Las entidades y las relaciones son conceptos fundamentales en el ámbito de las bases de datos. En este artículo, aprenderás qué son las entidades, las relaciones y los atributos, cómo se relacionan y en qué se diferencian, cómo se representan mediante diagramas de entidad-relación (ERD). También verás cómo se definen las claves primarias y foráneas, que permiten establecer vínculos entre las entidades, y cómo se clasifican las relaciones según su cardinalidad: uno a uno, uno a muchos y muchos a muchos. A lo largo del artículo, verás que cada concepto tiene ejemplos descritos para una mejor comprensión.

Modelo entidad-relación

El modelo entidad-relación fue desarrollado originalmente por Peter Chen en 1976 como una técnica para modelar sistemas de información complejos de manera sencilla y comprensible.

Este modelo de entidad-relación es una técnica para diseñar modelos de datos que se utiliza para representar la estructura de una base de datos mediante entidades, atributos y relaciones.

En este modelo, una entidad representa un objeto o concepto del mundo real, como una persona, un lugar o una cosa, y los atributos describen características específicas de esa entidad. Las relaciones describen las conexiones entre entidades y especifican cómo se relacionan entre sí.

Modelado y diseño de bases de datos

El modelado de datos permite establecer y documentar los elementos de un sistema de información mediante un gráfico conceptual. El objetivo de esto consiste en poder establecer y detallar los requisitos y la lógica del negocio en términos de estructuras de datos y relaciones entre ellos.

El diseño de base de datos, por otro lado, consiste en la creación de la misma de manera física. Esto incluye la optimización del rendimiento y la eficiencia de la base de datos, considerando aspectos como el tamaño de las bases de datos y la complejidad de las consultas, la seguridad de los datos, entre otros.

¿Qué es una entidad?

Con respecto a las bases de datos, una entidad es algo que existe y puede ser identificado.

Por ejemplo, una persona, un libro o un coche. Las entidades tienen atributos que las describen, como el nombre de la persona, el título del libro o el modelo del coche.

¿Qué es una relación?

Una relación es una conexión entre dos o más entidades en una base de datos.

Por ejemplo, una persona puede tener una relación de “compra” con un libro si esa persona ha comprado el libro. Las relaciones se utilizan para representar las interacciones o conexiones entre las entidades. Las relaciones también tienen atributos, como la fecha en que se realizó la compra.

¿Qué son los atributos?

Los atributos son características o propiedades que describen a una entidad o relación en una base de datos. Los atributos son la información específica que se almacena en una base de datos sobre las entidades o relaciones y están directamente relacionados con ellas para describir y diferenciar cada una de manera precisa y completa.

Por ejemplo, para una entidad “Persona”, los atributos pueden ser “nombre”, “apellido”, “edad”, “dirección”, entre otros. Para una relación “Compra”, los atributos pueden ser “fecha de compra”, “cantidad comprada”, “precio unitario”, entre otros. Los atributos permiten describir y distinguir a las entidades o relaciones en la base de datos.

¿En qué se diferencian las entidades y las relaciones?

La principal diferencia entre las entidades y las relaciones es que las entidades son los objetos o conceptos del mundo real que se describen en una base de datos, mientras que las relaciones son las conexiones entre esas entidades. Las entidades tienen atributos, mientras que las relaciones pueden tener atributos o no, dependiendo de la información que se quiera representar. Ambos son elementos clave en el diseño y modelado de una base de datos.

Diagramas de entidad-relación (ERD)

Estos diagramas se utilizan para representar gráficamente las entidades, atributos y relaciones de una base de datos en un modelo conceptual, lo que permite comprender la estructura y las relaciones existentes en una base de datos.

Los diagramas de un modelo entidad-relación están compuestos por lo siguiente:

• Entidades: Son objetos reales sobre los cuales se desea almacenar información. Se representan utilizando rectángulos.
• Relaciones: Son las conexiones que existen entre los diferentes elementos del diagrama. Se representan como líneas que vinculan las entidades con los atributos.
• Atributos: Son las características o propiedades de una instancia en una entidad. Se representan con óvalos y se conectan a la entidad mediante líneas.
• Cardinalidad: Es una característica que establece la cantidad de instancias de una entidad que pueden estar relacionadas con otra entidad. Se representa en el diagrama mediante una etiqueta, que puede ser: 1:1 (uno a uno), 1:N (uno a muchos) y N:N (muchos a muchos).

Es importante tener en cuenta que existen 2 tipos de entidades:

• Entidad fuerte: La entidad fuerte es una entidad que existe por sí misma y no depende de ninguna otra para su existencia. A nivel gráfico, esto se representa como un rectángulo con el nombre de la entidad en su interior.
• Entidad débil: La entidad débil es aquella que requiere de otra entidad para existir, llamada entidad propietaria. No tiene una identidad única por sí misma. Gráficamente, se representa como un rectángulo con líneas dobles o punteadas y el nombre de la entidad en su interior.

Claves primarias y foráneas

Estos son atributos que ayudan a establecer las relaciones entre entidades. De esta manera, una llave primaria representa un identificador único en una entidad, mientras que una llave foránea hace referencia a una llave primaria en otra entidad. Esto se representa subrayando el nombre del atributo que presenta esta característica.

La clave primaria ayuda a asegurar que no haya información duplicada en una tabla y se utiliza para vincular y relacionar datos entre tablas, mientras que la clave foránea ayuda a mantener la integridad referencial de los datos y conecta una tabla con otra.

Ejemplo de claves primarias y foráneas

La clave primaria se utiliza para vincular y relacionar datos entre tablas. Por ejemplo, en una base de datos de una institución educativa, la tabla de “Estudiante” puede tener una clave primaria de “Código único de matrícula”, que es un número único asignado a cada estudiante en la tabla. Luego, la tabla de “Notas” puede tener una columna llamada “Código único de matrícula” que se utiliza como una clave foránea para hacer referencia a la clave primaria de la tabla de “Estudiante”. De esta manera, se puede relacionar cada nota con el estudiante.

La clave primaria también se utiliza para garantizar la integridad de los datos. Si la clave primaria está configurada correctamente, no se puede insertar información duplicada en la tabla.

Una clave foránea funciona como un enlace entre dos tablas. Por ejemplo, si tenemos una tabla “Estudiante” y otra tabla “Notas”, podemos vincularlas mediante una clave foránea. En la tabla “Notas”, podemos incluir una columna llamada “Código único de matrícula”, que hace referencia a la clave primaria de la tabla “Estudiante”. De esta manera, podemos asegurarnos de que cada nota esté relacionada con un estudiante existente en la tabla “Estudiante”.

Relación uno a uno, uno a muchos y muchos a muchos

Las relaciones en bases de datos permiten relacionar información entre diferentes tablas y garantizar que los datos sean precisos y consistentes.

