Los Data Requirements (Requisitos de Datos) constituyen una de las primeras actividades dentro de la metodología de la Ciencia de Datos. Su objetivo consiste en definir de forma precisa qué datos serán necesarios para responder al problema de negocio y desarrollar un modelo analítico capaz de cumplir los objetivos establecidos.
Una definición adecuada de los requisitos de datos evita recopilar información innecesaria, reduce costes, acelera el desarrollo del proyecto y aumenta las probabilidades de éxito del modelo. Por el contrario, una definición incorrecta puede provocar retrasos, ausencia de información crítica o la imposibilidad de responder a las preguntas planteadas durante la fase de Business Understanding.
Los Data Requirements actúan como el puente entre la comprensión del negocio y la recopilación de datos, permitiendo transformar los objetivos empresariales en necesidades concretas de información.
¿Qué son los Data Requirements?
Los Data Requirements son el conjunto de especificaciones que describen los datos necesarios para desarrollar un proyecto de ciencia de datos.
Estas especificaciones incluyen aspectos como:
- Qué información debe recopilarse.
- Qué variables serán necesarias.
- Qué nivel de detalle requieren los datos.
- Qué volumen de información será necesario.
- Qué calidad mínima deben cumplir los datos.
- De dónde se obtendrán los datos.
- Con qué frecuencia deberán actualizarse.
Su finalidad es garantizar que el conjunto de datos sea suficiente para responder al problema planteado.
¿Por qué son importantes?
Un modelo de Machine Learning nunca podrá generar resultados mejores que la calidad de los datos utilizados para entrenarlo.
Definir correctamente los requisitos de datos permite:
- Evitar recopilar información innecesaria.
- Reducir costes de almacenamiento.
- Minimizar tiempos de adquisición.
- Detectar limitaciones antes de comenzar el proyecto.
- Identificar fuentes de datos alternativas.
- Planificar correctamente la fase de Data Collection.
Los requisitos de datos constituyen la base sobre la que se desarrollará el resto del proyecto.
¿Cómo funcionan?
El proceso suele comenzar una vez finalizada la fase de Business Understanding. El flujo general puede resumirse en los siguientes pasos.
- Analizar los objetivos del negocio.
- Identificar las preguntas que deben responderse.
- Determinar qué información resulta necesaria.
- Definir las variables requeridas.
- Identificar las posibles fuentes de datos.
- Establecer criterios mínimos de calidad.
- Validar que los datos puedan obtenerse.
El resultado es un documento que sirve como guía para la recopilación de datos.
¿Qué aspectos deben definirse?
Los Data Requirements suelen especificar diversos aspectos del conjunto de datos.
Variables necesarias
Debe identificarse cada variable que será utilizada.
Por ejemplo:
- Edad.
- Sexo.
- Ingresos.
- Historial de compras.
- Fecha de compra.
- Producto adquirido.
- Ubicación.
Variable objetivo
Cuando el problema es supervisado también debe definirse claramente la variable objetivo.
Por ejemplo:
- Precio de una vivienda.
- Probabilidad de abandono.
- Diagnóstico médico.
- Fraude.
- Recomendación de un producto.
Granularidad
Es necesario establecer el nivel de detalle requerido.
Ejemplos:
- Datos por cliente.
- Datos por pedido.
- Datos diarios.
- Datos horarios.
- Datos por transacción.
Una granularidad incorrecta puede impedir responder a determinadas preguntas.
Cobertura temporal
Debe definirse el periodo que abarcarán los datos.
Ejemplos:
- Últimos 12 meses.
- Cinco años.
- Toda la información histórica.
- Datos en tiempo real.
Volumen esperado
También conviene estimar:
- Número de registros.
- Número de variables.
- Tamaño aproximado del conjunto de datos.
Esto permitirá planificar adecuadamente la infraestructura necesaria.
Calidad mínima
Los requisitos suelen incluir criterios como:
- Porcentaje máximo de valores nulos.
- Nivel aceptable de duplicados.
- Consistencia entre tablas.
- Exactitud de los datos.
- Integridad referencial.
Ejemplo conceptual
Supongamos que una empresa desea predecir la cancelación de clientes.
Los requisitos podrían ser:
- Historial de facturación.
- Antigüedad del cliente.
- Número de incidencias.
- Tipo de contrato.
- Método de pago.
- Consumo mensual.
