○ planned · proyecto
Otorga nivel a: Linear Regression · K-Means Clustering
Usa: Linear Regression · K-Means Clustering · scikit-learn · Data Cleaning · Feature Engineering · K-Nearest Neighbors
José Manuel Barrera comparte cómo llevar proyectos de ciencia de datos a pequeñas y medianas empresas desde una consultora que es, a su vez, una pyme. Su tesis central es que no siempre hace falta un modelo complejo: la empatía con el negocio, soluciones sencillas y creativas (una regresión lineal, un mapa, un cluster) y una cotización justa generan más valor que vender “data science” a las mipymes.
Hallazgos clave
- El primer reto en las pymes es la digitalización y la calidad de datos: todos los modelos (hasta una regresión lineal) dependen de datos impecables, y si no los hay, no se puede cobrar un modelo que no se va a entregar.
- La curva de demanda aproximada con una regresión lineal (con transformación logarítmica) permitió a una joyería descubrir que sus productos son elásticos y subir rentabilidad combinando descuentos con productos de mayor precio y percepción de calidad.
- Para “dónde abrir mi negocio” no se necesita una costosa evaluación de proyectos: basta cruzar APIs de Google Places, el DENUE y la ENIGH de INEGI, el nivel socioeconómico de la AMAI y polígonos de Voronoi.
- La clave para cobrar justo a una pyme es desglosar tareas por nivel de dificultad y asignar junior/senior: no puedes trasladar al cliente todo el costo de tu formación; el senior supervisa y el junior ejecuta las 8 horas.
- En este segmento el costo de oportunidad es altísimo, así que se priorizan soluciones de costo fijo (evitar facturas cloud descontroladas) y entregables en una semana vía Scrum con juntas semanales.
Módulos
- El mercado mipyme y el rol de la consultoría — Definición de micro/pequeña/mediana empresa y por qué hay espacio frente a las grandes corporaciones.
- Empatía y diagnóstico de negocio — Cómo escuchar al emprendedor y proponer soluciones honestas (a veces ni siquiera es data science).
- Caso 1: elasticidad de demanda y pricing — EDA, regresión lineal con log, elasticidad y estrategia de descuentos + productos premium.
- Caso 2: geolocalización de negocio — APIs de Google, DENUE/ENIGH de INEGI, nivel socioeconómico AMAI y polígonos de Voronoi.
- Caso 3: segmentación de clientes — Encuestas, CRM, k-means/PCA y caracterización de clústeres accionable.
- Viabilidad, costos y temas legales — Estimación de costos por dificultad, asignación junior/senior, contratos y confidencialidad.
Fuente: https://www.youtube.com/watch?v=2SQexFfDOt4 · Transcript local: data/cursos/datapub-ciencia-de-datos-pymes/ciencia-de-datos-pymes.srt
Enlaces
Otorga nivel a: Linear Regression · K-Means Clustering Usa: Linear Regression · K-Means Clustering · scikit-learn · Data Cleaning · Feature Engineering · K-Nearest Neighbors