Existen principalmente tres tipos de relaciones:

• Relación uno a uno: se utiliza cuando una fila en una tabla está relacionada con exactamente una fila en otra tabla. Esta relación se suele utilizar en casos donde una tabla de datos complementaria solo tiene una fila para cada fila en la tabla principal. Por ejemplo, si tenemos una tabla de “Estudiantes” y una tabla de “Direcciones”, cada estudiante solo tiene una dirección, lo que significa que la relación entre las dos tablas es de uno a uno.
• Relación uno a muchos: significa que una fila en una tabla está relacionada con varias filas en otra tabla. Esta relación se utiliza a menudo cuando hay una entidad principal que tiene varios registros relacionados en otra tabla. Por ejemplo, si tenemos una tabla de “Estudiantes” y una tabla de “Asignaturas”, cada estudiante puede tener varias asignaturas, lo que significa que la relación entre las dos tablas es de uno a muchos.
• Relación muchos a muchos: significa que muchas filas en una tabla están relacionadas con muchas filas en otra tabla. Este tipo de relación se utiliza a menudo cuando hay una entidad que tiene una relación compleja con otra entidad. Por ejemplo, si tenemos una tabla de “Estudiantes” y una tabla de “Cursos”, donde cada estudiante puede tomar varios cursos y cada curso puede tener varios estudiantes, la relación entre las dos tablas sería muchos a muchos. Para implementar esta relación, se utiliza una tabla intermedia, también conocida como tabla de “unión” o tabla “puente”.

Cada tipo de relación tiene su propio propósito y ventajas, y es importante elegir la relación correcta para garantizar la eficiencia de la base de datos.

Si quieres aprender sobre bases de datos relacionales y todos los temas abordados en este artículo, este curso de Introduction to Relational Databases in SQL te brindará un contexto más amplio de estos temas basados en un caso real. Además, podrás aplicar los conocimientos que vayas obteniendo realizando una serie de ejercicios prácticos.

No olvides que lo que no se practica, se olvida.

Y si eres como nosotros en la comunidad de Data Science FEM, seguramente te interesará aprender mucho más que el contenido de un solo curso. Es por ello que te invitamos a estudiar la pista completa de SQL Fundamentals, donde adquirirás las habilidades básicas y fundamentales que se requieren para interactuar y consultar datos. Además, podrás aplicar en un proyecto específico todos los conocimientos obtenidos en todos los cursos.

Credits

This article has been written by Emilys Dominguez, Laura Orozco y Esmeralda Henao with Data Science FEM collaboration and DataCamp Donates program, thanks to our sponsors we can keep impacting lives within the region.
@DataCamp — #DCDonates

Made With Love By DSF 💜

Como estadístico, siempre trabajé en análisis descriptivos y de diagnóstico, los cuales daban cuenta de lo que había sucedido en las investigaciones de mercado y otros estudios realizados por las compañías. Sin embargo, cuando comencé en proyectos de analítica predictiva, me enfrenté a una responsabilidad como ser humano: construir una solución que dejaría sin empleo a cerca de ochenta personas (en su mayoría mujeres). Esto me llevó a proponer trabajar para hacer ver el lado humano de la ciencia de los datos.

La inclusión de personas con discapacidad es un tema importante en la sociedad actual, ya que garantizar que estas personas tengan las mismas oportunidades y accesibilidad es una responsabilidad social. La ciencia de datos puede contribuir significativamente a mejorar la calidad de vida de las personas con discapacidad a través de diversas herramientas y tecnologías. Después de realizar mi trabajo de grado basado en este tema, como ciencia de datos humana, me permito compartir con ustedes un dossier sobre el mismo.

Según la Organización Mundial de la Salud (OMS), la discapacidad es un término general que abarca las deficiencias, las limitaciones de la actividad y las restricciones de la participación. Las deficiencias son problemas que afectan una estructura o función corporal, las limitaciones de la actividad son dificultades para ejecutar acciones o tareas y las restricciones de la participación son problemas para participar en situaciones vitales. Por consiguiente, la discapacidad es un fenómeno complejo que refleja una interacción entre las características del organismo humano y las características de la sociedad en la que vive.

La discapacidad ha sido considerada como una problemática que tiene consecuencias personales, familiares y sociales que llevan a la exclusión social. La condición de discapacidad causa múltiples cambios en la vida de una persona y de sus familiares, los cuales se relacionan con la condición de dependencia asociada a una limitación física o mental, la alteración del estado de salud y la modificación en el rol y en las actividades sociales. Las personas se describen a sí mismas en términos más negativos, tienen menos aspiraciones y expectativas sobre el futuro, lo cual ocasiona ansiedad y depresión (Moreno Fergusson, 2006).

La inteligencia artificial se refiere a sistemas o máquinas que imitan la inteligencia humana para realizar tareas y pueden mejorar iterativamente a partir de la información que recopilan. Uniendo este concepto con el de discapacidad, se puede crear una dupla compuesta por una condición y una solución.

Entonces, ¿Cómo se puede aplicar la ciencia de datos para mejorar la inclusión de personas con discapacidad? La ciencia de datos ha experimentado un crecimiento directamente proporcional a los avances tecnológicos, y con los resultados de estos en cómputo y almacenamiento, se ha logrado colocar los resultados de investigaciones a favor de las personas con discapacidad. A continuación, se enumeran algunos sectores en los que la ciencia de datos puede contribuir a mejorar la inclusión de personas con discapacidad:

• Educación: A través del análisis de datos en línea y sistemas de aprendizaje automatizados, los datos recopilados de estudiantes con discapacidades pueden ayudar a identificar áreas que necesitan mejoras y ajustes en el currículo para garantizar que todos los estudiantes tengan igualdad de oportunidades en la educación. Los modelos que utilizan visión por computador, speech to text, y text to speech, han contribuido en este ámbito.
• Empleo: La recopilación de datos sobre los requisitos de los trabajos y las habilidades necesarias para desempeñarlos puede ayudar a identificar oportunidades de empleo para personas con discapacidades, y garantizar que los empleados tengan los recursos y el apoyo que necesitan para realizar su trabajo de manera efectiva. En este punto, se destaca que la ciencia de datos ha utilizado para analizar grandes cantidades de datos de empleo para identificar las habilidades necesarias para desempeñar diferentes tipos de trabajos. Esto puede ayudar a las personas con discapacidades a identificar trabajos para los cuales tienen habilidades y experiencias relevantes. Además, los empleadores pueden utilizar esta información para garantizar que sus requisitos de contratación no excluyan innecesariamente a los solicitantes con discapacidades. También se ha utilizado para analizar los requisitos de los trabajos y determinar si estos son accesibles para personas con discapacidades. Por ejemplo, se han utilizado análisis de texto y procesamiento de lenguaje natural para evaluar descripciones de trabajo y determinar si contienen barreras que podrían impedir que las personas con discapacidades puedan realizar el trabajo. Esto puede ayudar a los empleadores a ajustar las descripciones de trabajo para que sean más inclusivas y accesibles.

¿Qué se ha hecho utilizando la inteligencia artificial para mejorar la calidad de vida de las personas con discapacidad?

A continuación, se presentan algunos ejemplos de aplicaciones que han sido casos de éxito en los que se ha aplicado la ciencia de datos para mejorar la inclusión de personas discapacitadas:

1. “Be My Eyes”: Esta es una aplicación móvil que conecta a personas ciegas o con discapacidad visual con voluntarios que les proporcionan asistencia visual a través de una videollamada en vivo. La aplicación utiliza tecnología de reconocimiento de imágenes y análisis de datos para hacer coincidir a los usuarios con voluntarios que hablan el mismo idioma y están disponibles para ayudar en ese momento.

