El método que usa medio mundo y casi nadie nombra
Si alguna vez oyes CRISP-DM en una reunión, es esto. Es de 1999, se escribió para minería de datos y sigue siendo lo que se usa, con otros nombres, en casi todos los proyectos que veo.
Te lo cuento sin el diagrama, porque el diagrama es lo de menos 🌸
Las seis fases
1. Entender el negocio. Es el capítulo 11 entero:
- Qué duele
- Cuántas veces
- Qué haríamos con la respuesta
Termina con la media página escrita.
2. Entender los datos. Mirar qué hay guardado de verdad. Cuántas filas, desde cuándo, qué falta, qué está mal escrito. Acá es donde se descubre que la fecha de baja no se guardaba, y descubrirlo ahora vale oro.
3. Prepararlos. Limpiar, juntar tablas, arreglar los tipos. Es la fase más larga y la que menos se luce, y hablo de ella dentro de un momento.
4. Modelar. La parte que todo el mundo cree que es el proyecto. Suele ser la más corta.
5. Evaluar. Y ojo, que no es "ver si el modelo acierta". Es volver a la media página de la fase 1 y preguntar si esto resuelve aquello. Un modelo que acierta mucho y no mueve el número del negocio no pasa esta fase.
6. Poner en marcha. Que la respuesta llegue a donde alguien la use, que es la tercera forma de caerse del capítulo 9.
La flecha que importa va hacia atrás
Dicho así parece una fila. No lo es, y esa es la parte que hay que entender.
Lo que pasa de verdad:
- Estás en la fase 2 y ves que no existe el dato que hacía falta. Vuelves a la 1 y cambias la pregunta.
- Estás en la fase 4 y el modelo no aprende nada. Vuelves a la 3, porque casi siempre es que faltan columnas que sí explican el asunto.
- Estás en la fase 5 y el resultado es bueno pero no sirve para decidir. Vuelves a la 1.
Volver es normal. Y lo digo porque en una empresa "volver a empezar" suena a fracaso, y entonces la gente no vuelve: sigue adelante con una pregunta que ya sabe que no se puede contestar, porque parar da vergüenza.
Eso sí es un fracaso, y es caro. Volver en la semana cuatro cuesta cuatro semanas; descubrirlo en la doce cuesta doce y la confianza 🔁
Dónde se va el tiempo de verdad
La idea que todo el mundo tiene: la mayor parte del proyecto es entrenar el modelo.
Lo que pasa: las fases 2 y 3, mirar y preparar datos, se llevan la mayor parte del calendario en casi todos los proyectos que he hecho. Modelar es de las partes más cortas, porque las librerías ya están hechas.
No te doy un porcentaje exacto porque depende muchísimo del estado en que lleguen los datos, y quien te dé un porcentaje fijo te lo está inventando. Lo que sí puedo decirte es la consecuencia práctica: cuando presupuestes, presupuesta la limpieza. Es lo que casi nadie cotiza y lo que siempre se lleva las horas 🧾
Cómo se ve esto en un cronograma que no miente
Un proyecto chico, de los que se pueden hacer de verdad:
| Semanas | Qué pasa | Qué se entrega |
|---|---|---|
| 1 | entender el negocio | la media página firmada |
| 2 | mirar los datos | un sí o un no a si se puede |
| 3 a 5 | preparar | una tabla limpia y documentada |
| 6 | modelar | el primer resultado, feo |
| 7 | evaluar contra el negocio | el número de la fase 1 |
| 8 | ponerlo donde se use | alguien usándolo |
Fíjate en la semana 2 y en lo que entrega: un sí o un no. Esa es la mejor decisión que puedes meter en un proyecto de datos, y se llama parar a tiempo. Si en la semana 2 la respuesta es no, cerraste por dos semanas en vez de por tres meses, y eso es un éxito aunque no lo parezca 💛
Esto vale igual si compras la herramienta hecha
Alguien va a decirte que estas fases son para quien construye un modelo desde cero, y que si contratas una herramienta que ya existe no hacen falta.
No es así, y las que se saltan no son las que uno creería.
Comprar hecho te ahorra la fase 4 casi entera, que ya viste que es la corta. La 1 no se ahorra: si no está escrito qué duele y cómo se mide, la herramienta se contrata igual y a los seis meses nadie sabe decir si sirvió. La 2 tampoco: toda herramienta que promete resultados sobre tu negocio va a pedirte datos, y si esos datos no están o están sucios, la herramienta cara va a dar respuestas malas con una pantalla bonita.
Y la 5 y la 6 son las que más se saltan cuando se compra, porque el vendedor ya te enseñó una demo funcionando y da la sensación de que están resueltas. La demo funcionó con los datos del vendedor 🙃
Resumido: comprar mueve trabajo, no lo elimina. Y lo que se ahorra es justamente lo que menos pesaba en el calendario.
