Cada vez encontramos más recursos online para el aprendizaje de tecnologías. En esta ocasión queremos facilitar un resumen útil paa facilitar el aprendizaje de SAS Enterprise Guide y SAS Base para su uso en proyectos data science. Esperamos resulte de utilidad..

Una buena manera de impulsar tu carrera como científico de datos es participar en una competición de Data Science organizada por una plataforma de prestigio.

Se ofrecen importantes recompensas económicas a los ganadores, pero siendo realistas, dada la dura competencia a nivel internacional, es muy complicado llegar a ganar una suma importante en una competición de este tipo, pero quedar bien clasificado aporta un importante prestigio y te puede abrir muchas puertas, aparte de la valiosa experiencia adquirida..

Llevo muchos años trabajando en proyectos de Business Intelligence, y me gusta, pero tengo una espinita clavada desde hace mucho tiempo, y quizás haya llegado ya el momento de ‘desclavarla’.

Cuando comencé a estudiar lo que era el Business Intelligence, un mundo nuevo en el que los datos se organizaban expresamente para facilitar y realizar de manera óptima tareas de análisis y descubrimiento de información, como parte de un proyecto típico de BI, se incluía algo llamado Data Mining..

En este post vamos a ver un caso práctico de descomposición de series temporales con SAS.

Las series temporales son útiles cuando se quiere predecir la evolución de una variable que cambia a lo largo del tiempo. Las series temporales pueden mostrar una gran variedad de patrones..

El análisis RFM es una conocida técnica de segmentación del clientes. El modelo toma en consideración tres métricas:

1) Ticket medio de compra (Money)

2) Frecuencia de compra (Frecuency)

3) Tiempo qué hace que no compra (Recency)

En base a estas métricas clasifico a los clientes..

En el siguiente post vamos a conectar Qlikview con R. Si desde Qlikview necesitamos realizar tareas de clasificación y predicción podemos conectar con R y hacerlo en los scripts de R para después visualizarlo y analizarlo en Qlikview.

En el primer artículo de esta serie tratamos cómo obtener datos de Twitter desde triggers o disparadores. En este punto deberíamos empezar a pensar qué campos incluimos en nuestro análisis e ir estudiando el formato de los mismos.

Para ello, recomendamos consultar la página de desarrollo de la API de Twitter, donde se enumeran todos los campos generados por cada tweet y su formato exacto.

En nuestro caso hemos definido un trigger que nos guarda una fila por cada nuevo tweet con el hashtag #datascience y con un número de retweets mayor a 5..