2. “Seeing AI”: Esta es otra aplicación móvil diseñada para personas con discapacidad visual. La aplicación utiliza tecnología de visión por computadora y aprendizaje automático para describir el mundo a su alrededor a través de una cámara en el teléfono inteligente. La aplicación puede leer texto, identificar objetos, describir personas y proporcionar indicaciones de navegación.

3. “Wheelmap”: Esta es una aplicación que ayuda a las personas en silla de ruedas a encontrar lugares accesibles. La aplicación utiliza tecnología de geolocalización y análisis de datos para identificar lugares accesibles y proporcionar información detallada sobre la accesibilidad, como si hay rampas, ascensores y baños accesibles.

4. “Wayfindr”: Esta es una aplicación de navegación diseñada para personas con discapacidad visual. La aplicación utiliza tecnología de beacons Bluetooth y análisis de datos para proporcionar indicaciones precisas y detalladas sobre cómo navegar por un entorno desconocido. La aplicación se ha utilizado en varios lugares públicos, como estaciones de metro, para ayudar a las personas con discapacidad visual a moverse de manera independiente.

En los últimos años, la ciencia de datos humana ha demostrado su potencial para mejorar la calidad de vida y la inclusión de las personas con discapacidad. Sin embargo, todavía hay muchos desafíos que deben abordarse para asegurar que las soluciones basadas en datos sean efectivas y sostenibles.

Uno de los desafíos clave es el acceso limitado a los datos sobre discapacidades y accesibilidad. Muchos países no tienen sistemas de recopilación de datos adecuados, lo que dificulta la identificación de patrones y tendencias. Además, los datos pueden estar sesgados o incompletos, lo que limita su utilidad en la toma de decisiones informadas.

Otro desafío es la falta de conciencia y comprensión de las necesidades de las personas con discapacidad. Muchos empleadores y empresas aún no están preparados para brindar el apoyo y la accesibilidad necesarios, lo que limita las oportunidades de empleo y educación para las personas con discapacidad.

Además, las barreras tecnológicas también siguen siendo un desafío. Aunque existen muchas soluciones tecnológicas para mejorar la inclusión de las personas con discapacidad, no todas las personas tienen acceso a ellas debido a barreras económicas o de accesibilidad.

A pesar de estos desafíos, la ciencia de datos humana sigue siendo una herramienta poderosa para mejorar la inclusión de personas con discapacidad en diferentes sectores. Al aprovechar la información obtenida a través de técnicas de análisis de datos, se pueden identificar patrones y tendencias que ayuden a desarrollar programas y soluciones específicas para abordar las necesidades de este grupo de personas.

En conclusión, la ciencia de datos humana puede contribuir significativamente a mejorar la calidad de vida de las personas con discapacidad y garantizar que tengan las mismas oportunidades y accesibilidad en la sociedad. Sin embargo, es importante abordar los desafíos clave que limitan el uso efectivo de la ciencia de datos para la inclusión de personas con discapacidad.

Como reto los científicos de datos tenemos que la tecnología también puede ser una barrera para las personas con discapacidad si no se desarrolla con accesibilidad en mente. Por ejemplo, muchas aplicaciones y sitios web no son accesibles para personas con discapacidad visual, auditiva o cognitiva, lo que puede excluirlos de la participación en la sociedad digital. En este sentido, sería importante enfatizar que la inclusión de personas con discapacidad no solo depende de la aplicación de tecnologías de ciencia de datos, sino también de la consideración de la accesibilidad en el diseño y desarrollo de tecnologías.

Credits

This article has been written by Anabel Dubraska Suarez Cadiz with Data Science FEM collaboration and DataCamp Donates program, thanks to our sponsors we can keep impacting lives within the region.
@DataCamp — #DCDonates

Made With Love By DSF 💜

¡La gestión de datos es el ingrediente principal en la era digital! Si eres parte de la comunidad de Data Science FEM, sabes que el manejo efectivo de datos es esencial para la toma de decisiones estratégicas en cualquier organización.

“Los datos son el nuevo petróleo”.

— Clive Humby (2006) uno de los primeros científicos de datos de la historia.

En este artículo exploraremos conceptos básicos en relación a los datos: qué son los datos, cuáles son los tipos de datos y cuáles son sus respectivos usos, por qué es importante aprender a gestionar los datos, qué son las bases de datos, en qué consisten los gestores de datos y, por último, los lenguajes de bases de datos más utilizados por las empresas de tecnología más importantes del mundo actual. También te daré información sobre dónde puedes empezar a adquirir estos conocimientos para que aprendas a gestionar datos y destaques en tu carrera profesional.

¿Estás lista o listo para conocer el emocionante mundo de los datos? ¡Acompáñame a leer este artículo!

¿Qué son los datos?

Los datos son información que se obtiene al observar, medir o recopilar hechos o estadísticas. Estos datos se pueden utilizar en diferentes áreas, como la ciencia, el marketing, la gestión de empleados, la economía y más, para tomar decisiones informadas después de analizarlos.

En cuanto a los tipos de datos, algunos ejemplos pueden ser: datos numéricos, datos cualitativos, datos categóricos, datos espaciales, datos temporales, entre otros. Estos tipos de datos se utilizan en diferentes roles e industrias, como la medicina, la tecnología, el turismo, la agricultura, la educación, el gobierno y más.

¡Todas las empresas u organizaciones deben asegurarse de recopilar los datos correctos para tomar las mejores decisiones posibles!

¿Cuáles son los tipos de datos y en qué roles e industrias se utilizan?

Hay diferentes tipos de datos que se utilizan para diferentes propósitos según la industria y el rol en el que se gestionen. Algunos de ellos son:

Datos numéricos o cuantitativos

Se refieren a datos que se pueden medir o contar, como la edad, altura o peso. Estos datos se utilizan para realizar cálculos matemáticos y estadísticos, análisis de tendencias y patrones, realizar comparaciones y contrastes entre diferentes conjuntos de datos.

Este tipo de dato se divide en dos subtipos:

1. Datos discretos: Son datos que solo pueden tomar valores enteros. Ejemplos: número de hijos, cantidad de productos vendidos, cantidad de libros en una biblioteca, número de estudiantes en una clase, número de días laborables en una semana.
2. Datos continuos: Son datos que pueden tomar cualquier valor dentro de un rango. Ejemplos: peso de una persona, altura de un edificio, velocidad de un objeto en movimiento, temperatura ambiente, cantidad de dinero gastado en una compra.

Datos categóricos o cualitativos

Se refieren a datos que describen características o cualidades de algo y se pueden organizar en categorías o grupos. No tienen valores numéricos asociados.

Estos datos se utilizan para identificar patrones de comportamiento o preferencias de las personas, investigar opiniones y percepciones de las personas sobre productos o servicios, clasificar y organizar información en categorías o grupos, segmentar el mercado y analizar tendencias de compra.

Este tipo de dato se divide en dos subtipos:

1. Datos ordinales: son datos que se pueden ordenar o clasificar en una escala de valores o jerarquía. Ejemplos: nivel de educación, clasificación de un equipo deportivo, tamaño de una empresa.
2. Datos nominales: son datos que no se pueden ordenar debido a que no tienen un orden lógico o jerárquico. Ejemplos: color favorito, género, estado civil.

Datos temporales

Son datos que cambian con el tiempo y pueden ser registrados en diferentes unidades de tiempo, como segundos, minutos, horas, días, semanas, meses o años. Ejemplos: cantidad de visitas a un sitio web en un día determinado, el tiempo que tarda un avión en despegar desde el aeropuerto, el número de llamadas atendidas por un centro de atención al cliente en diferentes horarios del día.

