La Similitud de Pearson, basada en el Coeficiente de Correlación de Pearson, es una de las medidas de similitud más utilizadas en los sistemas de recomendación, especialmente en los enfoques de Filtrado Colaborativo (Collaborative Filtering). A diferencia de otras métricas que comparan directamente los valores de dos vectores, la similitud de Pearson evalúa la relación lineal entre ellos, teniendo en cuenta cómo varían respecto a su propia media.

Esta característica permite identificar usuarios o elementos que presentan patrones de comportamiento similares, incluso cuando utilizan escalas de valoración diferentes. Por ejemplo, un usuario puede puntuar habitualmente entre 4 y 5 estrellas, mientras que otro utiliza con mayor frecuencia valores entre 2 y 3. Aunque sus puntuaciones absolutas sean distintas, ambos pueden mostrar preferencias muy similares. La correlación de Pearson es capaz de detectar esta relación.

En este artículo se analizan los fundamentos, funcionamiento, ventajas, limitaciones e implementación práctica de la Similitud de Pearson en Python.

¿Qué es la Similitud de Pearson?

La Similitud de Pearson es una medida estadística que cuantifica el grado de relación lineal entre dos conjuntos de valores.

En sistemas de recomendación se utiliza para comparar:

• Usuarios.
• Productos.
• Películas.
• Libros.
• Canciones.
• Cualquier elemento representado mediante un conjunto de valoraciones.

Su cálculo se basa en el Coeficiente de Correlación de Pearson, definido por la siguiente expresión:

$$
r=
\frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}
{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2}
\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}}
$$

donde:

• \(x_i\) representa los valores del primer vector.
• \(y_i\) representa los valores del segundo vector.
• \(\bar{x}[latex] y [latex]\bar{y}\) son las medias de ambos vectores.

El resultado indica el grado de asociación lineal entre ambos conjuntos de datos.

¿Cómo funciona?

La Similitud de Pearson no compara directamente las puntuaciones, sino el comportamiento relativo de cada usuario o elemento respecto a su propia media.

El proceso general consiste en:

1. Calcular la media de cada vector.
2. Restar la media a cada valor.
3. Calcular el producto entre ambas desviaciones.
4. Normalizar mediante las desviaciones estándar.
5. Obtener una puntuación comprendida entre -1 y 1.

Este enfoque permite eliminar el efecto de las diferencias individuales de escala.

Interpretación de los valores

El coeficiente de Pearson siempre se encuentra dentro del intervalo:

$$
-1 \le r \le 1
$$

La interpretación es la siguiente.

En sistemas de recomendación normalmente interesan las correlaciones positivas elevadas.

Ejemplo conceptual

Supongamos dos usuarios que valoran varias películas.

Aunque el Usuario B puntúa sistemáticamente dos estrellas menos, ambos muestran exactamente el mismo patrón de preferencias.

La Similitud de Pearson detectará una correlación muy próxima a 1, mientras que otras métricas basadas únicamente en las diferencias absolutas podrían considerar que ambos usuarios son menos similares.

Diferencia respecto a la Similitud del Coseno

Aunque ambas métricas comparan vectores, presentan diferencias importantes.

• La Similitud del Coseno compara la dirección de los vectores.
• La Similitud de Pearson compara cómo varían los valores respecto a sus medias.

Esto hace que Pearson resulte más adecuada cuando distintos usuarios utilizan escalas de valoración diferentes.

¿Por qué es importante en los sistemas de recomendación?

En muchos sistemas de recomendación, cada usuario posee un estilo propio al asignar puntuaciones.

Por ejemplo:

Aunque ambos disfruten exactamente de las mismas películas, sus puntuaciones absolutas serán distintas.

La Similitud de Pearson elimina este sesgo individual y permite identificar patrones de preferencia similares.

Por esta razón, ha sido una de las métricas clásicas del Filtrado Colaborativo Basado en Usuarios (User-Based Collaborative Filtering).

Beneficios

La Similitud de Pearson ofrece numerosas ventajas.

• Tiene en cuenta las diferencias individuales de escala.
• Detecta patrones de comportamiento similares.
• Reduce el efecto del sesgo en las valoraciones.
• Produce resultados fácilmente interpretables.
• Funciona especialmente bien con datos de puntuaciones.
• Es ampliamente utilizada en sistemas de recomendación clásicos.
• Se encuentra implementada en numerosas bibliotecas de Machine Learning.

¿Cuándo utilizar la Similitud de Pearson?

Es recomendable utilizarla cuando:

• Se comparan usuarios mediante puntuaciones.
• Existen diferencias en la escala utilizada por cada usuario.
• Se desarrollan sistemas de Filtrado Colaborativo.
• Se analizan relaciones lineales entre variables.
• Se trabaja con matrices Usuario-Ítem.
• Se desea identificar usuarios con gustos similares.

No suele ser la mejor opción para datos binarios o representaciones TF-IDF.

Ventajas y desventajas

Limitaciones

Aunque es una métrica muy potente, presenta ciertas limitaciones.

• Solo detecta relaciones lineales.
• Puede verse afectada por valores extremos.
• Requiere que ambos usuarios hayan valorado suficientes elementos comunes.
• Resulta poco fiable cuando existen muy pocas coincidencias.
• No es adecuada para datos binarios.
• En matrices muy dispersas puede producir correlaciones poco representativas.

En aplicaciones modernas suele combinarse con técnicas adicionales de ponderación o con modelos basados en factorización matricial.

Similitud de Pearson vs otras medidas

La elección depende del tipo de datos y del problema a resolver.

Aplicaciones en Data Science y Machine Learning

La Similitud de Pearson tiene aplicaciones en numerosos ámbitos.

Entre las más habituales destacan:

• Sistemas de recomendación.
• Filtrado colaborativo basado en usuarios.
• Filtrado colaborativo basado en elementos.
• Análisis de preferencias.
• Minería de datos.
• Análisis exploratorio de datos.
• Estadística.
• Análisis financiero.
• Bioinformática.
• Ciencias sociales.
• Psicometría.

Su principal aplicación sigue siendo la comparación de perfiles de usuarios mediante puntuaciones.

