Ciencia de datos: qué es y qué tiene de nuevo

1 · Qué es

Un oficio que combina Estadística, programación y conocimiento del dominio para responder preguntas con datos, y que además se hace cargo de todo lo que hay alrededor: conseguirlos, prepararlos, poner el resultado en funcionamiento y vigilarlo.

2 · El flujo, de punta a punta

Etapa	Qué pasa
1 · Entender el problema	traducir una necesidad —“queremos anticipar la demanda”— en una pregunta que los datos puedan contestar
2 · Conseguir los datos	y averiguar cómo se generaron, que es lo que casi nadie hace
3 · Explorar y preparar	limpiar, unir, transformar; acá se va el grueso del tiempo
4 · Modelar	la parte que se enseña, y la más corta
5 · Evaluar	contra datos que el modelo no vio, y contra lo que se hacía antes
6 · Poner en funcionamiento	que ande solo, con datos nuevos, sin alguien mirándolo
7 · Vigilar	porque el mundo cambia y el modelo no se entera

3 · Dónde se va el tiempo

Circula la cifra de que el 80 % del trabajo es preparar los datos. No hace falta creerla de memoria: se puede mirar lo que documentan las fuentes reales.

El catálogo de fuentes de este sitio registra, para cada una, las advertencias de uso que hay que conocer antes de tocar el archivo:

Fuentes públicas catalogadas	39
Advertencias documentadas	180
Promedio por fuente	4,6
Fuentes sin ninguna advertencia	0

4 · El dato grande no arregla el sesgo

Es el error más caro del área, porque contradice una intuición que funciona en todos lados menos en este: con datos observacionales, más volumen no compensa un problema de selección.

Estimando una proporción de 0,400 en una población de diez millones. La muestra autoseleccionada tiene una diferencia mínima en quién responde: los que tienen el atributo contestan un poco más que los que no.

Muestra	$n$	Error típico	Equivale a un azar de
Aleatoria simple	400	0,0247	400
Aleatoria simple	1.000	0,0156	1.000
Autoseleccionada, sesgo leve	987.796	0,0242	409
Autoseleccionada, sesgo moderado	962.323	0,1000	24
Autoseleccionada, sesgo fuerte	900.418	0,2667	3

La fórmula que hay detrás de esta tabla, un ejemplo con la EPH y qué cuenta en realidad un registro masivo como SUBE están en la entrada de big data.

5 · Qué es nuevo de verdad

	Veredicto
Los métodos	renombrados, con algún énfasis distinto
La validación fuera de la muestra como norma	aporte real, y la Estadística lo adoptó
La escala	real: hay problemas que antes no entraban en una computadora
La ingeniería	lo verdaderamente nuevo: versionado, automatización, puesta en producción
El dato no estructurado	real: texto, imágenes, registros de uso
La velocidad	real: decidir con datos de hoy y no del trimestre pasado
Los problemas de inferencia	exactamente los mismos, y peores, porque el dato no se diseñó

6 · Errores frecuentes

• Creer que el volumen reemplaza al diseño. Un millón de respuestas autoseleccionadas pueden valer lo que cuatrocientas al azar.
• Informar intervalos de confianza de datos observacionales masivos como si midieran la incertidumbre total. Miden solo la parte que baja con $n$.
• No preguntar quién quedó afuera del registro, la plataforma o la app.
• Empezar por el modelo. Las etapas 1 a 3 deciden el resultado; la 4 es la más corta.
• Subestimar la preparación. De 39 fuentes públicas, ninguna viene sin advertencias de uso.
• Entregar un análisis que solo corre en una computadora. Sin reproducibilidad y sin puesta en funcionamiento, no hay producto.
• No vigilar el modelo una vez que anda: el mundo cambia y el modelo no se entera.
• Confundir correlación con causalidad a escala. El volumen no convierte una asociación en un efecto.
• Suponer que los datos son objetivos porque son muchos. Los produjo un proceso, y ese proceso tiene sesgos.

7 · En el software

# Python — el conjunto habitual
import pandas as pd          # preparación
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.linear_model import LogisticRegression

# La disciplina que no se saltea: evaluar contra datos no vistos
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.3, random_state=2026)
cross_val_score(LogisticRegression(max_iter=2000), X_tr, y_tr, cv=5)

# Y la pregunta que ninguna biblioteca hace por uno:
# ¿quién está en estos datos y quién no?

# R — el tidyverse cubre casi todo el flujo
library(tidyverse)     # preparación, gráficos
library(tidymodels)    # modelado con validación incorporada

particion <- initial_split(datos, prop = 0.7)
ajuste <- logistic_reg() |> fit(y ~ ., data = training(particion))
predict(ajuste, testing(particion))

@misc{estadistica_ar_ciencia_de_datos,
  author       = {Montivero, Jorge Luis},
  title        = {{Ciencia de datos: qué es y qué tiene de nuevo}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/ciencia-de-datos}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-28}
}