Estos datos se utilizan para el análisis de tendencias y patrones en diferentes momentos del tiempo, identificar patrones estacionales y cambios a lo largo del tiempo, pronósticos de ventas y proyecciones de crecimiento en una industria, análisis de la eficacia de estrategias de marketing y publicidad a lo largo del tiempo.

Estos datos se dividen en dos subtipos:

1. Datos de series de tiempo: son datos que se recopilan a intervalos regulares. Ejemplos: ventas diarias, precios de acciones en la bolsa de valores, temperatura ambiente, nivel de contaminación del aire, consumo de energía eléctrica.
2. Datos de fecha/hora: son datos que se refieren a una fecha y hora específicas. Ejemplos: fecha de nacimiento, fecha de compra, hora de llegada, fecha y hora de registro de una transacción bancaria, fecha y hora de apertura y cierre de un establecimiento, fecha y hora de publicación de una entrada en un blog.

Datos de imagen

Son datos que representan imágenes, como fotos, diagramas, gráficos, ilustraciones y dibujos.

Se utilizan para analizar, identificar, monitorear, detectar, crear y procesar patrones en imágenes, como en realidad aumentada, automóviles autónomos, diseño gráfico, ilustración digital, publicidad, reconocimiento facial, diagnóstico médico, visión artificial, seguridad y vigilancia, identificación de objetos, investigación científica, entre muchos otros.

Estos datos se dividen en dos subtipos:

• Datos de mapa de bits: son datos que se componen de píxeles y se utilizan en imágenes digitales, como fotografías digitales, iconos, logotipos, escaneos de documentos, entre otros.
• Datos vectoriales: son datos que se componen de líneas y formas geométricas, como gráficos vectoriales, mapas, diagramas, animaciones, gráficos, ilustraciones y modelados 3D.

Datos de audio

Son datos que representan sonidos y grabaciones de audio. Ejemplos: música, podcasts, grabaciones de voz.

Se utilizan para el monitoreo de señales de audio, análisis de ondas sonoras y voz, procesamiento de audio, transmisión de música y otros contenidos de audio, detección de emociones y sentimientos, grabación y reproducción de audio, transcripción de audio a texto, entre otros. Ejemplos incluyen grabaciones de voz, archivos de música, señales de audio de sensores, cámaras de seguridad con audio, videojuegos, conciertos, teatro y producciones audiovisuales.

Datos de video

Son datos que representan videos y grabaciones de video. Ejemplos: películas, documentales, videos en redes sociales, grabaciones de cámaras de seguridad.

Se utilizan para el análisis de video, patrones de movimiento y detección de objetos, detección de emociones y sentimientos, así como para el entretenimiento, la publicidad, la televisión, la educación, la documentación, la telemedicina, la investigación y la vigilancia, entre otros usos.

Datos de texto

Son datos representados en formato de texto. Ejemplos: documentos, transcripciones, artículos de noticias.

Se utilizan para analizar el lenguaje natural, identificar y monitorear patrones de tendencias en el texto, temas, opiniones, sentimientos y entidades en el texto, extraer información útil de grandes cantidades de texto, entrenar modelos de inteligencia artificial y aprendizaje automático. Ejemplos: comentarios en redes sociales, clasificación de correos electrónicos, reseñas de productos.

Estos datos se dividen en dos subtipos:

• Datos estructurados: son datos que se pueden clasificar o categorizar de manera lógica. Ejemplos: nombres de productos, descripciones de artículos, etiquetas de productos, información de contacto de clientes.
• Datos no estructurados: son datos que no se pueden clasificar o categorizar según jerarquía u orden lógico. Ejemplos: correos electrónicos, publicaciones en redes sociales, comentarios en línea, artículos de noticias, transcripciones de grabaciones de audio o video.

Datos biométricos

Son datos que contienen características biológicas únicas que se pueden obtener a través de características físicas o conductuales de una persona. Ejemplos: huellas dactilares, escaneos de retina, reconocimiento facial, reconocimiento de voz, patrones de escritura.

Estos datos se utilizan para identificar, autenticar o verificar la identidad de una persona en distintas aplicaciones. Ejemplos: seguridad bancaria, autenticación en dispositivos móviles, control de fronteras, identificación de criminales y control de acceso.

Datos geoespaciales

Son datos que se refieren a ubicaciones geográficas específicas y las características relacionadas con ellas. Ejemplos: Coordenadas GPS, código postal, Direcciones.

Estos datos se utilizan para realizar análisis de datos espaciales y de localización, crear mapas y visualizaciones, para tomar decisiones basadas en la ubicación, análisis de la actividad del cliente, análisis de la movilidad y análisis de la ubicación de recursos. Ejemplos: analizar riesgos naturales, optimizar el uso de los recursos agrícolas, planificar infraestructuras, estudiar el medio ambiente y la biodiversidad, planificación de campañas publicitarias y la identificación de áreas de interés para el público objetivo.

Estos datos se dividen en dos subtipos:

• Datos de vector: son datos que representan elementos geográficos mediante coordenadas. Ejemplos: mapas de carreteras, mapas de ciudades, mapas de edificios, mapas de uso del suelo.
• Datos de ráster: son datos que se representan mediante cuadrículas. Ejemplos: mapas de elevación, mapas de clima, mapas de vegetación, mapas de riesgos naturales, mapas de pendientes y elevación.

Datos financieros

Son datos que se relacionan con las transacciones y operaciones financieras e incluyen información sobre el dinero y los recursos financieros, como los ingresos, gastos, activos y pasivos. Ejemplos: balance de una cuenta bancaria, ingresos anuales.

Estos datos se utilizan para medir el desempeño financiero de una empresa y para tomar decisiones con respecto a la inversión, el financiamiento y la gestión del riesgo. Ejemplos: analizar el desempeño financiero de la empresa y sus competidores, llevar registros contables, evaluar oportunidades de inversión, crear y gestionar presupuestos.

Datos de redes sociales

Son datos generados en plataformas de redes sociales. Ejemplos: Likes, Comentarios, Publicaciones.

Estos datos se utilizan para el análisis del comportamiento de los usuarios, la identificación de intereses y tendencias, y el monitoreo de las interacciones en línea. Ejemplos: investigar estrategias y desempeño de competidores, detectar y gestionar crisis de reputación en línea, comprender los datos demográficos de los usuarios, segmentar audiencias, realizar estudios de mercado y monitorear la reputación en línea de una marca.

En el manejo de los datos, es importante entender qué tipo de datos se está utilizando y cómo se utilizarán para obtener el máximo beneficio de ellos.

Existen dos categorías de datos

Datos estructurados

Son aquellos que se organizan en tablas con filas y columnas, donde cada columna representa un tipo de dato específico y cada fila corresponde a una entrada de datos individual. Ejemplos de datos estructurados son los datos de inventarios, la información de transacciones financieras y la información de los empleados de una empresa. Estos datos se almacenan en bases de datos relacionales como MySQL, PostgreSQL, MariaDB, Microsoft SQL Server y Oracle Database, también en bases de datos de grafos o bases de datos de series temporales y se procesan y analizan con herramientas de software.