Implementación en Python

Calcular la correlación entre dos usuarios

import pandas as pd

usuario_a = pd.Series([5, 4, 5, 2])
usuario_b = pd.Series([3, 2, 3, 1])

correlacion = usuario_a.corr(usuario_b)

print(correlacion)

import pandas as pd

usuario_a = pd.Series([5, 4, 5, 2])
usuario_b = pd.Series([3, 2, 3, 1])

correlacion = usuario_a.corr(usuario_b)

print(correlacion)

Resultado:

1.0

1.0

Utilizando NumPy

import numpy as np

usuario_a = np.array([5, 4, 5, 2])
usuario_b = np.array([3, 2, 3, 1])

correlacion = np.corrcoef(
    usuario_a,
    usuario_b
)[0, 1]

print(correlacion)

import numpy as np

usuario_a = np.array([5, 4, 5, 2])
usuario_b = np.array([3, 2, 3, 1])

correlacion = np.corrcoef(
    usuario_a,
    usuario_b
)[0, 1]

print(correlacion)

Calcular la matriz de correlación

import pandas as pd

ratings = pd.DataFrame({
    "Usuario_A": [5, 4, 5, 2],
    "Usuario_B": [3, 2, 3, 1],
    "Usuario_C": [1, 5, 2, 4]
})

matriz = ratings.corr(method="pearson")

print(matriz)

import pandas as pd

ratings = pd.DataFrame({
    "Usuario_A": [5, 4, 5, 2],
    "Usuario_B": [3, 2, 3, 1],
    "Usuario_C": [1, 5, 2, 4]
})

matriz = ratings.corr(method="pearson")

print(matriz)

Resultado aproximado:

            Usuario_A  Usuario_B  Usuario_C
Usuario_A       1.000      1.000     -0.77
Usuario_B       1.000      1.000     -0.77
Usuario_C      -0.770     -0.770      1.00

            Usuario_A  Usuario_B  Usuario_C
Usuario_A       1.000      1.000     -0.77
Usuario_B       1.000      1.000     -0.77
Usuario_C      -0.770     -0.770      1.00

Esta matriz constituye la base de muchos algoritmos de recomendación basados en usuarios.

Encontrar los usuarios más similares

usuario = "Usuario_A"

similares = (
    matriz[usuario]
    .sort_values(ascending=False)
)

print(similares)

usuario = "Usuario_A"

similares = (
    matriz[usuario]
    .sort_values(ascending=False)
)

print(similares)

Este procedimiento permite identificar rápidamente los usuarios con patrones de valoración más parecidos.

Complejidad computacional

El cálculo de la Similitud de Pearson depende del número de observaciones compartidas.

Para dos vectores con n elementos comunes:

• El cálculo de una correlación tiene una complejidad aproximada de O(n).

Cuando se desea calcular la similitud entre todos los usuarios de una matriz:

• La complejidad puede aproximarse a O(m² · n),

donde:

• m representa el número de usuarios.
• n el número medio de elementos valorados.

En conjuntos de datos muy grandes suelen emplearse técnicas de reducción de dimensionalidad o aproximación de vecinos para reducir el coste computacional.

Buenas prácticas

Para utilizar correctamente la Similitud de Pearson se recomienda:

• Comparar únicamente usuarios con suficientes valoraciones en común.
• Eliminar valores atípicos cuando sea posible.
• Utilizar matrices de valoraciones limpias y consistentes.
• Complementar la correlación con un número mínimo de coincidencias.
• Evaluar otras medidas de similitud para comparar resultados.
• Validar experimentalmente el rendimiento del recomendador.

Conclusión

La Similitud de Pearson es una de las medidas más utilizadas para comparar usuarios y elementos en sistemas de recomendación basados en Filtrado Colaborativo. Al centrarse en la relación lineal entre las valoraciones y no en sus valores absolutos, permite identificar patrones de preferencias similares incluso cuando los usuarios utilizan escalas de puntuación diferentes.

Su facilidad de interpretación, su sólida base estadística y su amplia disponibilidad en bibliotecas como Pandas y NumPy la convierten en una herramienta muy valiosa para construir sistemas de recomendación clásicos. No obstante, su eficacia depende de disponer de suficientes valoraciones compartidas y de comprender sus limitaciones frente a datos dispersos o relaciones no lineales. Elegir la medida de similitud adecuada y validarla sobre el problema concreto sigue siendo un paso fundamental para desarrollar recomendadores precisos y robustos.

La Similitud del Coseno (Cosine Similarity) es una de las medidas de similitud más utilizadas en Ciencia de Datos, Machine Learning y Sistemas de Recomendación. Su principal objetivo es medir el grado de semejanza entre dos vectores analizando el ángulo que forman entre sí, en lugar de comparar directamente sus magnitudes.

Esta característica la convierte en una métrica especialmente útil cuando interesa comparar patrones de comportamiento o distribuciones de características, independientemente del tamaño o la cantidad de información contenida en cada vector. Por este motivo, la similitud del coseno es ampliamente utilizada en recomendadores basados en contenido, procesamiento del lenguaje natural (NLP), recuperación de información, búsqueda semántica y análisis de documentos.

¿Qué es la Similitud del Coseno?

La Similitud del Coseno es una medida matemática que cuantifica el grado de semejanza entre dos vectores calculando el coseno del ángulo que forman.

A diferencia de otras métricas como la distancia euclidiana, la similitud del coseno no compara la longitud de los vectores, sino únicamente su orientación.

Dos vectores que apuntan en la misma dirección tendrán una similitud máxima, aunque uno sea considerablemente mayor que el otro.

Matemáticamente se define como:

$$
\text{Cosine Similarity}=
\frac{\mathbf{A}\cdot\mathbf{B}}
{|\mathbf{A}||\mathbf{B}|}
$$

donde:

• A · B representa el producto escalar entre ambos vectores.
• ‖A‖ es la norma del vector A.
• ‖B‖ es la norma del vector B.

¿Cómo funciona?

El funcionamiento de la similitud del coseno puede resumirse en los siguientes pasos.

1. Representar cada elemento mediante un vector.
2. Calcular el producto escalar entre ambos vectores.
3. Calcular la norma de cada vector.
4. Dividir el producto escalar entre el producto de las normas.
5. Obtener una puntuación comprendida normalmente entre -1 y 1.

Cuanto menor sea el ángulo entre los vectores, mayor será la similitud.

Interpretación de los valores

El resultado depende del ángulo formado por ambos vectores.

En la mayoría de aplicaciones de recomendación y NLP, donde los vectores contienen valores no negativos, el rango efectivo suele estar entre 0 y 1.

Ejemplo conceptual

Supongamos dos usuarios que han puntuado películas.

Aunque las puntuaciones no sean exactamente iguales, ambos usuarios muestran un patrón muy parecido.

