Vocabulario en inglés de ciencia de datos y analítica

Colección de datos relacionados, normalmente organizada en filas y columnas, para analizar o entrenar un modelo.

Proceso de encontrar y corregir problemas en los datos, como formatos erróneos, erratas, duplicados y valores ausentes, para que sean fiables al analizarlos.

Celdas o campos vacíos de un conjunto de datos donde no se registró ningún valor; pueden aparecer como NULL, NaN o en blanco y deben tratarse antes del análisis.

Datos en la forma en que se recogieron o exportaron originalmente, antes de limpiarlos, combinarlos o resumirlos.

Lugar del que proceden los datos, como una base de datos, aplicación, hoja de cálculo, encuesta, API externa o archivo enviado por un socio.

Registro que aparece más de una vez en un conjunto de datos, por ejemplo el mismo cliente o pedido almacenado dos veces, lo que puede inflar los recuentos y totales.

Grado en que los datos son precisos, completos, coherentes y actuales, y por tanto confiables para tomar decisiones.

Completar valores ausentes con valores estimados, como la mediana, la categoría más frecuente o una predicción basada en otras columnas.

Trabajo de transformar datos brutos desordenados en una forma limpia y estructurada para analizarlos, combinando, filtrando, remodelando y corrigiendo formatos.

Reescalar valores numéricos a un rango común, como 0 a 1, o ajustar cifras para comparar justamente grupos de tamaños distintos.

Documento o tabla que describe cada campo de un conjunto de datos: nombre, significado, tipo de dato, valores permitidos, origen y responsable.

Registro de acciones concretas de las personas en una aplicación o sitio web —como clics, visitas o compras— como eventos con datos de hora, usuario y dispositivo.

Recopilación automática de datos de sitios web mediante un programa que descarga páginas y extrae lo necesario, como precios o nombres de productos.

Valor muy alejado de la mayoría de los datos, como un pedido de 50.000 dólares entre otros de unos 40 dólares.

Primera etapa de un análisis, donde se resumen y grafican datos para entender su estructura, detectar patrones y problemas, y plantear preguntas que comprobar.

Dirección general en que cambia un valor a lo largo del tiempo, como un aumento sostenido de las ventas, dejando de lado las fluctuaciones breves.

Conjunto de mediciones de la misma variable, registradas en orden a intervalos regulares, como ingresos diarios o visitas por hora.

Grupo de clientes o usuarios que comparten características, como país, dispositivo o conducta de compra; como verbo, dividir los datos en grupos de ese tipo.

Describe una distribución no simétrica con una cola larga hacia un lado, como los ingresos, donde pocas personas ganan mucho más que la mayoría.

Conjunto breve de cifras que resume un conjunto de datos, como recuento, media, mediana, mínimo, máximo y desviación estándar.

Prueba rápida y sencilla para verificar que un resultado parece razonable antes de confiar en él, como comparar un total con una cifra conocida.

Dato o patrón que se aparta claramente de lo esperado, como un aumento repentino de registros o un día sin ningún pedido.

Patrón periódico de los datos que se repite en un intervalo fijo, como más ventas cada diciembre, más tráfico entre semana o una caída cada verano.

Tabla que resume un conjunto de datos mayor agrupando filas y columnas por categorías y calculando totales, recuentos o promedios para cada combinación.

Valor obtenido al sumar todos los números de un grupo y dividir el total por la cantidad de números; es el sentido estadístico habitual de «promedio».

Valor central cuando se ordenan todos los números de un grupo de menor a mayor; la mitad queda por debajo y la otra mitad por encima.

Forma en que se reparten los valores de una variable: muestra cuáles son frecuentes o raros y qué distancia hay entre ellos; suele visualizarse con un histograma.

Relación entre dos variables que tienden a cambiar conjuntamente; suele medirse con un coeficiente de −1 a 1, donde 0 indica que no hay relación lineal.

Característica que puede tomar valores distintos entre casos, como edad, ciudad o precio; en una tabla suele corresponder a una columna.

Medida de cuánto se dispersan los valores alrededor de la media: un valor pequeño indica que la mayoría está cerca del promedio; uno grande, que varían mucho.

Grupo más pequeño elegido de una población o conjunto de datos mayor y estudiado para sacar conclusiones sobre el conjunto completo.

Valor por debajo del cual cae un porcentaje determinado de observaciones; el percentil 90 del tiempo de carga es aquel dentro del cual termina el 90 % de las cargas.