Datos no estructurados

Son aquellos que no siguen un formato predefinido y se presentan en diferentes formas, como texto, imágenes, audio o video. Estos datos son más difíciles de procesar y analizar que los datos estructurados y requieren técnicas de análisis más avanzadas, como el procesamiento de lenguaje natural y el aprendizaje automático. Ejemplos de datos no estructurados incluyen correos electrónicos, publicaciones de redes sociales, transmisiones de noticias en vivo y grabaciones de llamadas.

Los datos estructurados y no estructurados se utilizan para analizar tendencias, prever comportamientos, entender el mundo y las personas, tomar decisiones, entre otras cosas. Su utilidad se aplica para diferentes entornos, como en la optimización de procesos, en la toma de decisiones empresariales, en la investigación científica, en la personalización de servicios y productos, entre otros.

Los datos pueden permitir tomar decisiones informadas y precisas para el desarrollo de las empresas y negocios en sus diferentes ámbitos, permitiendo comprender de manera óptima el entorno, sin embargo, los datos pueden contener errores, sesgos o información incompleta que pueden afectar negativamente la toma de decisiones. Es importante tener en cuenta la calidad de los datos y la precisión del análisis antes de tomar decisiones importantes basadas en ellos.

¿Por qué es importante aprender a gestionar los datos?

En el mundo actual de la tecnología y la información, la gestión de datos es una habilidad crítica para cualquier persona que desee tomar decisiones bien fundamentadas.

La habilidad de gestionar datos puede optimizar el tiempo y crear oportunidades para crear estrategias más efectivas. Esto se debe a que todas las acciones que se ejecutan en una empresa están basadas en la información que poseen. El almacenamiento de los datos puede ser compartido y manipulado en tiempo real, lo que permite accionar según se requiera en cualquier momento. Además, en el mundo actual, donde la información es clave para el éxito empresarial y personal, aprender a gestionar los datos es de suma importancia.

Introducción a las bases de datos

En el mundo de la tecnología y la información, las bases de datos son una herramienta fundamental. Estas consisten en un conjunto de información al que se puede acceder y manipular de manera eficiente para el beneficio de empresas, organizaciones e individuos.

Los datos son la materia prima de las organizaciones, ya que todas las acciones que se ejecutan en una empresa están basadas en la información que poseen. El almacenamiento de los datos puede ser compartido y manipulado en tiempo real, ya que se puede acceder a las bases de datos desde cualquier dispositivo. De esta forma, se tiene la ventaja de poder accionar según se requiera en cualquier momento.

Las bases de datos se usan según el interés y contexto en el que se almacenan los datos, por lo que tienen diferentes aplicaciones. En el entorno de software, empresas relevantes como IBM y Microsoft utilizan las bases de datos como productos.

¿Qué es un gestor de datos?

Un gestor de datos (SGBD) es un sistema que permite administrar y manipular de manera accesible y eficiente los datos que se encuentran en una base de datos. Los sistemas de gestión de datos se construyen para gestionar un volumen indeterminado de información.

Estos sistemas de software se utilizan para realizar tareas como la creación, modificación y eliminación de datos en una base de datos, así como para realizar consultas y búsquedas de datos. Para el almacenamiento de los datos, se emplean una serie de procesos, técnicas y mecanismos para hacer uso de la información.

Un gestor de datos ejecuta acciones según las directrices que se le indiquen, como permitir el almacenamiento, la visualización, la eliminación, la integración y la modificación de datos, entre otras cosas. En un contexto general, controla el acceso, la relación y el uso de los datos.

¿Qué es una base de datos?

Una base de datos es una colección o conjunto de datos interrelacionados que se almacenan en un mismo entorno informático. Estos datos se utilizan de manera iterativa mediante el uso de un gestor de datos y un lenguaje de consulta estructurado, como SQL, que permite acceder y manipular los datos según lo que se requiera.

Existen varios tipos de bases de datos comúnmente utilizados, como las bases de datos relacionales, las bases de datos NoSQL y las bases de datos en memoria. Las bases de datos relacionales son las más comunes y se utilizan para almacenar datos en tablas relacionales. Las bases de datos NoSQL, por otro lado, se utilizan para almacenar datos no estructurados o semiestructurados, como documentos o gráficos. Por último, las bases de datos en memoria almacenan datos en la memoria en lugar de en un disco duro, lo que las hace muy rápidas y eficientes.

¿Cómo hacer uso de las bases de datos?

Los sistemas de bases de datos se estructuran para gestionar grandes cantidades de información, que se relaciona entre sí y forma parte de la estructura de una empresa u organización. Esta información puede ser de uso principal, como producto o servicio, o puede ser secundaria y usarse para guiar determinadas acciones.

Los gestores de datos tienen una estructura de datos relacional (SGBDR) y utilizan tablas para representar los datos. Para interactuar con las bases de datos, se pueden utilizar diferentes lenguajes de consulta, como SQL para bases de datos relacionales y NoSQL para bases de datos NoSQL. También se pueden utilizar lenguajes de programación como Java y Python para interactuar con bases de datos.

Lenguajes de bases de datos más utilizados por las empresas más importantes del mundo

SQL (Structured Query Language)

SQL es un lenguaje de programación de bases de datos relacionales que se utiliza para administrar y manipular datos. Se utiliza para crear, administrar, recuperar y actualizar datos en esas bases de datos, además permite especificar limitaciones de seguridad y determinar estructuras. Algunas de las empresas que utilizan SQL son Oracle, IBM y Microsoft.

NoSQL

Se refiere a una variedad de lenguajes de bases de datos no relacionales. Estos lenguajes se utilizan para almacenar y manipular datos en estructuras no relacionales, como documentos y gráficos. Algunos de los lenguajes de bases de datos NoSQL más populares incluyen MongoDB, Cassandra, y Redis. Algunas de las empresas que utilizan NoSQL son Amazon, Facebook, y Twitter.

MongoDB

Es un lenguaje de bases de datos NoSQL que se utiliza para almacenar y manipular datos en formato de documentos JSON (JavaScript Object Notation). Se utiliza para aplicaciones web, móviles y de análisis de datos en tiempo real. Algunas de las empresas que utilizan MongoDB son Google, eBay, y Verizon.

Cassandra

Es un lenguaje de bases de datos NoSQL que se utiliza para almacenar y manipular datos en una estructura de columna amplia. Se utiliza para aplicaciones web, móviles y de análisis de datos en tiempo real que requieren alta escalabilidad y disponibilidad. Algunas de las empresas que utilizan Cassandra son Apple, Netflix, y Twitter.

Redis

Es un lenguaje de bases de datos NoSQL que se utiliza para almacenar y manipular datos en estructuras de datos en memoria. Redis se utiliza para aplicaciones web, móviles y de análisis de datos en tiempo real que requieren alta velocidad de acceso a datos. Algunas de las empresas que utilizan Redis son GitHub, Snapchat, y Craigslist.

En este artículo aprendimos todo acerca de los datos y su gestión. Los datos son información que se obtiene de distintas fuentes y se utilizan en diferentes áreas para tomar decisiones informadas. Los tipos de datos son diversos, desde datos numéricos hasta datos espaciales, y se utilizan en roles e industrias como la medicina, tecnología, agricultura, entre otros.