La similitud del coseno detectará esta semejanza porque los vectores apuntan prácticamente en la misma dirección.

¿Por qué es importante en los sistemas de recomendación?

En un recomendador basado en similitud interesa comparar los patrones de preferencias y no el número total de interacciones.

Por ejemplo:

Si ambos usuarios muestran preferencias similares, deberían considerarse parecidos aunque uno haya visto muchas más películas.

La similitud del coseno elimina el efecto del tamaño del vector y compara únicamente la dirección de las preferencias.

Beneficios

La similitud del coseno ofrece numerosas ventajas.

• Es independiente de la magnitud del vector.
• Funciona muy bien con datos dispersos (Sparse Data).
• Resulta especialmente adecuada para texto y documentos.
• Es ampliamente utilizada en sistemas de recomendación.
• Se integra fácilmente con algoritmos de Machine Learning.
• Es eficiente computacionalmente.
• Produce resultados fácilmente interpretables.

¿Cuándo utilizar la Similitud del Coseno?

Es recomendable utilizarla cuando:

• Se trabaja con documentos de texto.
• Se utilizan representaciones TF-IDF.
• Se emplean embeddings.
• Se desarrollan sistemas de recomendación basados en contenido.
• Se comparan perfiles de usuarios.
• Existen datos de alta dimensionalidad.
• La magnitud de los vectores no resulta relevante.

Es una de las mejores opciones cuando interesa comparar patrones más que cantidades absolutas.

Ventajas y desventajas

Limitaciones

Aunque es una de las métricas más utilizadas, presenta ciertas limitaciones.

• Ignora la magnitud de los vectores.
• No detecta diferencias en el volumen de información.
• Puede no ser apropiada para datos donde la distancia absoluta sea importante.
• Requiere que los datos puedan representarse mediante vectores.
• Cuando existen muchos vectores, el cálculo de todas las similitudes puede resultar costoso.

En aplicaciones de gran escala suele combinarse con técnicas de indexación o búsqueda aproximada de vecinos (Approximate Nearest Neighbors).

Similitud del Coseno vs otras medidas

La similitud del coseno suele ser la opción preferida cuando los datos presentan una alta dimensionalidad y son dispersos.

Aplicaciones en Data Science y Machine Learning

La Similitud del Coseno tiene aplicaciones en numerosos ámbitos.

Entre las más habituales destacan:

• Sistemas de recomendación.
• Procesamiento del Lenguaje Natural (NLP).
• Recuperación de información.
• Motores de búsqueda.
• Búsqueda semántica.
• Clasificación de documentos.
• Detección de documentos similares.
• Comparación de embeddings.
• Clustering.
• Recuperación de imágenes.
• Sistemas de preguntas y respuestas.
• Inteligencia Artificial Generativa (RAG).

Es una de las métricas más utilizadas para comparar representaciones vectoriales.

Implementación en Python

Calcular la similitud entre dos vectores

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

A = np.array([[2, 3]])
B = np.array([[4, 6]])

similaridad = cosine_similarity(A, B)

print(similaridad)

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

A = np.array([[2, 3]])
B = np.array([[4, 6]])

similaridad = cosine_similarity(A, B)

print(similaridad)

[[1.]]

[[1.]]

Comparar varios vectores

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

X = np.array([
    [2, 3],
    [4, 6],
    [5, 1]
])

similaridad = cosine_similarity(X)

print(similaridad)

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

X = np.array([
    [2, 3],
    [4, 6],
    [5, 1]
])

similaridad = cosine_similarity(X)

print(similaridad)

Resultado aproximado:

[[1.00 1.00 0.69]
 [1.00 1.00 0.69]
 [0.69 0.69 1.00]]

[[1.00 1.00 0.69]
 [1.00 1.00 0.69]
 [0.69 0.69 1.00]]

La matriz obtenida contiene la similitud entre todos los pares de vectores.

Similitud del Coseno con TF-IDF

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

documentos = [
    "Machine learning con Python",
    "Aprendizaje automático usando Python",
    "Recetas de cocina italiana"
]

vectorizador = TfidfVectorizer()

X = vectorizador.fit_transform(documentos)

similaridad = cosine_similarity(X)

print(similaridad)

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

documentos = [
    "Machine learning con Python",
    "Aprendizaje automático usando Python",
    "Recetas de cocina italiana"
]

vectorizador = TfidfVectorizer()

X = vectorizador.fit_transform(documentos)

similaridad = cosine_similarity(X)

print(similaridad)

Este es uno de los usos más habituales de la Similitud del Coseno en procesamiento del lenguaje natural.

Obtener los elementos más similares

import numpy as np

indice = 0

similares = np.argsort(
    similaridad[indice]
)[::-1]

print(similares)

import numpy as np

indice = 0

similares = np.argsort(
    similaridad[indice]
)[::-1]

print(similares)

Esta técnica constituye la base de numerosos sistemas de recomendación basados en contenido.

Complejidad computacional

El cálculo de la similitud del coseno depende del número de vectores y de su dimensionalidad.

En una matriz con n vectores y d características:

• El cálculo entre dos vectores tiene una complejidad aproximada de O(d).
• Calcular todas las similitudes entre n vectores requiere aproximadamente O(n² · d).

En conjuntos de datos muy grandes suele recurrirse a técnicas como:

• Índices vectoriales.
• Approximate Nearest Neighbors (ANN).
• FAISS.
• Annoy.
• HNSW.

Estas herramientas permiten acelerar significativamente la búsqueda de elementos similares.

Buenas prácticas

Para utilizar correctamente la Similitud del Coseno se recomienda:

• Representar correctamente los datos mediante vectores.
• Utilizar TF-IDF cuando se comparan documentos.
• Emplear embeddings cuando se trabaja con información semántica.
• Normalizar los datos cuando sea necesario.
• Evaluar distintas medidas de similitud antes de seleccionar una.
• Utilizar técnicas de búsqueda aproximada cuando existan millones de vectores.
• Validar experimentalmente el rendimiento del sistema de recomendación.

Conclusión

La Similitud del Coseno es una de las métricas más importantes dentro de los sistemas de recomendación y del análisis de datos vectoriales. Al comparar la orientación de los vectores en lugar de su magnitud, permite identificar patrones de comportamiento similares incluso cuando existen diferencias significativas en la cantidad de información disponible.

