Proceso estándar de análisis de datos

---

Objetivo

✨ Presentar un flujo de trabajo (workflow) completo y ordenado para el análisis de datos — guía de referencia para todo análisis riguroso.

Idea Clave 💡

No existe análisis sin estructura. El flujo de trabajo es el "mapa" que guía tu análisis desde datos crudos hasta conclusiones. Seguirlo previene errores, mejora reproducibilidad y acelera desarrollo.

---

El Workflow Completo: 6 Etapas

graph TD
    A["📊 RECOGIDA<br/>Muestreo"] --> B["📝 REGISTRO<br/>Captura datos"]
    B --> C["🧹 LIMPIEZA<br/>Validación"]
    C --> D["📈 EXPLORACIÓN<br/>EDA"]
    D --> E["🤖 MODELADO<br/>Inferencia"]
    E --> F["📋 COMUNICACIÓN<br/>Reportes"]

    A --->|Pregunta| B
    B --->|Datos crudos| C
    C --->|Datos limpios| D
    D --->|Patrones| E
    E --->|Conclusiones| F
    F --->|Feedback| A

    style A fill:#bbdefb
    style B fill:#bbdefb
    style C fill:#f8bbd0
    style D fill:#f8bbd0
    style E fill:#ffe0b2
    style F fill:#ffe0b2

---

Etapa 1️⃣: RECOGIDA — Definir y Muestrear

Qué hacemos: Diseñar el muestreo y recolectar datos representativos.

Tareas:

• ✅ Definir población objetivo con precisión
• ✅ Decidir método de muestreo (aleatorio, estratificado, etc.)
• ✅ Calcular tamaño de muestra necesario
• ✅ Establecer criterios de inclusión/exclusión
• ✅ Planificar logística de captura

Outputs:

• Plan de muestreo documentado
• Tamaño de muestra justificado
• Lista de población / protocolo de selección

Recursos: Muestra representativa

---

Etapa 2️⃣: REGISTRO — Capturar y Documentar

Qué hacemos: Recopilar datos en sistema ordenado con validaciones.

Tareas:

• ✅ Diseñar esquema de datos (nombres, tipos, unidades)
• ✅ Implementar validaciones en tiempo real
• ✅ Capturar metadatos (quién, cuándo, cómo)
• ✅ Crear backup inmediato

Outputs:

• Dataset con registros validados
• Metadatos de captura completos
• Backup del dataset original

Recursos: Observación y registro

---

Etapa 3️⃣: LIMPIEZA — Validar y Reparar

Qué hacemos: Detectar y resolver problemas en datos crudos.

Tareas:

• ✅ Inspeccionar: tipos, dimensiones, valores faltantes
• ✅ Detectar: duplicados, valores fuera de rango, outliers
• ✅ Documentar: registro de cambios por cada transformación
• ✅ Aplicar: imputación, normalización, corrección
• ✅ Validar: comparar estadísticas antes/después

Outputs:

• Dataset limpio y validado
• Registro de cambios documentado
• Reporte de calidad de datos

Recursos: Limpieza de datos

---

Etapa 4️⃣: EXPLORACIÓN (EDA) — Entender Patrones

Qué hacemos: Análisis descriptivo profundo para encontrar patrones y anomalías.

Tareas:

• ✅ Estadísticas básicas: media, mediana, varianza, cuartiles
• ✅ Distribuciones: histogramas, densidades, boxplots
• ✅ Relaciones: correlaciones, tablas cruzadas
• ✅ Segmentación: análisis por subgrupos
• ✅ Hipótesis iniciales: qué patrones observas?

Outputs:

• Gráficos exploratorios
• Tabla de estadísticas descriptivas
• Hipótesis para modelado

Recursos: Medidas de tendencia, Visualización

---

Etapa 5️⃣: MODELADO — Inferencia y Predicción

Qué hacemos: Aplicar técnicas estadísticas para generalizar y predecir.

Tareas:

• ✅ Seleccionar método (test estadístico, regresión, ML)
• ✅ Ajustar modelo y validar supuestos
• ✅ Evaluar con métricas apropiadas
• ✅ Hacer predicciones o estimaciones
• ✅ Cuantificar incertidumbre (intervalos de confianza)

Outputs:

• Modelo entrenado
• Métricas de desempeño
• Predicciones con intervalo de confianza

Recursos: Aparecen en UD3+ (inferencia, regresión, hipótesis)

---

Etapa 6️⃣: COMUNICACIÓN — Reportar Resultados

Qué hacemos: Documentar hallazgos de forma clara y reproducible.

Tareas:

• ✅ Crear narrativa clara (pregunta → método → resultados)
• ✅ Visualizar conclusiones principales
• ✅ Documentar supuestos y limitaciones
• ✅ Proporcionar código reproducible
• ✅ Especificar siguientes pasos

Outputs:

• Reporte ejecutivo (1-2 páginas)
• Reporte técnico completo
• Código reproducible (scripts)
• Datasets generados

---

¿Por Qué Esta Estructura?

Etapa	Si la saltas...
1. Recogida	Muestras sesgadas → conclusiones inválidas ❌
2. Registro	Datos caóticos → limpieza imposible ❌
3. Limpieza	Análisis con datos sucios → resultados engañosos ❌
4. Exploración	Métodos inapropiados para tus datos ❌
5. Modelado	Sin validación formal → intuiciones no probadas ❌
6. Comunicación	Resultados olvidados → sin impacto ❌

Conclusión: Todas son críticas. Saltar una = fracaso garantizado.

---

Iteración y Feedback

graph TB
    A["Pregunta de Negocio"] --> B["1. RECOGIDA"]
    B --> C["2. REGISTRO"]
    C --> D["3. LIMPIEZA"]
    D --> E["4. EXPLORACIÓN"]
    E --> F["¿Patrón claro?"]
    F -->|NO| E
    F -->|SÍ| G["5. MODELADO"]
    G --> H["¿Válido?"]
    H -->|NO| D
    H -->|SÍ| I["6. COMUNICACIÓN"]
    I --> J["Acción / Siguiente Análisis"]

    style A fill:#c8e6c9
    style J fill:#c8e6c9
    style F fill:#ffecb3
    style H fill:#ffecb3

Nota: El análisis no es lineal. Es común volver atrás (p.ej. exploración → más limpieza) cuando descubres problemas.

---

Recomendaciones Prácticas

---

Conexión con UD1

Etapa	Contenido UD1
1. Recogida	Muestreo
2. Registro	Observación y registro
3. Limpieza	Limpieza de datos
4. Exploración	Medidas, Visualización
5. Modelado	Aparece en UD3+
6. Comunicación	Cada unidad

UD1 prepara los pasos 1-4. Etapas 5-6 se desarrollan en unidades posteriores, pero es fundamental dominar antes la preparación de datos.

---

💭 Reflexión Final

---

📖 Referencias Internas

• Introducción
• Tipos de datos
• Medidas
• Muestreo
• Limpieza
• Visualización