La gestión de datos es una habilidad crítica en el mundo actual de la tecnología y la información, por lo que es importante aprender a gestionarlos. Las bases de datos son una herramienta fundamental en este ámbito, y para manipular y administrar estos datos se utilizan gestores de datos y lenguajes de consulta estructurados.

En cuanto a los lenguajes de bases de datos más utilizados, tenemos SQL, NoSQL, MongoDB, Cassandra y Redis, los cuales son utilizados por importantes empresas de tecnología.

¡Así que si quieres destacar en tu carrera profesional, aprende a gestionar los datos y conviértete en un experto!

Créditos

Este artículo ha sido escrito por Emilys Domínguez en colaboración con Data Science FEM.

Hecho con amor por DSF 💜

En este artículo, te contaré la razón por la cual inicie mi camino profesional en la ciencia de datos y sobre mi experiencia personal estudiando con DataCamp. También te contaré sobre mi metodología de aprendizaje y como la implemento con la metodología de aprendizaje de DataCamp. Si tu interés es iniciar o continuar tu camino en la ciencia de datos aprendiendo en DataCamp, te comentaré un poco sobre la plataforma para que te familiarices con ella, además, te daré recomendaciones para que le saques provecho a la plataforma y te mostraré un breve tutorial para que ingreses a las secciones de pistas de DataCamp.

¿Por qué dedicarme a la ciencia de datos?

A principios del año pasado me encontraba con la disyuntiva de no saber a qué dedicarme para adentrarme en el mundo de la tecnología, luego de haber comenzado a estudiar en una academia online de tecnología, veía información sobre ciencia de datos y su relevancia para los tiempos actuales y posteriores; automáticamente pensaba en que yo quería ser parte de esa transformación y de esa evolución constante que mantiene la tecnología, sin embargo, no sabía por dónde empezar ni en qué enfocarme, solo sabía que quería dedicarme a la ciencia de datos a mediano y largo plazo.

Posteriormente, me dediqué a hacer un curso que explicaba sobre los distintos roles que existen en la ciencia de datos, en qué consistía cada rol, cuáles habilidades se implementan en cada rol y su relevancia en el mercado laboral en la actualidad y los próximos años.

Aprendí que muchas habilidades y tecnologías se utilizan en diferentes roles, sin embargo, determiné que mi objetivo sería dedicarme en primera instancia al análisis de datos, teniendo en mente que a futuro querría escalar a otros roles.

Antes de dedicarme a estudiar sobre ciencia de datos ya me había inmiscuido en el mundo del marketing, así que pensaba en cómo podría encajar mis conocimientos de Marketing con el análisis de datos, y me topé con más de una opción. Por lo que, era estupendo dedicarme a una profesión mientras estudio otra, sabiendo que a futuro puedo unificar las 2.

Un día, Ivan Chavez me propone formar parte del equipo de Data Science FEM como voluntaria, y gustosamente lo acepte. Gracias a eso estás leyendo este artículo.

Como beneficiaria de una de las becas por parte de Data Science FEM ingreso a DataCamp.

¿Cómo es mi experiencia estudiando con DataCamp?

Al ingresar en la plataforma me pareció que explorarla fue intuitivo, cada sección es específica y sencilla de entender, lo que más me pareció interesante fue que las tecnologías y habilidades de mi interés podía estudiarlas y practicarla con DataCamp. Sin embargo, lo que más me interesó fue su sistema de aprendizaje que se divide en 4 (Aprender, Practicar, Aplicar y Evaluar.

La plataforma tiene un sistema de ejecución que no requiere usar herramientas de terceros para aplicar los conocimientos y realizar los ejercicios o proyectos; por otra parte, contiene ejercicios interactivos, mide resultados del proceso de aprendizaje, otorga certificados, y engloba espacios de trabajo colaborativos. Y también tiene una sección de vacantes profesionales de diferentes empresas en relación con roles en ciencia de datos.

Todo esto me hace ver a DataCamp como una plataforma de aprendizaje ideal, ya que está alineada con mis intereses de aprendizaje en ciencia de datos.

Yo inicié mi proceso de aprendizaje en DataCamp con la pista de carrera “Data Analyst in SQL”, y el primer curso que completé fue el de “Introduction to SQL”, pensé en que el idioma sería una barrera para poder aprender, pero sucede que no, todos los videos están subtitulados al español; por otra parte, en cada clase puedes encontrar la transcripción de la misma, la presentación en PDF del curso y la opción de tomar notas en un espacio de trabajo dentro de la plataforma con la opción de compartir ese espacio de trabajo con otras personas; además, cada sección de clase tiene una serie de ejercicios guiados y aplicables, lo que te permite fomentar la pericia de esos conocimientos que estás adquiriendo sin tener que salir de la plataforma.

Cada curso completado te proporciona un certificado, como este:

Al cursar y aprobar una pista de carrera, por ejemplo, la de Data Analyst, obtendrías un certificado como este:

¿Cómo alineo mi metodología de aprendizaje con la de DataCamp?

Aprender en academias online ha contribuido en iterar mis métodos de aprendizaje en el transcurso del tiempo, actualmente mi método de aprendizaje consisten en hacerme las siguientes preguntas y ejecutar sus respectivas respuestas:

• ¿Qué quiero aprender del tema?
• ¿Por qué quiero aprenderlo?
• ¿Cómo quiero aprenderlo?
• ¿Cuáles habilidades debo dominar?
• ¿Quiénes son mis referentes?
• ¿Qué proyecto puedo crear con esos conocimientos?
• ¿Por qué es importante construir un proyecto con esos conocimientos?
• ¿Cómo puedo mejorar e iterar ese proyecto?
• ¿Cuáles conocimientos me faltan por aprender?
• ¿A quién mostrarle mi proyecto para pedirle crítica constructiva?
• ¿Cómo puedo enseñarles a otras personas los conocimientos que adquirí?
• ¿De qué manera puedo implementar estos conocimientos con mis conocimientos en otras áreas?

Algunas de estas preguntas y sus respectivas respuestas están alineadas con el sistema de aprendizaje de DataCamp.

• Aprender sobre una habilidad/rol previamente definido.
• Practicar mediante una serie de ejercicios que me permiten ejercitar esos conocimientos estudiados.
• Aplicar los conocimientos adquiridos en proyectos reales para adquirir experiencia.
• Evaluar la adquisición de conocimientos mediante resultados para iterar y mejorar.

Tengo la creencia determinante de que se aprende haciendo y se va mejorando en el proceso, es por ello que, DataCamp es una plataforma idónea para aprender ciencia de datos, ya que puedes sistemáticamente implementar los conocimientos que vas adquiriendo e ir evaluando tu desempeño para iterar y mejorar continuamente en el proceso.

En mi experiencia personal, percibo que la metodología de aprendizaje en DataCamp está acorde con mi propia metodología de aprendizaje, porque también me enfoco en aprender a través de la práctica y la aplicación de conocimientos en situaciones reales.

¿Qué es DataCamp?

DataCamp es una plataforma de educación online que te permite aprender desde lo más básico sobre ciencia de datos y te funciona como medio para adquirir habilidades y dominar tecnologías relacionadas con la ciencia de datos.

Su sistema de aprendizaje se basa en la metodología Aprender, Practicar, Aplicar y Evaluar, esta metodología consiste en aprender con cursos interactivos, realizar prácticas diarias con desafíos rápidos, resolver problemas reales y poner a prueba los conocimientos adquiridos midiendo los resultados.