Su facilidad de implementación, su eficiencia y su excelente rendimiento con datos dispersos la han convertido en una herramienta fundamental en áreas como el procesamiento del lenguaje natural, la recuperación de información, los sistemas de recomendación basados en contenido y las aplicaciones modernas basadas en embeddings. Comprender su funcionamiento, ventajas y limitaciones resulta esencial para seleccionar la medida de similitud más adecuada en cada problema de Data Science y Machine Learning.

Las medidas de similitud constituyen uno de los componentes fundamentales de los sistemas de recomendación modernos. Su objetivo es cuantificar el grado de semejanza entre usuarios, productos o cualquier otro tipo de elemento para identificar patrones comunes y generar recomendaciones personalizadas.

En un sistema de recomendación, la calidad de las sugerencias depende en gran medida de la capacidad del algoritmo para encontrar usuarios con gustos similares o elementos con características parecidas. Para ello, se utilizan funciones matemáticas conocidas como medidas de similitud, capaces de transformar la relación entre dos objetos en un valor numérico que representa su nivel de semejanza.

Existen numerosas medidas de similitud, cada una diseñada para diferentes tipos de datos y problemas. Algunas son especialmente adecuadas para datos numéricos, mientras que otras funcionan mejor con texto, datos binarios o vectores de alta dimensión. En este artículo se presenta una visión conceptual de las principales medidas utilizadas en sistemas de recomendación. En artículos posteriores se estudiará cada una de ellas de forma individual.

¿Qué son las medidas de similitud?

Las medidas de similitud son funciones matemáticas que permiten cuantificar el grado de parecido entre dos objetos.

Dependiendo del sistema de recomendación, estos objetos pueden representar:

• Usuarios.
• Productos.
• Películas.
• Libros.
• Canciones.
• Artículos.
• Documentos.
• Imágenes.
• Productos de comercio electrónico.

El resultado del cálculo suele expresarse mediante una puntuación que indica cuánto se parecen ambos elementos.

En general:

• Un valor elevado indica una mayor similitud.
• Un valor reducido indica una menor similitud.

La interpretación exacta depende de la medida utilizada.

¿Por qué son importantes en los sistemas de recomendación?

Las medidas de similitud constituyen el mecanismo que permite a un sistema decidir qué usuarios o elementos son comparables.

Gracias a ellas es posible:

• Recomendar productos similares.
• Encontrar usuarios con gustos parecidos.
• Descubrir contenido relacionado.
• Personalizar recomendaciones.
• Mejorar la experiencia del usuario.
• Incrementar la precisión del sistema.

Sin una medida de similitud adecuada, un recomendador no tendría un criterio objetivo para seleccionar los elementos más relevantes.

¿Cómo funcionan?

Aunque cada métrica utiliza una formulación matemática diferente, el proceso general suele seguir los mismos pasos.

1. Representar usuarios o elementos mediante un conjunto de características.
2. Seleccionar la medida de similitud adecuada.
3. Comparar los pares de elementos.
4. Obtener una puntuación de similitud.
5. Ordenar los resultados.
6. Recomendar los elementos más similares.

Este procedimiento constituye la base de numerosos algoritmos de recomendación.

Representación de los datos

Antes de calcular la similitud, es necesario transformar la información en una representación adecuada.

Las representaciones más habituales son:

• Matriz Usuario-Ítem.
• Matriz Ítem-Características.
• Variables numéricas.
• Variables binarias.
• TF-IDF.
• Embeddings.
• Vectores de características.

La elección de la representación condiciona la medida de similitud más apropiada.

Principales medidas de similitud

Existen numerosas métricas de similitud. Cada una presenta ventajas para determinados tipos de datos.

Similitud del Coseno

La similitud del coseno mide el ángulo existente entre dos vectores, independientemente de su longitud.

Es especialmente adecuada para:

• Documentos.
• TF-IDF.
• Embeddings.
• Sistemas basados en contenido.
• Procesamiento del Lenguaje Natural (NLP).

Su rango habitual es:

• 1 → máxima similitud.
• 0 → sin relación.
• -1 → direcciones opuestas (cuando existen valores negativos).

Correlación de Pearson

La correlación de Pearson mide el grado de relación lineal entre dos variables o vectores.

En sistemas de recomendación se utiliza principalmente para comparar usuarios o elementos teniendo en cuenta sus patrones de valoración.

Es especialmente útil cuando interesa comparar preferencias independientemente de la escala utilizada por cada usuario.

Índice de Jaccard

El índice de Jaccard compara dos conjuntos mediante la proporción de elementos compartidos respecto al total de elementos distintos.

Es especialmente adecuado para:

• Datos binarios.
• Etiquetas.
• Intereses.
• Preferencias.
• Sistemas donde únicamente interesa conocer si existe o no una interacción.

Distancia Euclidiana

La distancia euclidiana mide la distancia geométrica entre dos puntos en un espacio multidimensional.

Cuanto menor sea la distancia, mayor será la similitud entre ambos objetos.

Se utiliza principalmente con:

• Variables numéricas.
• Sistemas híbridos.
• Modelos basados en distancias.

Distancia Manhattan

La distancia Manhattan calcula la distancia entre dos puntos sumando las diferencias absolutas de cada dimensión.

Su nombre proviene de la disposición en cuadrícula de las calles de Manhattan, donde la distancia real se mide recorriendo calles horizontales y verticales en lugar de una línea recta.

Es especialmente útil cuando:

• Los datos presentan muchas dimensiones.
• Se utilizan variables numéricas.
• Se desea reducir la influencia de valores extremos respecto a otras métricas.

Será desarrollada en un artículo independiente.

Comparación entre las principales medidas

Cada una resulta más adecuada para determinados tipos de datos y problemas.

¿Cómo elegir una medida de similitud?

La elección depende principalmente de la naturaleza de los datos.

Como orientación general:

• Similitud del Coseno para documentos, texto y embeddings.
• Correlación de Pearson para valoraciones de usuarios.
• Índice de Jaccard para datos binarios.
• Distancia Euclidiana para variables numéricas continuas.
• Distancia Manhattan cuando interesa una métrica menos sensible a determinadas distribuciones de los datos.

No existe una medida universalmente superior; la elección debe adaptarse al problema y validarse experimentalmente.

Ejemplos de utilización

• Plataforma de películas: Se comparan usuarios según las películas que han valorado para recomendar nuevos títulos.
• Comercio electrónico: Se comparan productos mediante sus características para recomendar artículos similares.
• Plataforma musical: Se identifican usuarios con hábitos de escucha parecidos para sugerir nuevas canciones.
• Portal de noticias: Se comparan artículos utilizando sus descripciones para recomendar contenido relacionado.

