaria

Fecha: <ingrese Curso/tema:Curso 1: Fundamentos: datos, datos en todas partes

Datos Cree una lista de al menos cinco preguntas:

1. ¿Cuál es el mejor momento para ir a caminar a la rambla?

Ahora, seleccione una de las cinco preguntas de su lista para explorar.

 ¿A qué tipo de información o datos tiene acceso que influirán en su decisión?

Obtención del certificado de Google Data Analytics

Para recibir el certificado, debes cumplir los siguientes requisitos:

 Abona la cuota para realizar el certificado, o solicita una beca de Coursera.

Hábitos útiles para completar correctamente el certificado

Caso práctico: Nuevas perspectivas de datos

He aquí un desglose de lo que hizo este equipo, paso a paso.

¿El análisis de personas es adecuado para ti?

Registro de aprendizaje: considerar cómo

Revisa las seis fases del análisis de datos

Accede al registro de aprendizaje

Registro de aprendizaje: Considerar cómo abordan las tareas los

A continuación, se prepararon al elaborar un cronograma y recopilar datos con encuestas

● ¿Te sorprendió la forma en que los analistas de datos abordaron su tarea?

● ¿Qué más te gustaría saber sobre el análisis de datos?

COMPRENDER EL ECOSISTEMA DE DATOS:

VIDEO: Cómo los datos informan mejores decisiones

1. Hacer preguntas y definir el problema.

Por qué el instinto puede ser un problema

Datos + conocimiento empresarial = misterio resuelto.

 ¿Qué tipo de resultados se necesitan?

También sabemos que el análisis de datos se basa en la estadística, que de por sí

1. Preguntar: Desafío empresarial/objetivo/pregunta

Ciclo de vida del análisis de datos de EMC

Ciclo de vida iterativo de SAS:

Ciclo de vida del análisis computacional de datos basado en proyectos:

1. Identificación del problema

Ciclo de vida del análisis de big data:

1. Evaluación de casos de negocio

VIDEO: Destrezas clave del analista de datos

Registro de aprendizaje: Explora los datos de tu

Elabora una lista

Estas son algunas ideas para empezar:

 La cantidad de tazas de café que bebes por día

Consumo diario de café

 8 de ene a las 8 a.m. - compra de café - una taza de 283 g

Accede al registro de aprendizaje

Enlace a la plantilla de registro de aprendizaje: Explora los datos de tu vida cotidiana

 ¿Has observado alguna tendencia en tu comportamiento?

Registro de aprendizaje: Explora los datos de tu vida cotidiana

Registro de aprendizaje: Explora los datos de tu vida cotidiana

1. Descripción: Cualidades y características asociadas al uso de hechos para resolver problemas

Pensar en el pensamiento analítico