Data Analytics

El análisis de datos consiste en examinar datos para responder preguntas y respaldar decisiones. Incluye recopilar y limpiar datos, analizarlos con estadísticas y aprendizaje automático, y comunicar los resultados mediante informes, paneles y visualización de datos. Un comercio minorista que pregunta qué tiendas perdieron ventas el último trimestre, un hospital que estima las hospitalizaciones de la semana siguiente y una ciudad que cuenta coches en un cruce a partir de las imágenes de cámaras están realizando análisis de datos.

Los cuatro tipos de análisis#

Los análisis suelen clasificarse según la pregunta a la que responden, y cada tipo se apoya en el anterior:

• Análisis descriptivo: ¿Qué ha pasado? Los totales, las medias, las distribuciones y las tendencias resumen los datos del pasado; son la base de los informes empresariales.
• Análisis diagnóstico: ¿Por qué ha pasado? Los desgloses, las correlaciones y las comparaciones entre segmentos buscan las causas.
• Análisis predictivo: ¿Qué pasará? Los modelos estadísticos y de aprendizaje automático pronostican resultados como la demanda, la pérdida de clientes o los fallos de equipos.
• Análisis prescriptivo: ¿Qué conviene hacer? La optimización y la simulación convierten las previsiones en acciones recomendadas, como cuántas cajas abrir.

Los tres primeros caben en unas pocas líneas de pandas y scikit-learn con el conjunto de datos de diabetes incluido en scikit-learn, que registra 10 mediciones de referencia de 442 pacientes y una puntuación de progresión de la enfermedad un año después:

from sklearn.datasets import load_diabetes
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 442 diabetes patients: 10 baseline measurements and a disease progression score one year later
data = load_diabetes(as_frame=True).frame

# Descriptive: how far did the disease progress?
print(f"progression: mean {data['target'].mean():.0f}, range {data['target'].min():.0f}-{data['target'].max():.0f}")

# Diagnostic: which measurements move with progression?
print(data.corr()["target"].drop("target").nlargest(3).round(2).to_dict())

# Predictive: how well do the measurements forecast progression for new patients?
X_train, X_test, y_train, y_test = train_test_split(data.drop(columns="target"), data["target"], random_state=0)
model = LinearRegression().fit(X_train, y_train)
print(f"R^2 on held-out patients: {model.score(X_test, y_test):.2f}")

El análisis descriptivo indica una puntuación media de progresión de 152, en un intervalo de 25 a 346. El análisis diagnóstico revela que el índice de masa corporal es el factor que más correlaciona con la progresión (0,59), seguido de la medición de triglicéridos en suero s5 (0,57) y la presión arterial (0,44). El análisis predictivo explica el 36 % de la varianza de la progresión en pacientes que el modelo nunca había visto: un R² de 0,36.

El proceso de análisis#

Un proyecto empieza con una pregunta precisa y una métrica que la responda; después, recopila los datos pertinentes de bases de datos, registros, sensores o cámaras. La limpieza de datos y el preprocesamiento de datos corrigen los valores que faltan, los duplicados y las unidades incoherentes; antes de modelar, el análisis exploratorio representa gráficamente las distribuciones y relaciones. A continuación, los analistas aplican estadística, algoritmos de análisis de series temporales o de minería de datos, y presentan los resultados junto con su incertidumbre. Las herramientas habituales son SQL y las hojas de cálculo para preguntas sencillas, pandas y los cuadernos para el análisis, motores distribuidos como Apache Spark para los macrodatos y herramientas de inteligencia empresarial como Tableau y Power BI para los paneles.

Los proyectos de aprendizaje automático realizan el mismo análisis con sus propios datos y modelos. Antes del entrenamiento, los recuentos de clases y las estadísticas de etiquetas revelan desequilibrios y sesgos del conjunto de datos; después del entrenamiento, una matriz de confusión y métricas por clase muestran en qué clases, condiciones de iluminación o tamaños de objeto se equivoca el modelo.

Análisis de vídeo#

La visión artificial convierte las cámaras en fuentes de datos para el análisis. La detección de objetos y el seguimiento de objetos convierten cada fotograma en recuentos, posiciones y trayectorias, que se agregan para calcular el tráfico peatonal por hora y métricas de gestión de colas, como los tiempos de espera, los vehículos por carril o los índices de defectos por turno de producción. Tanto el recuento de personas y el análisis de ocupación en tiendas y oficinas como la gestión del tráfico en cruces se basan en esta conversión de píxeles en tablas.

La solución de análisis de Ultralytics YOLO realiza la conversión en un solo paso: ejecuta un modelo YOLO26 con seguimiento en cada fotograma del vídeo y representa los resultados en un gráfico dinámico, ya sea un gráfico de líneas con el total de detecciones por fotograma o un gráfico de barras, un gráfico circular o un gráfico de áreas con los recuentos por clase, que se puede guardar en un vídeo de salida.

Análisis de datos y términos relacionados#

• Ciencia de datos: Un campo más amplio que incluye la analítica y también crea modelos y productos de datos, como motores de recomendación, que funcionan en producción.
• Inteligencia empresarial (BI): Informes y paneles sobre datos empresariales seleccionados, principalmente analítica descriptiva y diagnóstica.
• Minería de datos: La etapa de descubrimiento de patrones dentro de la analítica, que utiliza algoritmos para encontrar automáticamente asociaciones, grupos y anomalías en grandes conjuntos de datos.