Beneficios

El uso de medidas de similitud ofrece numerosas ventajas.

• Permiten personalizar las recomendaciones.
• Mejoran la precisión del sistema.
• Facilitan el descubrimiento de nuevos contenidos.
• Incrementan la satisfacción del usuario.
• Constituyen la base de numerosos algoritmos de recomendación.
• Son aplicables a múltiples dominios.

¿Cuándo utilizar medidas de similitud?

Es recomendable utilizarlas cuando:

• Se desarrollan sistemas de recomendación.
• Se comparan perfiles de usuarios.
• Se buscan elementos similares.
• Se trabaja con filtrado colaborativo.
• Se implementan sistemas basados en contenido.
• Se desarrollan motores de búsqueda.
• Se realizan tareas de recuperación de información.

Ventajas y desventajas

Limitaciones

Aunque son fundamentales en los sistemas de recomendación, presentan algunas limitaciones.

• La calidad de las recomendaciones depende de la calidad de los datos.
• Algunas medidas no funcionan correctamente con datos muy dispersos.
• El cálculo puede resultar costoso cuando existen millones de usuarios o elementos.
• No todas las métricas capturan relaciones semánticas complejas.
• Algunas requieren normalización o preprocesamiento previo.

Por ello, en aplicaciones reales suelen combinarse con técnicas de reducción de dimensionalidad, aprendizaje profundo o búsquedas aproximadas de vecinos.

Relación con los tipos de sistemas de recomendación

Las medidas de similitud se utilizan de forma diferente según el tipo de recomendador.

Cada arquitectura selecciona la medida que mejor representa la relación entre usuarios o elementos.

Aplicaciones en Data Science y Machine Learning

Las medidas de similitud no se limitan a los sistemas de recomendación. También aparecen en numerosas áreas de la Ciencia de Datos. Algunas aplicaciones incluyen:

• Sistemas de recomendación.
• Procesamiento del Lenguaje Natural (NLP).
• Motores de búsqueda.
• Recuperación de información.
• Clustering.
• Clasificación mediante KNN.
• Detección de fraude.
• Visión por computador.
• Bioinformática.
• Detección de documentos duplicados.

Implementación básica en Python

Aunque cada medida dispone de su propia implementación, Scikit-Learn proporciona funciones para calcular muchas de ellas.

Similitud del Coseno

from sklearn.metrics.pairwise import cosine_similarity
similaridad = cosine_similarity(X)

from sklearn.metrics.pairwise import cosine_similarity
similaridad = cosine_similarity(X)

Correlación de Pearson

import pandas as pd
correlacion = df.corr(method="pearson")

import pandas as pd
correlacion = df.corr(method="pearson")

Índice de Jaccard

from sklearn.metrics import jaccard_score
score = jaccard_score(y_true, y_pred)

from sklearn.metrics import jaccard_score
score = jaccard_score(y_true, y_pred)

Distancia Euclidiana

from sklearn.metrics.pairwise import euclidean_distances
distancias = euclidean_distances(X)

from sklearn.metrics.pairwise import euclidean_distances
distancias = euclidean_distances(X)

Distancia Manhattan

from sklearn.metrics.pairwise import manhattan_distances
distancias = manhattan_distances(X)

from sklearn.metrics.pairwise import manhattan_distances
distancias = manhattan_distances(X)

En los artículos dedicados a cada medida se profundizará en su formulación matemática, interpretación e implementación práctica.

Buenas prácticas

Para utilizar correctamente las medidas de similitud se recomienda:

• Seleccionar la métrica según el tipo de datos.
• Normalizar las variables cuando sea necesario.
• Evaluar varias medidas antes de elegir una.
• Reducir la dimensionalidad cuando existan muchas variables.
• Validar experimentalmente el rendimiento del sistema.
• Optimizar el cálculo de similitudes en conjuntos de datos muy grandes.
• Documentar la métrica utilizada y justificar su elección.

Conclusión

Las medidas de similitud constituyen uno de los pilares fundamentales de los sistemas de recomendación, ya que permiten cuantificar objetivamente el grado de semejanza entre usuarios, productos o cualquier otro tipo de elemento. La elección de una métrica adecuada influye directamente en la calidad de las recomendaciones y debe realizarse teniendo en cuenta la naturaleza de los datos y el tipo de recomendador implementado.

Métricas como la Similitud del Coseno, la Correlación de Pearson, el Índice de Jaccard, la Distancia Euclidiana y la Distancia Manhattan representan algunos de los enfoques más utilizados debido a su eficacia y versatilidad. En los siguientes artículos se estudiará cada una de estas medidas de forma individual, analizando sus fundamentos matemáticos, ventajas, limitaciones, implementación en Python y aplicaciones prácticas dentro de los sistemas de recomendación.

Transformar un problema de negocio en un problema de Ciencia de Datos

Una vez comprendido el problema del mundo real durante la fase de Business Understanding, el siguiente paso consiste en determinar cómo puede resolverse mediante técnicas de Ciencia de Datos.

Esta etapa recibe el nombre de Analytic Approach (Enfoque Analítico) y constituye el puente entre el conocimiento del dominio y la implementación técnica de la solución.

Mientras que en la fase anterior se definieron el problema, los objetivos, los usuarios, las restricciones y los criterios de éxito, en esta etapa se responde a una nueva pregunta:

¿Qué tipo de análisis o de solución basada en Ciencia de Datos permitirá resolver este problema?

Es importante destacar que todavía no se seleccionan algoritmos concretos. No se decide si utilizar Random Forest, XGBoost, Redes Neuronales o cualquier otro modelo. Esas decisiones pertenecen a la fase de Modeling.

En esta etapa únicamente se determina cuál es el enfoque analítico más adecuado para abordar el problema.

¿Qué es Analytic Approach?

Analytic Approach es la fase de la metodología en la que se transforma un problema del mundo real en un problema de Ciencia de Datos.

Su finalidad es identificar el tipo de solución analítica más apropiada para alcanzar los objetivos definidos durante la fase de Business Understanding.

Dependiendo del problema, la solución podrá abordarse mediante:

• Clasificación.
• Regresión.
• Series temporales.
• Clustering.
• Sistemas de recomendación.
• Detección de anomalías.
• Procesamiento del Lenguaje Natural (NLP).
• Visión Artificial.
• Inteligencia Artificial Generativa.
• Otras técnicas de aprendizaje automático.

