○ planned · proyecto
Otorga nivel a: Causal Inference · B Testing
Usa: Causal Inference · B Testing · MLOps · Descriptive Analytics · ELT · Data Product
Isidoro García (VP de Datos en Bitso) da un marco estratégico para que un equipo de Data Science sea relevante en el negocio: madurez Data Engineering → BI → Advanced Analytics. La relevancia se gana con métricas alineadas a los incentivos del negocio, narrativa y foco en impacto, no en técnica.
Hallazgos clave
- Data Engineering no tiene atajos; BI y Advanced Analytics pueden avanzar en paralelo (cherry picking de quick wins de alto impacto).
- Las métricas deben ser independientes del dueño (analogía INEGI/Banco de México) para evitar conflictos de interés y la cultura HiPPO.
- La inferencia causal (Causal ML de Athey/Chernozhukov) predice cambios en Y, no niveles; en Banorte multiplicó por 10 el impacto de una campaña de ahorro.
- Behavioral science (Thinking Fast and Slow, Predictably Irrational) es fuente infinita de hipótesis de experimentos.
- Experimentación (A/B, aleatorización por bloques) da valor estratégico con poca infraestructura mientras madura MLOps.
- El mejor modelo es el más parsimonioso que resuelve el problema; mide impacto en el estado de resultados, no la sofisticación.
Módulos
- Estrategia de madurez — Data Engineering, BI y Advanced Analytics.
- BI y cultura de datos — Looker, Tableau, self-service.
- Causalidad e inferencia causal — contrafactuales, RCT.
- Causal ML y experimentación — bloques, personalización.
- Tips de ML y MLOps — batch, on-demand, real-time.
Fuente: https://www.youtube.com/watch?v=eCmk1UX7Kvo · Transcript local: data/cursos/datapub-ds-relevante-negocio/ds-relevante-negocio.srt
Enlaces
Otorga nivel a: Causal Inference · B Testing Usa: Causal Inference · B Testing · MLOps · Descriptive Analytics · ELT · Data Product