Cómo solucionar tu problema de negocio con Big Data

El Big Data es una realidad imperante en la mayoría de negocios y procesos en la actualidad, pero ¿conocemos realmente cómo aplicarlo en nuestro día a día?

En este webinar, mostramos a través de un caso práctico cómo tomar decisiones basadas en datos en el entorno corporativo. Como si estuviéramos resolviendo una situación real en una empresa, partimos de un problema de negocio que debemos solventar. En este caso, ese problema es, precisamente, lograr maximizar la audiencia y aceptación del webinar.

Para ello, nuestros expertos en estrategia y Data Science Álvaro Alegría y Santiago Morante han diseñado y emulado el mismo proceso que debería poner en práctica cualquier empresa cuyo objetivo sea tomar decisiones en base a datos.  

Al final de la emisión, tuvimos una sesión Q&A con los ponentes en directo para resolver algunas de las dudas y preguntas comentadas en el chat live. Algunas están ya incluidas en el vídeo, pero dejamos abajo otras que no dio tiempo a responder durante la sesión:

¿Cuál es el volumen mínimo para que una muestra sea representativa?

Esta es una pregunta interesante. Es cierto que, para los métodos estadísticos clásicos, existen unas fórmulas para calcular el tamaño mínimo de la muestra para un margen de error y un nivel de confianza determinados (más información).

Sin embargo, cuando hablamos de Machine Learning, y especialmente cuando hablamos de Big Data, no es tan habitual encontrar cálculos asociados al tamaño de la muestra, porque se asume que tienes suficientes datos, o por desconocimiento de quién lo hace. Lo que sí se hace para evaluar si la muestra es adecuada es dividir tus datos en varias partes, algunas de las cuales se usan para entrenar el modelo (set de entrenamiento) y otras para evaluar el modelo (set de validación).

Si el modelo entrenado obtiene, en el set de validación, unos resultados adecuados desde el punto de vista de negocio que, además, para tu realidad concreta tiene un error aceptable, la muestra habrá sido suficiente para que el modelo aprenda con rigor.

Y si dentro de un mes se demuestra que el algoritmo no tiene razón… ¿qué hacemos?

Bueno, es cierto que esperamos que los resultados sean mejores que la media de los videos anteriores, si bien hay que tener en cuenta que no hemos podido seguir los resultados del modelo completamente, debido a las limitaciones que no podíamos evitar (fecha del webinar, somos 2 hombres, etc.). Cruzaremos los dedos 😉

¿Te parece interesante este webinar? Visita la sección LUCA Talks en nuestra web para ver nuestros anteriores webinars.

Para mantenerte al día con LUCA visita nuestra página web,  suscríbete a LUCA Data Speaks o síguenos en Twitter, LinkedIn o YouTube.