El objetivo de la plataforma es que los estudiantes aprendan haciendo, de una manera eficiente, fácil y práctica.

¿Cuáles son las modalidades de estudio en DataCamp?

DataCamp te ofrece 3 modalidades de estudio, estas son mediante pistas de habilidades, pistas de carreras y cursos individuales.

1. Las pistas de habilidades son una colección de cursos cortos para mejorar habilidades específicas en datos desde lo más básico como puede ser SQL. Al finalizar una determinada pista debes realizar una evaluación que al ser aprobada te permite adquirir la aprobación de la habilidad.
2. Las pistas de carreras son una colección de cursos que cubren todas las habilidades que necesitas para adquirir un rol determinado en ciencia de datos, como puede ser analista de datos. En algunas de estas pistas debes presentar un proyecto y también en algunas puedes obtener un certificado del rol estudiado.
3. Los cursos individuales pueden ser estudiados según tu interés sin un orden específico, estos cursos son de diferentes temáticas relacionadas con la ciencia de datos, como puede ser Python, Tableau, entre otros.

Las pistas de habilidades y carreras son seleccionadas por especialistas en la industria de la ciencia de datos, lo que te permite adquirir conocimientos y habilidades útiles para el rol que te quieras especializar. Estas pistas contienen ejercicios individuales en cada curso y algunos contienen proyectos que te permiten adquirir experiencia en el tema seleccionado y en el caso de las pistas de carreras algunas te proporcionan certificado del rol estudiado. Por otra parte, puedes destacar en proyectos que completes dentro de la plataforma.

¿Cómo saber cuál modalidad elegir para empezar a estudiar ciencia de datos en DataCamp?

La respuesta dependerá de lo que tú requieras y necesites.

Si eres alguien que está iniciando en el mundo de la ciencia de datos, te recomiendo iniciar con una pista de carrera de tu tema de interés para que puedas adquirir conocimientos desde lo más básico hasta lo más avanzado en un rol específico.

Si eres alguien que tiene un camino recorrido en la ciencia de datos, ya sea porque tengas un rol en ciencia de datos y quieras hacer pivot a otro o porque quieras escalar tus conocimientos sobre el rol que ya dominas, te recomiendo iniciar con una pista de habilidades que se acople con los conocimientos específicos que quieres adquirir o reforzar.

Sin embargo, si consideras que solo algunos cursos en específico te aportaran lo que requieres y no quieres guiarte por una pista ya sea de habilidades o de carrera, te recomiendo que selecciones individualmente los cursos de tu interés.

¿Cuáles pistas de habilidades puedo aprender en DataCamp?

Theory

• Understanding Data Topics
• Data Skills for Business
• Data Literacy Professional

Power BI

• Power BI Fundamentals

Tableau

• Tableau Fundamentals

Spreadsheets

• Spreadsheets Fundamentals
• Intermediate Spreadsheets
• Finance Fundamentals

SQL

• SQL Fundamentals
• SQL Server Fundamentals
• SQL for Business Analysts
• SQL Server for Database Administrators
• SQL for Database Administrators

Python

• Python Fundamentals
• Importing & Cleaning Data
• Data Manipulation
• Deep Learning
• Machine Learning Fundamentals
• Natural Language Processing
• Time Series
• Image Processing
• Finance Fundamentals
• Applied Finance
• Statistics Fundamentals
• Python Toolbox
• Marketing Analytics
• Python Programming
• Data Visualization
• Big Data with PySpark

R

• R Programming
• Importing & Cleaning Data
• Data Manipulation
• Statistics Fundamentals
• Data Visualization
• Time Series
• Applied Finance
• Shiny Fundamentals
• Network Analysis
• Intermediate Tidyverse Toolbox
• Finance Fundamentals
• Machine Learning Fundamentals
• Text Mining
• Spatial Data
• Big Data
• Tidyverse Fundamentals
• Analyzing Genomic Data
• Interactive Data Visualization
• Marketing Analytics
• Supervised Machine Learning
• Unsupervised Machine Learning
• Statistical Inference

¿Cuáles pistas de carreras puedo aprender en DataCamp?

Power BI

• Data Analyst in Power BI

Tableau

• Data Analyst in Tableau

SQL

• Data Analyst in SQL
• SQL Server Developer

Python

• Python Programmer
• Data Scientist with Python
• Data Analyst with Python
• Data Engineer with Python
• Machine Learning in Scientist with Python

R

• R Programmer
• Data Scientist with R
• Data Analyst with R
• Quantitative Analyst with R
• Statistician
• Machine Learning in Scientist with R

Videotutoriales

¿Cómo ver las pistas de carreras en DataCamp?

¿Cómo ver las pistas de habilidades en DataCamp?

Recomendaciones y conclusiones para sacarle provecho a DataCamp

En definitiva, lo que más me gusta de DataCamp es su enfoque en la práctica para fomentar el aprendizaje y la oportunidad de aplicar las habilidades adquiridas en situaciones del mundo real mediante proyectos, esto genera experiencia.

Te recomiendo estudiar siguiendo el proceso de las 4 etapas del aprendizaje en DataCamp para que puedas adquirir los conocimientos y destrezas de tu interés de manera eficiente.

Aunque DataCamp tenga un catálogo de diversos cursos de temas relacionados con la ciencia de datos, te sugiero enfocarte en las tecnologías y habilidades que tengan mayor relevancia acorde a tus objetivos profesionales y personales.

No te limites a DataCamp, aplica los conocimientos que adquieres en proyectos personales y si es de tu preferencia constrúyelos en colaboración con otras personas.

Muestra tus proyectos y tus conocimientos en redes sociales que fomenten tu marca personal y perfil profesional, por ejemplo LinkedIn, esto te ayudará con tu empleabilidad futura.

Haz networking y pide opiniones a personas que dominen esos conocimientos que aplicas en tus proyectos, no temas a la crítica, es lo que te hará crecer e iterar para mejorar.

En conclusión, si tienes interés en aprender sobre ciencia de datos de manera práctica, interactiva y eficiente, DataCamp es una excelente opción.

¡Vive la experiencia de iniciar tu camino en ciencia de datos con DataCamp!

Credits

This article has been written by Emilys Dominguez with Data Science FEM collaboration and DataCamp Donates program, thanks to our sponsors we can keep impacting lives within the region.
@DataCamp — #DCDonates

Made With Love By DSF 💜

Data Science FEM and DataCamp Donates have built a support network in LATAM that promotes women’s participation in the field of Data Science and technology. Keep reading to learn more about our story.

You’ve probably heard the phrase “The flapping of a butterfly’s wings can be felt on the other side of the world”, this Chinese proverb has had great influences in different areas of knowledge such as physics and meteorology. To make a long story short, according to this concept linked to the theory of chaos, the flapping of a butterfly in Hong Kong can trigger a storm in New York; but in this article we will not enter into discussion of the scientific bases and other studies that have arisen from this concept, today we simply borrow this proverb to illustrate and share the testimony and impact of the community in four years of life.

In our case, the flapping and collaborative work of a group of butterflies in Colombia has motivated and initiated the flapping of +300 butterflies in LATAM.

Data Science FEM is a community born in Medellín, Colombia but with no nationality in the passport, it is a group of friends who want to help each other, share knowledge around data science and technology, and thus contribute a grain of sand to reducing the gender gap in the technology field in LATAM.