La elección del enfoque condicionará todas las etapas posteriores del proyecto, incluyendo los datos necesarios, las métricas de evaluación y los modelos que finalmente podrán utilizarse.

¿Por qué constituye una etapa independiente?

Uno de los errores más frecuentes consiste en pasar directamente desde la comprensión del negocio al análisis de los datos.

Sin embargo, antes de comenzar a trabajar con el dataset es necesario responder una cuestión fundamental:

¿Qué tipo de problema voy a resolver?

La respuesta determinará completamente el desarrollo posterior del proyecto.

Por ejemplo, supongamos que queremos desarrollar un sistema relacionado con el almacenamiento global de agua.

Dependiendo del objetivo planteado durante la fase de Business Understanding, el enfoque analítico podría ser completamente distinto.

Objetivo 1

Estimar cuánta agua estará almacenada dentro de seis meses.

En este caso el problema corresponde a una regresión o a una predicción de series temporales.

Objetivo 2

Determinar si una región sufrirá una sequía.

Ahora el problema pasa a ser una clasificación binaria.

Objetivo 3

Agrupar regiones con comportamientos hidrológicos similares.

En este caso el enfoque adecuado sería un problema de clustering.

Objetivo 4

Detectar comportamientos anómalos en los sensores.

Aquí el problema pertenece al ámbito de la detección de anomalías.

Como puede observarse, el conjunto de datos podría ser exactamente el mismo, mientras que el enfoque analítico cambia completamente según el objetivo del proyecto.

Por este motivo, esta fase debe realizarse antes de comenzar el análisis de los datos.

Objetivos de Analytic Approach

El propósito de esta etapa consiste en definir cómo será abordado el problema desde el punto de vista de la Ciencia de Datos.

Entre sus principales objetivos destacan:

• Traducir el problema de negocio a un problema analítico.
• Seleccionar el tipo de aprendizaje más adecuado.
• Definir el objetivo que deberá aprender el modelo.
• Determinar cómo se evaluará el rendimiento de la solución.
• Establecer las bases técnicas del proyecto.

Esta información servirá como guía para todas las fases posteriores de la metodología.

Relación con Business Understanding

Aunque ambas etapas están estrechamente relacionadas, persiguen objetivos diferentes.

Business Understanding responde a la pregunta:

¿Qué problema necesita resolverse?

Mientras que Analytic Approach responde:

¿Qué tipo de solución basada en Ciencia de Datos puede resolver ese problema?

Por ejemplo:

Business Understanding

Problema:

Las autoridades sanitarias desean aumentar la cobertura de vacunación frente a la gripe H1N1.

Analytic Approach

Enfoque:

Construir un modelo de clasificación binaria capaz de predecir la probabilidad de que una persona acepte vacunarse.

Todavía no se ha elegido ningún algoritmo.

Únicamente se ha identificado el tipo de problema analítico.

Preguntas que debe responder Analytic Approach

Antes de continuar con la metodología, esta fase debería responder, al menos, las siguientes cuestiones.

¿Qué tipo de problema representa?

Es la pregunta principal de esta etapa.

Algunas posibilidades habituales son:

• Clasificación.
• Regresión.
• Series temporales.
• Clustering.
• Detección de anomalías.
• Recomendación.
• Procesamiento del Lenguaje Natural.
• Visión Artificial.

La respuesta condicionará completamente el resto del proyecto.

¿Qué variable o fenómeno se desea predecir?

Debe definirse claramente cuál será el objetivo del modelo.

Por ejemplo:

Proyecto H1N1

Variable objetivo:

• Vacunado.
• No vacunado.

Proyecto de almacenamiento global de agua

Variable objetivo:

• Volumen de agua almacenada.

Proyecto de fraude bancario

Variable objetivo:

• Operación fraudulenta.
• Operación legítima.

¿Qué tipo de aprendizaje será necesario?

Una vez definido el problema, debe determinarse el paradigma de aprendizaje más adecuado.

Algunas posibilidades son:

• Aprendizaje supervisado.
• Aprendizaje no supervisado.
• Aprendizaje semi-supervisado.
• Aprendizaje por refuerzo.

En la mayoría de competiciones de Machine Learning el problema suele pertenecer al aprendizaje supervisado.

¿Cómo se evaluará el éxito?

Antes de construir ningún modelo debe definirse la métrica que permitirá comparar distintas soluciones.

Algunos ejemplos son:

• Accuracy.
• Precision.
• Recall.
• F1-Score.
• ROC-AUC.
• RMSE.
• MAE.
• MAPE.

La elección de la métrica dependerá completamente del tipo de problema identificado.

Flujo de trabajo de Analytic Approach

Aunque cada proyecto presenta particularidades, esta fase suele desarrollarse siguiendo una secuencia bastante estable.

1. Revisar los objetivos definidos durante Business Understanding

Antes de seleccionar un enfoque analítico es necesario verificar que los objetivos del proyecto están claramente definidos.

Esta fase no debe modificar el problema de negocio, sino utilizarlo como punto de partida.

2. Traducir el problema del dominio a un problema analítico

Consiste en expresar el problema utilizando el lenguaje propio de la Ciencia de Datos.

Por ejemplo:

Problema del dominio

Identificar qué personas aceptarán vacunarse.

↓

Problema analítico

Clasificación binaria.

3. Determinar el tipo de aprendizaje

En función del problema identificado, se selecciona el paradigma de aprendizaje más adecuado.

Por ejemplo:

• Supervisado.
• No supervisado.
• Semi-supervisado.
• Aprendizaje por refuerzo.

4. Definir la variable objetivo

Debe establecerse claramente cuál será la salida esperada del modelo.

En algunos proyectos será una categoría; en otros, un valor continuo o incluso una secuencia temporal.

5. Seleccionar las métricas de evaluación

Por último, se definen las métricas que permitirán medir objetivamente el rendimiento del modelo durante las fases posteriores del proyecto.

Estas métricas deberán mantenerse durante todo el ciclo de desarrollo para garantizar una evaluación consistente.

Resultado esperado de Analytic Approach

Al finalizar esta etapa debe existir un documento técnico que describa con claridad:

• El tipo de problema de Ciencia de Datos que representa el proyecto.
• El paradigma de aprendizaje seleccionado.
• La variable objetivo que aprenderá el modelo.
• Las métricas que permitirán evaluar su rendimiento.
• La justificación del enfoque analítico elegido.