Relación en la que un cambio produce directamente otro, en vez de que ambos solo varíen al mismo tiempo.

Pantalla que reúne los gráficos e indicadores más importantes de una empresa o sistema y suele actualizarse automáticamente.

Práctica de mostrar datos mediante gráficos, diagramas y mapas para que las personas vean patrones, comparaciones y cambios con más facilidad que en una tabla.

Gráfico que usa barras rectangulares de distintas longitudes para comparar valores entre categorías, como ventas por región o usuarios por país.

Gráfico que representa la relación entre dos variables numéricas con un punto por observación y una variable en cada eje.

Gráfico de la distribución de una variable numérica: divide su rango en intervalos llamados bins y dibuja una barra con el número de valores en cada uno.

Gráfico que conecta puntos con líneas para mostrar cómo cambia un valor con el tiempo, como ingresos mensuales o registros diarios.

Pasar de una vista resumida a datos más detallados —por ejemplo de ventas anuales a mensuales y luego por tienda— para encontrar la causa de un patrón.

Gráfico en forma de cuadrícula que representa valores mediante colores; los tonos más oscuros o cálidos suelen indicar valores mayores, como pedidos por día y hora.

Número que mide un aspecto concreto de un producto, negocio o proceso, como altas diarias, valor medio de pedido o tiempo de carga.

Abreviatura de key performance indicator: una de las pocas métricas que una empresa o equipo elige para medir el avance hacia sus objetivos principales.

Porcentaje de usuarios que completa una acción deseada, como comprar o registrarse, respecto de todos los usuarios que tuvieron la oportunidad de hacerlo.

Pérdida de clientes o usuarios que dejan de usar un producto o cancelan una suscripción durante un periodo; también es la tasa a la que ocurre.

Capacidad de mantener a clientes o usuarios activos a lo largo del tiempo; también, proporción que sigue activa tras un periodo, por ejemplo 30 días.

Grupo de usuarios que comparte un punto de partida o experiencia en un periodo, como quienes se registraron en enero, y que se sigue con el tiempo.

Secuencia de pasos que sigue una persona para alcanzar un objetivo, como visitar el sitio, registrarse y comprar; el número se reduce en cada paso.

Número de usuarios únicos que utilizan un producto al menos una vez en un día; indicador habitual de participación.

Métrica única que una empresa considera la mejor representación del valor central que su producto aporta a los clientes y que alinea objetivos a largo plazo.

Experimento que divide a los usuarios al azar en dos grupos, cada uno expuesto a una versión distinta, para medir cuál funciona mejor.

Indicio de que un resultado difícilmente se explica solo por azar, normalmente evaluado comprobando si el valor p está por debajo de un umbral fijado de antemano, como 0,05.

Afirmación concreta y comprobable sobre lo que se espera que ocurra y por qué, formulada antes de iniciar un experimento o análisis.

Grupo de un experimento que no recibe el cambio probado, de modo que sus resultados muestran qué habría ocurrido sin ese cambio.

Probabilidad de observar un resultado al menos tan extremo como el obtenido si en realidad no hubiera efecto, es decir, si la hipótesis nula fuera cierta.

Cantidad de observaciones, personas o unidades incluidas en una muestra o experimento; las muestras mayores suelen producir estimaciones más fiables.

Rango calculado a partir de una muestra que, según el método usado, contiene el valor verdadero con una frecuencia determinada a largo plazo.

Una de las versiones que se muestran a participantes de un experimento, normalmente la nueva versión comparada con el control.

Supuesto inicial de una prueba estadística según el cual no hay efecto ni diferencia, por ejemplo que un diseño nuevo no cambia la conversión.

Probabilidad de que una prueba detecte un efecto de cierto tamaño si ese efecto realmente existe; se suele diseñar para alcanzar una potencia del 80 %.

Lenguaje estándar para consultar, filtrar, combinar y modificar datos en bases de datos relacionales y almacenes de datos.

Solicitud de datos concretos a una base de datos, normalmente escrita en SQL; como verbo, pedir esos datos a una tabla o conjunto.

Operación que combina filas de varias tablas mediante una columna compartida, como el identificador de cliente; también, combinar tablas así.

Combinar muchas filas en valores de resumen, como totales, recuentos o promedios, a menudo agrupados por día, producto o región.

Conservar solo las filas que cumplen condiciones, como pedidos de 2024 o usuarios de Turquía, y excluir las demás.