Our community was born without many pretensions, it arose from the extensive and entertaining conversations of a group of 4 friends who felt a lot of curiosity and passion for programming and technology; but who at the same time-shared two challenges:

1. They had not studied a career related to the technology world
2. They did not know what path to take to start learning. 😮

This small talk turned into a study group that began to meet on weekends to study and collectively find the best way to prepare to migrate their career to the world of data. That’s how we started to share our learning and progress on social networks; and so, without having planned it, many people from different places in LATAM began to join our goal.

We also started to receive support from organizations such as DataCamp and other sponsors, who gave us the tools to cross our own borders, and we started to dream bigger: we started to do workshops, call meetups and talks.

With the support of DataCamp Donates, we started our DataChallenge scholarship program, where we grant scholarships on the DataCamp platform and continuously follow our scholarship holders to fulfill their dream of working in the field of data science.

If you want to be part of the DataChallenge 2023, you must be very attentive to our social media, where we will soon indicate how to participate in our challenge.

Here’s a bit of our story! Who would have thought that this seemingly small idea in 2018 would turn into a community of over +300 members, making an impact across LATAM and manly in Colombia, Bolivia, Mexico, Venezuela & Argentina.

Teamwork and the constant support of a support network helped us not only cross geographical boundaries, but also overcome our own mental barriers and achieve what, we thought, was impossible.

This whole adventure has taught us a lot, so we want to share some tips that may help you on your journey:

• Don’t limit your ideas and initiatives: Let your creativity run wild, just do it with all your passion and discipline, even if you think it’s a small idea, every action can have a positive impact on those around you.
• Share knowledge: Don’t keep your learning and knowledge to yourself, share what you learn with your schoolmates, work colleagues, and family. We promise it will be more fun.
• Find a work team: Look for friends who have similar goals as you, and create a support group to keep each other motivated and help each other when they feel overwhelmed. Learning and starting a business is much more fun in good company!
• Create your own opportunities: Often, we wait for opportunities to appear in front of us, leaving little to chance, be the creator of your own path, trust in your own initiatives and ideas!

We provide scholarships and technical education programs to our female members -mainly, but non gender restricted-

As a community, we have 3 key goals:

• Contributing with the economic development of our countries, while helping the pivot from primary resource’s exportation to a high added value product and services in technology.
• Reduce gender pay gap, using education as a way to develop high demand technical skills, so our members can have more and better opportunities to increasing their life quality and contributing within their region development.
• Promote STEM studies in women to reduce gender gap in technology and promoting a diverse and inclusive society.

Become a community member and join the cause:

• Subscribe to our newsletter
• Follow Us at YouTube
• Visit our website and follow us on social media.

Credits

This article has been written by Ivan Chavez with Data Science FEM collaboration and DataCamp Donates program, thanks to our sponsors we can keep impacting lives within the region.
@DataCamp — #DCDonates

Made With Love By DSF 💜

Hello, this is Ivan Chavez (a Staff & member of Data Science FEM Community), I define my professional role as “Data Analytics Delivery Manager”
Having a BSC. Degree in Mechatronics engineering I began my career working as a project management -business- side. As an engineer working in “administrative” stuff, I always feel I need an extra intellectual challenge which could keep me learning. Then I had the chance to work in a Tableau partner Data & Analytics Business Consultant small firm, here discovered the data world and decided I want to keep performing in this path.

Planning, executing, leading & coordinating data team efforts I figured out I have those soft skills which complements pretty well those hard skills introvert engineers are used to be lack off. So, I have decided to focus on being that understanding bridge between business & tech teams.

As delivery manager, I have specialized on making sure business is getting value and tech teams understands what’s the “job-to-be-done”. More a people manager instead of individual contributor. A generalist more than a specialist.

Now, I have the chance to share my knowledge with you so you don’t mess with the same things I have done within the process of understanding the data world.

Please don’t hesitate to check a detailed professional experience at my LinkedIn Profile:

• Ivan Chavez — LinkedIn

If I have had to start over data, which things would focus on?

I would focus on 3 things:

1. Tableau
2. Python
3. SQL

In that exact order, and the explanation is simple. This is the simplest-lower effort path to begging building portfolio from day 1 and making sure the time you’re spending on learning gets reflected on a potential professional outcome -portfolio-.

Key Concept: Building portfolio basements from an early start while developing those final visual layer delivery for final user skills.

If you want to have a quick track in roles such as: “Tableau Developer” or “Tableau Data Analyst”. This is the learning path you should follow, here’s all the considerations I would take if I had to re-into data.

Tableau Public (free)

I would take Tableau DataCamp training and download Tableau Public and create a profile which can serve as the foundation of my data analytics portfolio.

I would look for videos on YouTube as well as complementary information.
Creating an account on Kaggle to familiarize myself with the platform to learn how to download datasets of my interest.
I would upload all my work to Tableau Public, which would give me the opportunity to learn from my mistakes.

I would focus on creating many dashboards and visualizations, working to master fluency in Tableau. If at that time I were a student of any academic institution, I would apply for a Tableau Desktop license for students.

Having a Tableau license, I would also download “Tableau Prep” and learn the principles of ETL in practice. This way I will be more self-sufficient in the future.

Note: You demonstrate your Tableau skill by having a data analytics portfolio on Public.

Remind: The key is to learn Tableau Basics and begin uploading work, you surely will suck at your first visualizations -Allow yourself to suck-. The good thing about this approach is as far you begin learning intermediate or advanced tableau concepts, you will be able to execute them practically while developing that Tableau Visualization Maker agility.

“Practice make the master”

DataCamp Tableau Resources:

Data Analyst in Tableau

Python on DataCamp and creating Kaggle Projects

I would see this more as a complement, focusing on learning primarily to clean data and connect to sources such as BigQuery from Kaggle. I would learn Python on DataCamp.
Furthermore, I would look to do personal projects where the data cleaning I did using “Prep” I could do only with Python + Notebook.

Likewise, I wouldn’t pay attention to investigating visualization libraries. The truth is that the graphics are horrible and a notebook full of code isn’t something that should be given to a business user, manager, or executive. That’s what Tableau is for.

Note: You demonstrate your Python skill in your Kaggle profile by participating in projects. Create a data analytics portfolio.

DataCamp Python Resources:

Data Analyst with Python

SQL with Cloud providers

I would learn SQL with DataCamp as well, and creating an account on Google Cloud Platform to learn how to use BigQuery as the main data storage.
I would leave aside the administrative and server management aspect of databases and look for a more practical approach by learning how to handle this with Cloud providers.

Since my focus is to become a data analyst, I would focus on mastering those functions that allow me to “denormalize” tables, generate aggregates and groupings, because in the end, that analytical modeling is what serves business level.

Note: All DataCamp courses provide you a “digital” you can complement your resume, so you can put those main keywords.

DataCamp SQL Resources:

Data Analyst in SQL

Remember:

Personal projects in portfolio + Personal brand + Good resume + Credentials = Winning combination

SQL skills should be invisible at business level, focus on show your skills communicating effectively your data insights.

Credits:

This article has been written by Ivan Chavez with Data Science FEM and DataCamp Donates program, thanks to our sponsors we can keep impacting lives within the region.
@DataCamp — #DCDonates

Made With Love By DSF 💜