Este documento servirá como puente entre el conocimiento del dominio adquirido durante Business Understanding y las siguientes fases de la metodología, comenzando por Data Requirements, donde se definirán los datos necesarios para desarrollar la solución propuesta.

La primera etapa de cualquier proyecto de Ciencia de Datos

Todo proyecto de Ciencia de Datos comienza mucho antes de cargar un conjunto de datos o escribir la primera línea de código. Antes de seleccionar algoritmos, analizar variables o entrenar modelos de Machine Learning, es imprescindible comprender el problema que se pretende resolver.

Esta fase inicial recibe el nombre de Business Understanding (Comprensión del negocio) y constituye el punto de partida de metodologías ampliamente utilizadas como CRISP-DM, IBM Data Science Methodology o Team Data Science Process (TDSP).

Aunque su nombre hace referencia al “negocio”, este concepto no debe interpretarse únicamente en un contexto empresarial. El término business hace referencia al dominio del problema, independientemente de que se trate de una empresa, una administración pública, una investigación científica, una competición de Machine Learning o un proyecto personal.

Por ejemplo:

• En un proyecto sobre predicción del almacenamiento global de agua, el “negocio” es la hidrología y la gestión de los recursos hídricos.
• En un proyecto de predicción de vacunación frente a la gripe H1N1, el dominio corresponde a la salud pública y la epidemiología.
• En un sistema de detección de fraude, el contexto es el sector financiero.
• En un recomendador de cursos, el dominio es la educación.

En todos los casos, el objetivo es el mismo: comprender el problema real antes de intentar resolverlo mediante ciencia de datos.

¿Qué es Business Understanding?

Business Understanding es la fase en la que se analiza el problema desde el punto de vista del dominio de aplicación para definir claramente qué se pretende conseguir, por qué es importante resolverlo y cómo se medirá el éxito del proyecto.

Durante esta etapa todavía no se trabaja con los datos. El foco se sitúa en comprender el contexto, las necesidades y las limitaciones del problema. En otras palabras, esta fase responde a preguntas como:

• ¿Qué problema se quiere resolver?
• ¿Por qué existe ese problema?
• ¿Quién necesita la solución?
• ¿Qué impacto tendrá resolverlo?
• ¿Cómo se evaluará el éxito del proyecto?
• ¿Qué papel desempeñará la ciencia de datos en la solución?

El resultado debe ser una definición precisa del problema que sirva de guía para todas las fases posteriores.

¿Por qué es la primera etapa del proyecto?

Una de las causas más frecuentes de fracaso en proyectos de Ciencia de Datos consiste en desarrollar modelos técnicamente muy buenos para resolver un problema que nunca fue correctamente definido.

Es habitual comenzar un proyecto abriendo un archivo CSV y explorando las variables disponibles. Sin embargo, hacerlo sin comprender previamente el contexto puede conducir a errores importantes.

Por ejemplo, imaginemos un proyecto cuyo objetivo es predecir el almacenamiento global de agua.

Si el científico de datos desconoce cómo funciona el ciclo hidrológico, difícilmente podrá interpretar correctamente variables relacionadas con:

• Precipitaciones.
• Evapotranspiración.
• Humedad del suelo.
• Acuíferos.
• Embalses.
• Cobertura de nieve.
• Temperatura.

Del mismo modo, en un proyecto sobre vacunación frente a la gripe H1N1 resulta fundamental comprender previamente aspectos como:¿

• ¿Cómo se desarrollan las campañas de vacunación?
• ¿Qué factores influyen en la decisión de vacunarse?
• ¿Qué grupos presentan mayor riesgo?
• ¿Qué utilidad tendría predecir la aceptación de la vacuna?

Este conocimiento permitirá posteriormente interpretar correctamente las variables del conjunto de datos y tomar decisiones de preprocesamiento mucho más fundamentadas.

Objetivos de Business Understanding

La fase de Business Understanding persigue varios objetivos fundamentales:

• Comprender el problema desde la perspectiva del dominio de aplicación.
• Definir claramente los objetivos del proyecto.
• Identificar quién utilizará los resultados.
• Establecer los criterios que determinarán el éxito del proyecto.
• Detectar restricciones técnicas, temporales o legales.
• Transformar un problema del mundo real en un problema susceptible de resolverse mediante ciencia de datos.

Todos estos objetivos constituyen la base sobre la que se construirá el resto del proyecto.

Preguntas que debe responder Business Understanding

Antes de continuar con la metodología, esta fase debería permitir responder, como mínimo, a las siguientes preguntas:

¿Cuál es el problema real?

Debe describirse el problema utilizando el lenguaje propio del dominio, evitando hablar todavía de algoritmos o modelos.

Por ejemplo:

Incorrecto

Desarrollar un modelo de clasificación.

Correcto

Identificar qué personas presentan mayor probabilidad de vacunarse frente a la gripe H1N1 para optimizar las campañas de salud pública.

¿Por qué es importante resolverlo?

Todo proyecto debe aportar algún tipo de valor.

Ese valor puede traducirse en:

• Reducción de costes.
• Optimización de recursos.
• Mejora de procesos.
• Incremento de beneficios.
• Apoyo a la toma de decisiones.
• Generación de conocimiento científico.

¿Quién utilizará la solución?

Es importante identificar a los usuarios finales del proyecto. Conocer a los destinatarios ayuda a orientar correctamente el desarrollo del proyecto. Dependiendo del caso, pueden ser:

• Empresas.
• Organismos públicos.
• Investigadores.
• Médicos.
• Ingenieros.
• Agricultores.
• Usuarios finales.

¿Qué impacto tendrá la solución?

Debe explicarse cómo contribuirá el proyecto a resolver el problema identificado. Por ejemplo: En un proyecto de predicción del almacenamiento global de agua, un sistema de predicción preciso podría permitir:

• Anticipar periodos de sequía.
• Optimizar la gestión de embalses.
• Mejorar la planificación agrícola.
• Facilitar la toma de decisiones por parte de las administraciones públicas.

En un proyecto de predicción de vacunación H1N1, el modelo podría utilizarse para:

• Identificar grupos con baja probabilidad de vacunación.
• Diseñar campañas de concienciación más eficaces.
• Optimizar la distribución de recursos sanitarios.

Resultado esperado de Business Understanding

Al finalizar esta fase todavía no se ha analizado ningún dato.

