En otro Post hablamos de la Metodología para el Data Science, donde hablaba de los 6 fases, aquí un resumen: CRISP-DM, Metodología de Datos

The CRoss Industry Standard Process for Data Mining (CRISP-DM)) es un modelo de proceso que sirve como base para un proceso de Ciencia de Datos. Tiene seis fases secuenciales:

• Entendimiento del negocio – ¿Qué necesita el negocio?
• Comprensión de datos: ¿qué datos tenemos/necesitamos? ¿Está limpio?
• Preparación de datos: ¿cómo organizamos los datos para el modelado?
• Modelado – ¿Qué técnicas de modelado debemos aplicar?
• Evaluación: ¿Qué modelo cumple mejor con los objetivos comerciales?
• Implementación: ¿cómo acceden las partes interesadas a los resultados?

¿Que enfoque o marco utilizar para implementar CRISP-DM?

¿Waterfall o Agile?

Waterfall: Muchos ven a CRISP-DM como un proceso rígido en cascada, en parte debido a que sus requisitos de informes son excesivos para la mayoría de los proyectos. Además, la guía establece en la fase de comprensión empresarial que «el plan del proyecto contiene planes detallados para cada fase», un aspecto distintivo de los enfoques tradicionales en cascada que requieren una planificación detallada y por adelantado.

Agile: CRISP-DM adopta indirectamente principios y prácticas ágiles al afirmar: “La secuencia de las fases no es rígida. Siempre es necesario avanzar y retroceder entre las diferentes fases. El resultado de cada fase determina qué fase, o tarea particular de una fase, debe realizarse a continuación”.

Waterfall: Horizontal Slicing

En una implementación estilo cascada, el trabajo del equipo se extendería de manera integral y horizontal a través de cada entregable. 

Agile: Vertical Slicing

Equipo se enfocaría estrechamente en entregar rápidamente una porción vertical de la cadena de valor a la vez, como se muestra a continuación.

¿Cual es mejor?

Cuando sea posible, adopte un enfoque ágil y corte verticalmente para que:

• Las partes interesadas obtienen valor antes
• Las partes interesadas pueden proporcionar comentarios significativos
• Los científicos de datos pueden evaluar el rendimiento del modelo antes
• El equipo del proyecto puede ajustar el plan en función de los comentarios de las partes interesadas.

Fuentes de información para el presente Post: CRISP-DM, IBM, KDE, Data Science Process Alliance

Visita el Glosario de Términos de Big Data | ¡Se actualiza día con dia!

Síguenos en las Redes Sociales y ahora en todos los canales de Podcasts, para obtener actualizaciones periódicas y opiniones sobre lo que está sucediendo en el mundo de Project Manager, Agile, Big Data, Cloud, Scrum y mas…
Busca iPMOGuide en Facebook | Twitter | LinkedIn | Pinterest | Podcast

¿Tienes Telegram instalado?
Recibe este Post en nuestro canal, en tu móvil ó tablet.

Nos leemos pronto, ¡un abrazo!