Ciencia de Datos e IA: qué se aprende antes de pedirle predicciones a un modelo
Datos, estadística, programación y validación forman el trabajo previo necesario para interpretar una predicción sin convertirla en certeza.
Pedirle una predicción a un modelo es uno de los últimos pasos de un proceso, no el primero. Antes hay que formular una pregunta medible, reunir datos pertinentes, revisar su calidad, elegir una referencia de comparación y decidir cómo se evaluará el error. Sin ese trabajo, un número con muchos decimales puede parecer preciso sin ser útil.
Traducir una inquietud a una pregunta
“¿Qué va a pasar?” es demasiado amplio. Una pregunta analítica identifica qué se quiere estimar, para qué momento, sobre qué unidad y con qué decisión asociada. Predecir demanda semanal para planificar compras no es lo mismo que estimar abandono mensual para organizar seguimiento.
También hace falta definir qué información estaría disponible en el momento real de decidir. Usar un dato que sólo se conoce después produce una evaluación engañosa, aunque el resultado técnico parezca excelente.
Conocer cómo se produjeron los datos
Una tabla no llega limpia por naturaleza. Cada columna tiene origen, definición, período y posibles ausencias. Antes de modelar conviene preguntar:
- qué representa cada fila;
- cómo se registró la variable objetivo;
- si cambiaron formularios o criterios;
- qué duplicados o valores faltantes existen;
- qué casos quedaron fuera de la recolección;
- si el conjunto refleja la situación donde se usará el modelo.
La preparación no garantiza una muestra perfecta. Permite documentar límites que después condicionan la interpretación.
Usar estadística antes de complejidad
Promedios, distribuciones, dispersión y relaciones entre variables ayudan a reconocer patrones y anomalías. Una visualización puede revelar que una serie tiene estacionalidad o que un grupo está poco representado. Esa exploración orienta el método y evita tratar todos los problemas como si fueran iguales.
El plan publicado por IEA combina matemática, estadística, programación con Python y R, bases de datos, minería, aprendizaje automático y otros contenidos. La secuencia importa: los modelos se apoyan en herramientas previas para ordenar y evaluar información.
Ejemplo hipotético: una demanda mensual
Una tienda ficticia tiene 24 meses de ventas: usa los primeros 18 para construir un modelo y reserva los últimos 6 para evaluar. Antes compara contra una referencia sencilla: repetir la venta del mismo mes anterior. La referencia obtiene un error absoluto medio de 14 unidades; el modelo, de 11.
La diferencia hipotética no demuestra que el modelo funcione en otro período ni que mejore el negocio. Todavía habría que revisar variación, costos de error, cambios de contexto y estabilidad. Si se ajustara el modelo mirando los seis meses reservados, esa evaluación dejaría de ser independiente.
Validar y comunicar incertidumbre
Un promedio de error no cuenta todo. Conviene observar cuándo falla más, qué grupos están afectados y qué decisión soportará. Predecir 100 unidades con un margen amplio no equivale a prometer 100. La comunicación debe incluir período, método, referencia y límites.
También se necesita revisión ética: qué datos se usan, con qué permiso, a quién puede perjudicar un error y qué intervención humana permanece. Un modelo puede automatizar cálculos sin asumir responsabilidad.
La validación debería repetirse cuando cambia el contexto. Un patrón útil durante una temporada puede deteriorarse si cambian hábitos, precios o registros. Definir qué señal activa una nueva revisión ayuda a tratar el modelo como un sistema sujeto a control y no como una respuesta definitiva.
Checklist antes de aceptar una predicción
- La pregunta y el horizonte están definidos.
- Los datos disponibles al decidir están separados de los posteriores.
- Las ausencias y exclusiones están documentadas.
- Existe una referencia sencilla para comparar.
- La evaluación usa datos no empleados para ajustar.
- El error se analiza por casos relevantes.
- La conclusión expresa incertidumbre y límites.
Quien quiera conocer el recorrido académico puede consultar el plan de Ciencia de Datos e Inteligencia Artificial de IEA y confirmar modalidad, requisitos técnicos, prácticas y evaluación vigentes. La propuesta formativa reúne herramientas para construir y revisar modelos; no garantiza predicciones acertadas ni resultados laborales.
Información vigente al 2 de octubre de 2026.