Data Science for Business

Obra de referencia canónica escrita por Foster Provost y Tom Fawcett, fruto de su experiencia docente en el programa MBA de la Stern School of Business de la Universidad de Nueva York (NYU). Su propósito no es enseñar a programar ni profundizar en demostraciones matemáticas complejas, sino inculcar los principios fundamentales del «pensamiento analítico de datos» para extraer conocimiento útil y valor comercial de la información corporativa. Está orientada a directores de proyectos, analistas de negocio, gerentes técnicos y profesionales de nivel intermedio que necesitan entender la lógica interna de los modelos analíticos para liderar iniciativas de datos y comunicarse con criterio con equipos técnicos.

El libro detalla los conceptos esenciales del aprendizaje automático y la minería de datos siguiendo el ciclo de vida estándar CRISP-DM. Analiza la segmentación supervisada mediante ganancia de información y entropía, la inducción de árboles de decisión, modelos lineales y de regresión logística, máquinas de vectores de soporte (SVM) y técnicas basadas en similitud como k-vecinos más cercanos (k-NN) y agrupamiento no supervisado (clustering). Pone un énfasis sobresaliente en aspectos metodológicos críticos: detección y prevención del sobreajuste (overfitting), regularización, cuantificación de la incertidumbre con probabilidades y esperanza matemática, evaluación económica mediante matrices de costos y beneficios, curvas ROC y curvas de ganancia relativa (lift), así como fundamentos de minería de texto usando modelos de bolsa de palabras y Naive Bayes.

El texto carece deliberadamente de código o sintaxis de un lenguaje particular, recurriendo en cambio a diagramas conceptuales y casos de estudio empresariales representativos, como la retención de clientes (churn prediction), la detección de fraudes financieros y la optimización de campañas de marketing directo. Su valor perdurable reside en ofrecer un marco conceptual riguroso para juzgar qué modelo elegir, cómo medir su rentabilidad real y cómo gestionar los datos como un activo estratégico de la organización. Al ser un libro puramente conceptual, quienes busquen escribir código deberán complementarlo con manuales prácticos en Python o R.