- Estado de cancelación.
En este caso, los Data Requirements especifican exactamente qué información será necesaria antes de comenzar la recopilación.
Ejemplo práctico
Imaginemos un proyecto para predecir el precio de viviendas.
Los requisitos podrían establecer:
| Requisito | Ejemplo |
|---|---|
| Variable objetivo | Precio de venta |
| Variables predictoras | Superficie, habitaciones, baños, antigüedad, ubicación |
| Cobertura temporal | Ventas de los últimos cinco años |
| Granularidad | Una fila por vivienda vendida |
| Volumen esperado | Más de 50.000 registros |
| Calidad | Menos del 5 % de valores nulos |
Esta información servirá de guía durante la fase de adquisición de datos.
Data Requirements vs Data Collection
Ambos conceptos están estrechamente relacionados, aunque representan actividades diferentes.
| Data Requirements | Data Collection |
|---|---|
| Define qué datos son necesarios | Obtiene los datos |
| Actividad de planificación | Actividad de ejecución |
| Se realiza antes | Se realiza después |
| Produce especificaciones | Produce conjuntos de datos |
| Reduce riesgos | Materializa la recopilación |
Los requisitos preceden siempre a la recopilación.
Beneficios
Definir correctamente los requisitos de datos aporta numerosas ventajas.
- Reduce el riesgo del proyecto.
- Evita recopilar información innecesaria.
- Facilita la planificación.
- Reduce costes.
- Mejora la calidad de los datos obtenidos.
- Simplifica la comunicación entre equipos.
- Aumenta las probabilidades de éxito del modelo.
¿Cuándo definir los Data Requirements?
Esta actividad debe realizarse antes de iniciar la recopilación de datos.
Resulta especialmente importante cuando:
- Se desarrolla un nuevo proyecto.
- Se trabaja con múltiples fuentes de información.
- Existen limitaciones de acceso a los datos.
- Se requieren datos históricos.
- Deben integrarse diferentes bases de datos.
- Se trabaja con grandes volúmenes de información.
Nunca debería iniciarse la recopilación sin conocer previamente los requisitos.
Ventajas y desventajas
| Ventajas | Desventajas |
|---|---|
| Reduce incertidumbre | Requiere tiempo de análisis inicial |
| Facilita la recopilación | Puede necesitar revisiones posteriores |
| Evita recopilar datos innecesarios | Los requisitos pueden cambiar durante el proyecto |
| Mejora la comunicación entre equipos | Depende de una correcta comprensión del negocio |
| Reduce costes | Puede resultar complejo en proyectos muy grandes |
Limitaciones
Aunque resulta fundamental, esta fase presenta ciertas limitaciones.
- Los requisitos pueden modificarse durante el proyecto.
- Algunas fuentes de datos pueden no estar disponibles.
- Es posible descubrir nuevas variables útiles durante el análisis.
- La calidad real de los datos puede diferir de la esperada.
- Algunos requisitos dependen de restricciones legales o técnicas.
Por ello, los Data Requirements deben considerarse un documento vivo que puede evolucionar durante el proyecto.
Buenas prácticas
Para definir correctamente los Data Requirements se recomienda:
- Comenzar siempre por los objetivos del negocio.
- Definir claramente la variable objetivo.
- Identificar únicamente las variables necesarias.
- Especificar el nivel de granularidad.
- Establecer criterios mínimos de calidad.
- Documentar las fuentes de datos.
- Validar que los datos realmente pueden obtenerse.
- Revisar los requisitos a medida que evoluciona el proyecto.
- Mantener un documento compartido entre los equipos de negocio y datos.
Conclusión
Los Data Requirements representan una de las fases más importantes dentro de la metodología de la Ciencia de Datos, ya que traducen los objetivos del negocio en necesidades concretas de información. Una definición adecuada de los datos necesarios permite planificar correctamente la recopilación, reducir riesgos, optimizar recursos y sentar las bases para el desarrollo de modelos analíticos fiables.
Aunque esta actividad no implica todavía el análisis ni el modelado de los datos, su impacto se extiende a todo el ciclo de vida del proyecto. Una especificación clara de las variables, la calidad esperada, la granularidad, la cobertura temporal y las fuentes de información facilita las fases posteriores de Data Collection, Data Understanding y Data Preparation, incrementando significativamente las probabilidades de éxito del proyecto de Ciencia de Datos.