Gestión de Proyectos de Ciencia de Datos

1. Santo Domingo, 2019
Juntos, somos mejores
Gestión de Proyectos de Ciencia
de Datos
Elena López

2.  Ingeniero de Sistemas, especialista en gobernanza de datos
e inteligencia de negocios.
 13 Años de experiencia con Data Warehousing para grandes
volúmenes de datos, inteligencia de negocios, reportería y
visualización.
 Fundadora de STI, Partner de Microsoft para el área de
datos
 Reconocida con el premio internacional Microsoft Most
Valuable Professional (MVP) para el área de datos por su
aporte a la comunidad TIC de habla hispana
Facilitador

3. • Inteligencia Artificial
• Inteligencia de Negocios
AGENDA
• Retos dentro de un
Proyecto de Ciencia de
datos
• Metodología de trabajo
• Perfiles
• Estándares y buenas
prácticas
• Casos de éxito

4. Inteligencia
Artificial
Resolución de problemas COGNITIVOS, comúnmente
asociados a la adquisición de conocimiento mediante
información recibida y el aprendizaje.
Simulación de la inteligencia humana a través de sistemas
computarizados.

5. Inteligencia
Artificial
 Razonamiento
 Conocimiento
 Planificación
 Manipulación de objetos
 Resolución de problemas
 Percepción

6. Inteligencia
de
Negocios
Herramientas, procesos, aplicaciones y tenologías que facilitan
la toma de decisión a través de la obtención y tratamiento de
datos provenientes de los sistemas de apoyo empresarial.

7. Diferencias
Inteligencia Artificial (AI) Inteligecia de Negocios (BI)
Simula la inteligenca humana Análisis de datos
Machine Learning, Deep Learning,
Robótica, Computer Vision, etc.
Data warehousing, reportes, minería de
datos, etc.
Juegos, procesamiento del lenguaje
natural, robótica
Tomas de decisiones eficientes

8. ¡La materia prima de las
Soluciones de Inteligencia
artificial y de negocio es la
DATA!

9. Retos
 Datos carentes de calidad
 Falta de talentos (científicos de datos)
 Políticas y controles internos
 Carencia de claridad en las preguntas que queremos
responder
 Datos no democratizados
 Abandono del Proyecto por desuso
 Herramientas limitadas
 Dependencia de TIC
 Alto Costo

10. Metodología
Proyectos de
Ciencia de Datos
Team Data Science
Process

11. Roadmap

12. TDSP

13. TDSP
¿CUÁL ÁREA DE NEGOCIO
REQUIERE MAYOR ATENCIÓN Y/O
ME REPRESENTA UN MAYOR
RETO?

14. TDSP
¿CUÁLES PREGUNTAS DEL
NEGOCIO QUEREMOS
RESPONDER?
¿QUÉ EXACTAMENTE QUEREMOS
LOGRAR?

15. TDSP ENCONTRAR LOS DATOS PARA
RESPONDER ESAS PREGUNTAS

16. TDSP
DETERMINAR MÉTRICAS PARA
ENTENDER SI LOS DATOS
DISPONIBLES CUMPLEN CON LA
CALIDAD ESPERADA (ANALIZAR
ESA DATA)

17. TDSP
DETERMINAR LOS CASOS DE USO

18. TDSP SELECCIONAR LA TECNOLOGÍA

19. TDSP DISEÑAR PROTOTIPOS

20. TDSP PROBAR, PROBAR Y PROBAR

21. TDSP IMPLEMENTAR

22. TDSP
ACTUALIZAR LOS PROCESOS DEL
NEGOCIO EN FUNCIÓN DE LO
DESARROLLADO

23. TDSP MEJORA CONTINUA

24. FACTS
 Los datos son el nuevo petróleo
 Menos del 5% de los datos producidos son
aprovechados
 Alrededor del 80% de los proyectos de ciencia de
datos fracasan

25. Dudas, Consultas

26. MUCHAS
GRACIAS
CONTÁCTENOS
www.pmird.org.do
programas@pmird.org.do
info@pmird.org.do
Encuesta:
https://es.surveymonkey.com/r/WJD5Y59
https://es.surveymonkey.com/r/WJD5Y59