En este Episodio nos dimos a la tarea de contar una historia al rededor de una de las 3 causas más comunes por las cuales los proyectos de datos y en específico de ciencia de datos fallan. Nos referimos a "Empezar con  una modelo demasiado ambicioso". Es decir, que deseamos que nuestro modelo matemático y estadístico resuelva la mayoría de preguntas o su alcance sobrepase nuestras capacidades técnicas para desarrollarlo.
Finalmente de dejamos las siguiente sugerencias para evitar que esto suceda:


Buscar un aliado en aquellos aspectos para mejorar (Mentor de datos)
Empieza con un caso de uso detallado / De poco a mucho y de forma incremental (objetivo específico)
Define alcances reales (no tan optimistas)
Verifica las capacidades de tu equipo (tanto técnicas como de infraestructura)


Recuerda:  "Las empresas que utilizan los datos para tomar decisiones tienen que estar dispuestas a la incertidumbre"
Para más información sobre estos temas u otros, visítanos en:

www.brita.mx  
www.klustomer.com  
www.grupoperti.com.mx

#marketingAnalytics #marketingIntelligence #Cienciadedatos #DataScience #BigData #DataViz #BigDataAnalytics #InteligenciaArtificial #AI #InteligenciaArtificialEnMarketing #klustomer #BRITA #MachineLearning

Ver todos los episodios