La ciencia de datos, cuya "complejidad abarca y se expande a muchas áreas y disciplinas", según el especialista Fernando Casafranca, docente del curso Data science: la ciencia de los datos del PEE de ESAN, logra hacer que un conjunto de datos, en apariencia desordenados, influyan directamente sobre decisiones empresariales.

En un mundo donde cada vez estamos más rodeados de información, estructurada y no estructurada, se hace necesario agrupar estos rasgos de la forma más óptima, a través de sistemas que faciliten su entendimiento. Para ello se requieren diversas habilidades y técnicas multidisciplinarias, entre las que destacan la comunicación y la ejecución de tareas.

"Las herramientas utilizadas para la exploración, procesamiento y presentación de los datos cubren muchas áreas y aspectos. En consecuencia, existe una gran variedad de herramientas según los métodos y tareas a realizar", señala el profesor Fernando Casafranca.

Estas, "que dependen, como en toda disciplina, de su aplicación y familiaridad", podrían subdividirse, a grandes rasgos, acorde a los territorios donde son requeridas:

Herramientas de gestión de datos en programación

En la ciencia de datos la programación es esencial en el procesamiento de la información. Para el profesor Casafranca, "los sistema de gestión de bases de datos relacionales (RDBMS) son imprescindibles; así como el uso de SQL (lenguaje de consulta estructurada), NoSQL (sistemas de gestión de bases de datos) y NewSQL (nueva tendencia de motores de bases de datos), junto a programas como MySQL, Redshift o MongoDB".

Estas herramientas se alinean con los softwares de desarrollo más utilizados (R, Python y SQL) y facilitan la creación, definición y actualización de bases de datos. Acorde a Casafranca, estos programas ofrecen una integración más limpia con otras herramientas, por lo que son ciertamente esenciales para los científicos de datos.

Softwares para la realización de algoritmos

El docente de ESAN señala la importancia de la Estadística y las Matemáticas para la creación de algoritmos que permitan "el modelamiento y la visualización de la data". Entre los programas que resalta se encuentran: "TensorFlow, D3, MatplotLib y Scikit-Learn".

Cada uno de estos tiene su protagonismo y utilidad dentro de los pasos que se requieren para la correcta apreciación de la Big data.

Programas para reportes dentro de la ciencia de datos

"Para la generación de reportes se utilizan herramientas marco como Jupyter y iPython", indica el especialista. El primero es un programa de código abierto que puede combinarse con otros softwares y cuya arquitectura facilita la coexistencia de docenas de lenguajes de programación.

Sobre el segundo, iPython, es un shell extra de Python que permite controlar diversos motores individuales que se desarrollan en paralelo e interactúan entre sí, cruzando la data y generando los reportes necesarios.

Bases de datos rápidas y superiores

El uso de herramientas más complejas, "como Hadoop, Spark, Hive y Presto, por ejemplo", son fundamentales para explorar y dar un orden adecuado a la información. Por ejemplo, Hadoop puede proporcionar un gran almacenamiento para cualquier tipo de data, además su procesamiento de tareas puede considerarse ilimitado, destacando también su escalabilidad y flexibilidad.

"Las herramientas y lenguajes mencionados, que se emplean para la exploración y procesamiento de datos, son las típicamente más usadas, aunque no necesariamente las únicas o las mejores. Esto se debe a la diversidad de lenguajes existentes y a la evolución que ha tenido esta ciencia en las últimas décadas", asegura el profesor Casafranca.

Si bien existen más técnicas, programas e incluso metodologías para examinar datos y contribuir con ellos en el proceso de toma de decisiones y en el cumplimiento de objetivos empresariales, para el docente de ESAN es primordial que el profesional perfeccione sus habilidades humanas.

La capacidad de observación, análisis y síntesis son claves para el desarrollo de la ciencia de datos. Con estas habilidades ya desarrolladas, las herramientas solo optimizarán los conocimientos y generarán información que sea significativa y procesable.

Para conocer más sobre este tema te invitamos a participar en el curso Data science: la ciencia de los datos del PEE de ESAN.

Fuentes:

Francisco Salas-Molina, David Pla-Santamaria. "Aprendizaje orientado a la programación en economía, negocios y finanzas".

Janbask Training. "How to Compare Hive, Spark, Impala and Presto?"

Jeffrey M. Perkel. "Why Jupyter is data scientists' computational notebook of choice".