Columna o conjunto de columnas cuyo valor identifica de forma única cada fila de una tabla, como el ID de pedido.

Resultado temporal con nombre, definido con WITH al inicio de una consulta SQL para que sea más legible.

Función SQL que calcula un valor sobre un grupo de filas relacionadas con la actual, como total acumulado o posición, sin fusionarlas en una sola.

Secuencia automatizada de pasos que toma datos de sus fuentes, los transforma y los entrega a un destino como un almacén, un panel o un modelo.

Base central para análisis que guarda durante largos periodos datos limpios y estructurados de sistemas como ventas, marketing y finanzas.

Abreviatura de extract, transform, load: proceso que extrae datos de sistemas de origen, los limpia y reorganiza, y los carga en un almacén de datos.

Estructura de una base o conjunto de datos: tablas, columnas, tipos de datos y relaciones entre tablas.

Sistema de almacenamiento amplio que conserva grandes volúmenes de datos brutos en su formato original, estructurados o no, hasta que se procesan y analizan.

Procesamiento de datos en grupos grandes a horas programadas, por ejemplo cada noche, en vez de atender cada registro al llegar.

Lugar acordado donde se almacena y define un dato o métrica para que toda la organización use las mismas cifras.

Nivel de detalle de los datos, es decir, qué representa cada fila: un pedido, un cliente por día o una tienda por mes.

Registro del origen de los datos, los pasos y sistemas por los que pasan y los cambios que sufren hasta llegar a los informes que los utilizan.

Representación matemática de un proceso real, construida con datos, para explicar relaciones o predecir casos nuevos.

Variable de entrada que el modelo usa para predecir, como edad, número de compras o días desde el último acceso.

Ejemplos con entradas conocidas y, normalmente, respuestas conocidas que el modelo usa para aprender; se separan de los datos de prueba.

Problema en que el modelo aprende demasiado los datos de entrenamiento, incluido su ruido, y luego funciona mal con datos nuevos.

Familia de métodos que modela cómo un resultado numérico, como ventas o precio, depende de variables de entrada; sirve para estimar efectos o predecir.

Tarea de modelado en que el modelo predice a qué categoría pertenece un caso, como spam o no spam.

Proporción de predicciones totales que el modelo acierta; 90 aciertos de 100 equivalen a una exactitud del 90 %.

Proporción de los casos que el modelo clasifica como positivos que realmente lo son; una precisión alta implica pocas falsas alarmas.

Proporción de los casos que realmente son positivos que el modelo consigue identificar; una exhaustividad alta significa que se escapan pocos.

Método para evaluar un modelo dividiendo datos en partes: se entrena con todas menos una, se prueba con la restante y se repite hasta usar cada parte como prueba.

Punto sencillo de comparación, como la cifra del año pasado, la versión actual o un modelo básico, frente al que se miden nuevos resultados.

Creación de variables de entrada a partir de datos brutos para ayudar a un modelo a aprender, como convertir fecha de nacimiento en edad o contar compras.

Valor que el modelo aprende a predecir, como si un cliente abandonará o cuánto gastará; también se llama etiqueta o variable dependiente.

Parte de los datos que se reserva y nunca se usa para entrenar, para evaluar al final el rendimiento en datos no vistos.

Método que reúne puntos de datos similares sin conocer de antemano los grupos, por ejemplo para descubrir segmentos de clientes.

Persona o equipo interesado en un trabajo y sus resultados, como responsables, dueños de producto o clientes que usarán un análisis.

Hallazgo útil derivado de datos que explica por qué ocurre algo o qué se podría hacer, más allá de describir cifras.

Describe decisiones, equipos u organizaciones que se apoyan en evidencia de datos y no solo en opiniones, costumbres o intuición.

Análisis rápido y único para responder una pregunta concreta que acaba de surgir, en lugar de producir un informe periódico o un proyecto planificado.

Punto o conclusión más importante que el público debería recordar de una presentación, informe o reunión.

Describe información o hallazgos suficientemente claros y concretos para que alguien actúe, por ejemplo cambiando un proceso, producto o presupuesto.

Presentación de hallazgos mediante una historia clara, contexto, gráficos seleccionados y una conclusión que el público pueda entender y recordar.

Advertencia que el público debe tener en cuenta al interpretar un resultado, como una muestra pequeña, datos ausentes o un cambio reciente de seguimiento.