Sin embargo, el equipo debe disponer de un documento que describa con claridad:

• El problema que se pretende resolver.
• El contexto del dominio.
• Los objetivos del proyecto.
• Los usuarios o entidades interesados.
• El impacto esperado.
• Las restricciones conocidas.
• Los criterios que determinarán el éxito del proyecto.

Este documento constituye la referencia para todas las fases posteriores de la metodología y permite asegurar que el desarrollo técnico del proyecto permanezca alineado con el problema real que se desea resolver.

Flujo de trabajo de Business Understanding

Aunque cada proyecto presenta características particulares, la fase de Business Understanding suele seguir una secuencia de trabajo bastante similar. El objetivo es comprender completamente el problema antes de comenzar a trabajar con los datos.

Una metodología reproducible puede estructurarse en las siguientes tareas.

1. Definir el problema del mundo real

El primer paso consiste en describir el problema utilizando el lenguaje propio del dominio y no el de la Ciencia de Datos. En esta etapa todavía no se habla de algoritmos, variables o modelos predictivos.

Por ejemplo:

Proyecto de almacenamiento global de agua

Los recursos hídricos disponibles disminuyen debido al cambio climático y a la creciente demanda de agua. Disponer de predicciones precisas del almacenamiento de agua permitiría mejorar la planificación y gestión de estos recursos.

Proyecto H1N1

No todas las personas aceptan vacunarse frente a la gripe H1N1. Identificar los factores asociados a la vacunación puede ayudar a mejorar las campañas de salud pública.

Sistema de detección de fraude

Las entidades financieras necesitan detectar operaciones fraudulentas antes de que provoquen pérdidas económicas.

El resultado de esta tarea debe ser una descripción clara del problema que cualquier persona pueda comprender sin necesidad de conocimientos técnicos.

2. Comprender el dominio del problema

Una vez definido el problema, es necesario estudiar cómo funciona el dominio en el mundo real. Esta es probablemente la actividad más importante de toda la fase de Business Understanding. El objetivo consiste en responder preguntas como:

• ¿Cómo funciona realmente el proceso?
• ¿Qué factores intervienen?
• ¿Qué conceptos son fundamentales?
• ¿Qué organismos o entidades participan?
• ¿Qué indicadores son relevantes?

Por ejemplo, antes de analizar un conjunto de datos sobre almacenamiento global de agua sería recomendable comprender conceptos como:

• Ciclo hidrológico.
• Aguas superficiales.
• Aguas subterráneas.
• Humedad del suelo.
• Evapotranspiración.
• Cobertura de nieve.
• Embalses.
• Acuíferos.
• Balance hídrico.

En un proyecto sanitario sería conveniente estudiar previamente:

• Funcionamiento de la enfermedad.
• Factores de riesgo.
• Protocolos médicos.
• Variables epidemiológicas.
• Campañas de prevención.

Este conocimiento permitirá posteriormente interpretar correctamente las variables del conjunto de datos.

3. Identificar a los interesados (Stakeholders)

Todo proyecto pretende aportar valor a uno o varios usuarios. Conocer a los usuarios finales ayuda a comprender mejor cuáles son sus necesidades y expectativas. Es importante identificar quién utilizará los resultados obtenidos.

Algunos ejemplos son:

• Empresas.
• Administraciones públicas.
• Hospitales.
• Investigadores.
• Departamentos de marketing.
• Agricultores.
• Organismos internacionales.

4. Definir los objetivos del proyecto

Una vez comprendido el problema, deben establecerse los objetivos concretos que se pretenden alcanzar. Estos objetivos deben describirse desde la perspectiva del negocio o del dominio de aplicación.

Por ejemplo:

Proyecto de almacenamiento global de agua

• Mejorar la gestión de los recursos hídricos.
• Anticipar periodos de sequía.
• Facilitar la planificación agrícola.

Proyecto H1N1

• Incrementar la cobertura vacunal.
• Identificar grupos de riesgo.
• Optimizar las campañas de vacunación.

Todavía no se habla del algoritmo que se utilizará.

5. Identificar restricciones

Todo proyecto presenta limitaciones que condicionan el desarrollo de la solución. Entre las más habituales se encuentran:

• Disponibilidad de datos.
• Calidad de los datos.
• Tiempo disponible.
• Recursos computacionales.
• Restricciones legales.
• Coste económico.
• Requisitos de interpretabilidad.

Estas restricciones deberán tenerse en cuenta durante todo el proyecto.

6. Identificar riesgos

También resulta conveniente identificar los posibles riesgos antes de comenzar el análisis.

Por ejemplo:

• Datos incompletos.
• Sesgos en el conjunto de datos.
• Cambios futuros en el fenómeno estudiado.
• Errores de medición.
• Información desactualizada.

Detectar estos riesgos desde el principio facilita la planificación del proyecto.

7. Definir los criterios de éxito

Uno de los errores más frecuentes consiste en considerar que un proyecto tiene éxito simplemente porque el modelo obtiene una buena métrica. En realidad, el éxito debe definirse antes de comenzar el proyecto.

Algunos ejemplos podrían ser:

• Superar el rendimiento del modelo base.
• Alcanzar un determinado valor de ROC-AUC.
• Reducir el error de predicción.
• Disminuir el número de falsos negativos.
• Obtener un modelo suficientemente interpretable.
• Reducir el tiempo de cálculo.

Estos criterios servirán posteriormente para evaluar si la solución realmente cumple los objetivos planteados.

8. Traducir el problema a Ciencia de Datos

La última tarea consiste en transformar el problema del mundo real en un problema que pueda resolverse mediante técnicas de Ciencia de Datos. Esta transición marca el final de la fase de Business Understanding y el comienzo de la siguiente etapa de la metodología.

Por ejemplo:

A partir de este momento el proyecto ya está preparado para definir el enfoque analítico (Analytic Approach) y comenzar la planificación técnica de la solución.

Resultado esperado de la fase

Al finalizar Business Understanding se debe disponer de un documento que describa de forma clara y estructurada:

• El problema que se pretende resolver.
• El contexto del dominio.
• Los conceptos fundamentales del área de conocimiento.
• Los objetivos del proyecto.
• Los usuarios o entidades interesadas.
• Las restricciones existentes.
• Los riesgos identificados.
• Los criterios de éxito.
• La traducción del problema a un problema de Ciencia de Datos.

Este documento constituye la referencia para todas las etapas posteriores y permite mantener el proyecto alineado con las necesidades reales del dominio de aplicación, evitando que las decisiones técnicas se tomen desconectadas del problema que se desea resolver.