stringtranslate.com

Pensamiento basado en datos

El pensamiento de datos es un marco de diseño de productos que enfatiza la integración de la ciencia de datos en el proceso de diseño. Incorpora elementos del pensamiento computacional, el pensamiento estadístico y el conocimiento específico del dominio para guiar el desarrollo de soluciones basadas en datos. En el desarrollo de productos, el pensamiento de datos se utiliza para explorar, diseñar, desarrollar y validar soluciones basadas en datos. Fusiona la ciencia de datos con el pensamiento de diseño , [1] centrándose tanto en la experiencia del usuario como en el análisis de datos , incluida la recopilación e interpretación de datos.

Este marco tiene como objetivo mejorar la alfabetización de datos dentro de las organizaciones y los individuos, promoviendo el uso de datos para tomar decisiones informadas. Al adoptar el pensamiento basado en datos, las organizaciones pueden desarrollar productos que estén más alineados con las necesidades de los usuarios a través de conocimientos basados ​​en evidencia. También permite a los individuos sacar conclusiones basadas en datos, lo que potencialmente reduce la influencia de sesgos externos. [2] [3] [4] [5]

Componentes principales del pensamiento basado en datos

Según Mike et al.: [1]

Principales fases del pensamiento basado en datos

Aunque todavía no existe un proceso estandarizado para el pensamiento de datos, las principales fases del proceso son similares en muchas publicaciones y podrían resumirse de la siguiente manera:

Aclaración del contexto estratégico y definición de áreas de enfoque de riesgos y oportunidades basadas en datos

Durante esta fase, se analiza el contexto más amplio de la estrategia digital. Antes de comenzar con un proyecto concreto, es esencial comprender cómo las nuevas tecnologías basadas en datos e inteligencia artificial están afectando al panorama empresarial y las implicaciones que esto tiene en el futuro de una organización. El análisis de tendencias / previsión tecnológica y la planificación/análisis de escenarios, así como las evaluaciones de la capacidad de datos internos, son las principales técnicas que se suelen aplicar en esta etapa. [6] [4]

Ideación/Exploración

El resultado de la etapa anterior es una definición de las áreas de enfoque que son las más prometedoras o las que presentan mayores riesgos para o debido a la transformación basada en datos. En la fase de ideación/exploración, se definen los casos de uso concretos para las áreas de enfoque seleccionadas. Para que la ideación tenga éxito, es importante combinar información sobre los objetivos de la organización (empresarial), las necesidades de uso internas/externas, las necesidades de datos e infraestructura, así como el conocimiento del dominio sobre las últimas tecnologías y tendencias basadas en datos. [7] [3]

Los principios del Design Thinking en el contexto del Data Thinking pueden interpretarse de la siguiente manera: al desarrollar ideas basadas en datos, es fundamental considerar la intersección de la viabilidad técnica, el impacto comercial y la disponibilidad de datos. Los instrumentos típicos del Design Thinking (por ejemplo, investigación de usuarios, personajes , recorrido del cliente ) se aplican ampliamente en esta etapa. [ cita requerida ] [8]

Además de las necesidades de los usuarios, también se deben tener en cuenta las necesidades estratégicas y de los clientes. Las necesidades de datos, el análisis de la disponibilidad de datos y la investigación sobre las tecnologías de IA adecuadas para la solución son partes esenciales del proceso de desarrollo. [9]

Para delimitar los datos y la base tecnológica de la solución, en esta etapa se suelen utilizar prácticas de procesos estándar intersectoriales para minería de datos ( CRISP-DM ). [10]

Prototipado / Prueba de concepto

Durante las etapas anteriores, se desarrolló el concepto principal de la solución de datos. Ahora, se lleva a cabo una prueba de concepto para verificar la viabilidad de la solución. Esta etapa también incluye pruebas, evaluación, iteración y refinamiento. [11] Los principios de diseño de prototipos también se combinan durante esta fase con modelos de procesos que se aplican en proyectos de ciencia de datos (por ejemplo, CRISP-DM). [6]

Medición del impacto empresarial

La viabilidad y rentabilidad de la solución se comprueban durante el proceso de análisis de datos. El análisis de costes y beneficios y el cálculo del análisis de rentabilidad se aplican habitualmente durante este paso. [12]

Implementación y mejora

Si la solución desarrollada demuestra su viabilidad y rentabilidad durante esta fase, se implementará y pondrá en funcionamiento. [2] [4]

Véase también

Referencias

  1. ^ ab Mike, Koby; Ragonis, Noa; Rosenberg-Kima, Rinat B.; Hazzan, Orit (21 de julio de 2022). "Pensamiento computacional en la era de la ciencia de datos". Comunicaciones de la ACM . 65 (8): 33–35. doi :10.1145/3545109. ISSN  0001-0782. S2CID  250926599.
  2. ^ ab "¿Por qué las empresas necesitan Data Thinking?". 2020-07-02.
  3. ^ ab "Data Thinking - Mit neuer Innovationsmethode zum datengetriebenen Unternehmen" [Con nuevos métodos de innovación para la empresa basada en datos] (en alemán).
  4. ^ abc "Data Thinking: Una guía para el éxito en la era digital".
  5. ^ Herrera, Sara (21 de febrero de 2019). "Data-Thinking als Werkzeug für KI-Innovation" [El pensamiento de datos como herramienta para la innovación KI]. Handelskraft (en alemán).
  6. ^ ab Schnakenburg, Igor; Kuhn, Steffen. "Pensamiento de datos: Daten schnell produktiv nutzen können". LÜNENDONK-Magazin "Künstliche Intelligenz" (en alemán). 05/2020: 42–46.
  7. ^ Nalchigar, Soroosh; Yu, Eric (1 de septiembre de 2018). "Análisis de datos orientados a los negocios: un marco de modelado conceptual". Ingeniería de datos y conocimiento . 117 : 359–372. doi :10.1016/j.datak.2018.04.006. ISSN  0169-023X. S2CID  53096729.
  8. ^ "proceso y principios del pensamiento de diseño".
  9. ^ Fomenko, Elena; Mattgey, Annette (12 de mayo de 2020). "¿Fue macht eigentlich ... un pensador de datos?". W y V. Alemán.
  10. ^ Marbán, Óscar; Mariscal, Gonzalo; Menasalvas, Ernestina; Segovia, Javier (2007). Yin, Hujun; Tino, Peter; Corchado, Emilio; Byrne, Will; Yao, Xin (eds.). "Un enfoque de ingeniería para proyectos de minería de datos". Ingeniería de datos inteligente y aprendizaje automático - IDEAL 2007 . Apuntes de clase en informática. 4881 . Berlín, Heidelberg: Springer: 578–588. doi :10.1007/978-3-540-77226-2_59. ISBN 978-3-540-77226-2.
  11. ^ Brown, Tim; Wyatt, Jocelyn (1 de julio de 2010). "Design Thinking para la innovación social". Development Outreach . 12 (1): 29–43. doi :10.1596/1020-797X_12_1_29. hdl : 10986/6068 . ISSN  1020-797X.
  12. ^ "Pensamiento de datos: das Potenzial von Daten richtig nutzen". Revista t3n (en alemán). 2018-09-08 . Consultado el 8 de julio de 2020 .