Las primeras consideraciones son en función del origen de los datos necesarios.

• Datos existentes. Incluye una amplia variedad de datos, como datos transaccionales, datos de encuesta, registros Web, etc. Tenga en cuenta si los datos existentes son suficientes para adaptarse a sus necesidades.

• Datos adquiridos. ¿Su organización utiliza datos adicionales, como datos demográficos? Si no los utiliza, considere si son necesarios.

• Datos adicionales. Si los orígenes anteriores no satisfacen sus necesidades, es posible que necesite realizar encuestas o realizar seguimientos adicionales para servir de complemento a los almacenes de datos actuales.

Lista de tareas

Observe los datos  y considere las siguientes cuestiones:

• ¿Qué atributos (columnas) de la base de datos parecen más prometedores?

• ¿Qué atributos no parecen relevantes y se pueden excluir?

• ¿Existen datos suficientes para obtener conclusiones generales o realizar predicciones precisas?

• ¿Dispone de atributos suficientes para su proyecto?

• ¿Está fusionando varios orígenes de datos? En caso afirmativo, ¿existen áreas que puedan plantear problemas al fusionar?

• ¿Ha considerado cómo se gestionan los valores perdidos en cada origen de datos?

• 
  

Reconocimiento y análisis de utilidad de los datos

El reconocimiento y clasificación de un determinado tipo de dato esta asociado y permite entender la utilidad del mismo. La utilidad de un dato es función de su grado de implicancia o interés para un determinado análisis o proyecto.

Para avanzar en el análisis de la utilidad de los datos es siempre bueno y necesario hacer el ejercicio de clasificarlos de acuerdo a criterios de nominalidad, ordinalidad, intervalos, rangos y proporcionalidad más allá de verlos simplemente como datos cuantitantivos o cualitativos.

Los niveles de medición de los datos son importantes porque nos ayudan a definir como los datos pueden ser recabados, analizados e interpretados.

Función de utilidad de los datos

La DUF (Data Utility Function) o "función de utilidad de los datos" es un concepto que se utiliza para medir la calidad, utilidad o valor de un conjunto de datos en función de un objetivo específico. Es una herramienta clave en el ámbito de la gestión y análisis de datos, especialmente en áreas como anonimización, calidad de datos y optimización de procesos de aprendizaje automático.

La DUF asigna un valor cuantitativo que indica cuánto un conjunto de datos cumple con los requisitos para un propósito específico, como:

• Tomar decisiones empresariales.

• Entrenar modelos de aprendizaje automático.

• Realizar análisis estadísticos.

Componentes comunes de la DUF

1. Calidad de los datos:
   Considera aspectos como precisión, completitud, consistencia, validez y puntualidad de los datos.
   Ejemplo: Si los datos tienen muchos valores faltantes, su utilidad será menor.

2. Relevancia para el objetivo:
   Mide cuánto los datos están alineados con el propósito definido.
   Ejemplo: Para predecir ventas, datos sobre comportamiento de compra serán más útiles que datos demográficos generales.

3. Privacidad y anonimización:
   En casos de datos sensibles, la DUF evalúa el equilibrio entre anonimización y pérdida de utilidad.
   Ejemplo: Un conjunto de datos anonimizado puede ser seguro pero menos útil si elimina demasiada información.

4. Facilidad de uso:
   Evalúa cómo de accesibles y comprensibles son los datos.
   Ejemplo: Un archivo bien documentado tendrá mayor utilidad.

Fórmulas o Métodos para calcular DUF

La DUF no tiene una fórmula única porque depende del contexto. Sin embargo, se puede calcular mediante:

• Métodos estadísticos: Indicadores como entropía o varianza para medir información.

• Evaluación de tareas: Usar métricas de rendimiento de un modelo o un análisis basado en los datos.

• Métodos multicriterio: Combinar múltiples indicadores (calidad, privacidad, relevancia) en un índice ponderado.

Ejemplo práctico

Supongamos que analizamos un conjunto de datos para entrenar un modelo de predicción de fraudes.

• Si los datos tienen muchas variables irrelevantes, la DUF será baja por falta de enfoque.

• Si las etiquetas son incorrectas, la DUF también baja por imprecisión.

• Si están altamente anonimizados, puede haber pérdida de utilidad para el modelo.

Importancia de la DUF

La función de utilidad de los datos ayuda a:

• Priorizar la limpieza y curación de datos.

• Tomar decisiones sobre el grado de anonimización aceptable.

• Identificar qué datos deben recolectarse o mejorarse para maximizar valor.