¿Cómo saber qué tipo de variables son relevantes para mi proyecto de datos?

En el amplio mundo de la analítica de datos, identificar las variables más relevantes es clave para el éxito de cualquier proyecto. Las decisiones informadas y precisas se basan en la comprensión profunda de los datos que se manejan. Pero ¿cómo determinamos qué variables impactan significativamente en nuestro objetivo final?

Las variables son los atributos cualitativos o cuantitativos de interés dentro de un estudio, y su análisis permite obtener información tanto descriptiva, es decir, relatar lo que el conjunto de datos muestra, como predictiva, proyectar hacia el futuro basándose en dichos datos y en el uso de modelos de analítica predictiva.

Sin embargo, para obtener un impacto significativo en los resultados que buscamos alcanzar, es necesario identificar las variables apropiadas a estudiar, pues son la base sobre la cual se desarrollará el modelo de datos a implementar y garantizará que nuestras conclusiones sean confiables, consistentes y que respondan a la pregunta planteada.

La elección de las variables depende de varios aspectos, entre ellos los siguientes:

• El objetivo del modelo a implementar
• La frecuencia de recopilación de datos
• La calidad de los datos de cada variable

En el proceso de identificación de las variables es fundamental implementar estrategias efectivas que conduzcan a la selección óptima de atributos significativos. Ampliemos sobre algunas técnicas clave utilizadas en este contexto:

• Análisis exploratorio de datos:

Comenzar por realizar una exploración de datos nos permite visualizar la relación entre las diferentes variables y la variable objetivo.

• Técnicas de selección de características:

Métodos como la regresión Lasso, Random Forest, análisis de componentes principales (PCA) y pruebas estadísticas como ANOVA pueden ayudar a identificar variables significativas.

• Importancia de características

Utilizar algoritmos de aprendizaje automático que proporcionan una medida de la importancia de cada característica, como Random Forest o Gradient Boosting Machines, puede ser fundamental para priorizar las variables más influyentes.

• Validación cruzada y evaluación del modelo

Durante la validación cruzada, observar cómo varían las métricas de rendimiento cuando se eliminan ciertas variables puede dar pistas sobre su relevancia en la predicción.

Según la cantidad de variables elegidas existen 3 escenarios dentro de los cuales se puede desarrollar un modelo:

1. Modelo sub especificado: Se presenta cuando las variables elegidas para análisis son insuficientes, generando modelos mal detallados y con resultados sesgados.
2. Modelo sobre especificado: Este caso es consecuencia de no aplicar un correcto filtrado a las variables a tratar, analizando más de las necesarias, algunas de ellas redundantes, lo que conduce nuevamente a estimaciones poco precisas
3. Modelo correctamente especificado: Es el escenario ideal donde se elige la cantidad de variables precisas, es decir relevantes, para obtener resultados imparciales

Algunos pasos que pueden seguirse para lograr un modelo correctamente especificado son:

1. Detallar concretamente el objetivo de la aplicación del modelo y la pregunta que busca responder: Esto permite centrar el foco de análisis en las variables con información valiosa orientada al objeto de estudio.

2. Identificar las variables dependientes e independientes: De esta manera se harán más visibles los posibles predictores, o variables independientes de entrada que influyen en el comportamiento de la variable dependiente de salida, por lo que son necesarias para obtener los datos que ayudarán a responder la pregunta planteada.

3. Clasificar las variables: El conjunto de variables debe dividirse en dos subconjuntos:

Cualitativo: Representan propiedades que no son medibles numéricamente

Cuantitativo: Pueden ser medibles pues se representan numéricamente.

4. Operacionalizar las variables: Una vez identificadas las variables a utilizar, éstas deben ser definidas de forma específica y asignárseles un indicador que permita su medición.

5. Explorar previamente los datos: Tener un panorama global de los datos, identificar outliers, valores faltantes o errores, permitirá hacerse un panorama global sobre la relación existente entre las diferentes variables y las tendencias o patrones que pueden observarse a simple vista con ayuda de, por ejemplo, gráficos sencillos. Estudiar también los metadatos permitirá acceder a posibles herramientas de soporte como diccionarios de datos que detallan información respecto a las variables incluidas

Estos pasos pueden complementarse transversalmente con el apoyo en literatura existente; ésta será siempre una buena práctica que dará luces respecto a cómo abordar el proceso. Adicionalmente el juicio de expertos que evalúen la elección hecha de variables permitirá reducir el rango de errores cometidos por obviar particularidades importantes.

Una vez elegidas las variables, analizadas y ejecutado el modelo, podrá descubrirse con la interpretación de los resultados si las variables seleccionadas han sido las apropiadas para responder la pregunta planteada. Una buena forma para determinarlo es obtener resultados productivos, es decir, que ayuden en la toma de decisiones y la planeación estratégica de acciones en pro del mejoramiento de la situación particular que origina la pregunta a resolver y en consecuencia llevó a la implementación del modelo

Es posible que en este análisis se identifiquen puntos a optimizar, por lo que el proceso de exploración y selección de variables se vuelve iterativo, alimentándose de los resultados obtenidos.

Como punto de atención adicional es recomendable documentar los procesos o estrategias implementadas dentro de la concepción, análisis y determinación de variables a analizar, para lo que se pueden implementar herramientas como manuales de usuario, guías, scripts o código que desarrollen la solución. De esta manera se evitarán confusiones o errores de interpretación y así mismo se garantizará que un correcto uso del modelo dará resultados confiables.

Al determinar qué variables son relevantes para nuestro proyecto, es fundamental recordar la calidad sobre la cantidad. No siempre más variables implican mejores resultados. La simplicidad y la interpretabilidad también desempeñan un papel crucial en la selección de características adecuadas.

En resumen, la identificación de variables relevantes es un proceso iterativo que combina conocimientos de dominio, técnicas de análisis de datos y la comprensión de los objetivos del proyecto. Al emplear estrategias eficaces y herramientas apropiadas, podemos asegurarnos de que nuestras decisiones estén respaldadas por datos significativos y conduzcan al éxito de nuestros proyectos de datos.