Dos cosas que no son fases y hay que meter en el plan
Conseguir los accesos. No aparece en ningún diagrama y en una empresa mediana puede tardar semanas. Es de las pocas cosas que se pueden empezar el día uno, en paralelo con todo lo demás, y casi nadie lo hace: se pide el acceso cuando hace falta, o sea cuando ya está frenando.
Escribir qué se hizo. Cada fase deja decisiones tomadas, y si no se escriben, en la semana diez nadie recuerda por qué se sacaron los clientes mayoristas del análisis. Cómo se anota lo ves en el capítulo 14 🧾
Practica 💪
1. En qué fase está esto
"Ya tenemos el modelo entrenado y acierta el 87%. Ahora vamos a ver a quién se lo enseñamos."
Está entre la 4 y la 6, y se saltó la 5. Nadie comprobó si ese 87% mueve el número del negocio.
Y la segunda frase delata algo peor: "ver a quién se lo enseñamos" quiere decir que en la fase 1 nadie definió quién iba a usar la respuesta. Este proyecto va derecho a la tercera forma de caerse.
2. El cliente quiere saltarse la fase 2
"Los datos están perfectos, nosotros los revisamos todos los meses. Empecemos directo por el modelo."
Siempre dicen eso, y casi nunca es mentira: los datos sí están bien para lo que ellos los usan.
El problema es que están bien para saber cómo están las cosas hoy, y tú necesitas saber qué pasó y cuándo. Son dos cosas distintas y la diferencia no se ve desde dentro.
La respuesta que funciona no es discutir: es pedir dos días. "Dame dos días para mirarlos y si están como dices, adelantamos dos semanas de calendario." Nadie dice que no a eso 🙂
3. La semana seis y no aprende
El modelo entrena pero acierta lo mismo que tirar una moneda. ¿A qué fase vuelves?
A la 3, casi siempre. Cuando un modelo no aprende nada, lo más común no es que el modelo esté mal elegido: es que en las columnas que le diste no está la información que hace falta.
Y si vuelves a la 3, miras la 2 otra vez: ¿qué más se guarda que no metimos? Muchas veces la columna que sí explicaba estaba en otro sistema y nadie la pidió.
Cambiar de modelo antes de revisar esto es el error más frecuente, y se nota porque no funciona: probar ocho modelos sobre las mismas columnas malas da ocho resultados igual de malos.
4. Cuándo se salta la fase 4
¿Puede terminar bien un proyecto de datos sin modelo?
Sí, y pasa más de lo que se cuenta. A veces la fase 2 y la 3 dejan al descubierto algo que se ve a simple vista: que un canal convierte la mitad, que un proveedor entrega tarde el 30% de las veces, que el problema está en un turno concreto.
Con eso ya se toma la decisión, y entrenar un modelo encima no aporta nada. El proyecto entregó valor sin llegar a la fase que todo el mundo cree que es el proyecto.
Decir esto en voz alta cuesta, porque quien pagó esperaba IA. Y es lo correcto igual 💛
5. El proyecto que se quedó en la fase 5
El modelo está evaluado, es bueno, y lleva dos meses así. Nadie lo pone en marcha. ¿Qué falló y en qué fase?
Falló la 1, hace dos meses y medio, y recién se nota ahora.
Poner algo en marcha necesita que alguien de sistemas lo integre, que alguien del negocio cambie cómo trabaja, y que alguien decida que eso pasa. Si en la fase 1 no se preguntó quién ve la respuesta y en qué pantalla, en la fase 6 no hay a quién ir a pedirle nada.
Y por eso la fase 6 es la que más proyectos entierra: no porque sea difícil, sino porque llega sin permiso, sin dueño y sin sitio donde aterrizar.
6. Ordena estas cuatro frases
"Hay 12.000 pedidos desde 2022." / "Perdemos clientes y no sabemos cuáles." / "El vendedor ve la lista cada lunes." / "Acierta 7 de cada 10 de los que se fueron."
Fase 1, fase 2, fase 6, fase 5. En ese orden se dijeron mal a propósito, y fíjate en lo que cuesta ordenarlas: cada frase suena a avance por sí sola.
La segunda, "hay 12.000 pedidos desde 2022", es la que más engaña. Suena a que los datos están y no dice nada de lo que importa: si está guardado cuándo se fue cada cliente. Un conteo de filas no es entender los datos, es el primer minuto de entenderlos.
Y la de "el vendedor ve la lista cada lunes" es fase 6 escrita como si fuera fácil, que es exactamente cómo se escribe siempre 🙂
Lo que te llevas
- Seis fases: entender el negocio, entender los datos, preparar, modelar, evaluar, poner en marcha.
- Se llama CRISP-DM y es de 1999.
- Lo importante son las flechas hacia atrás, y volver es lo normal.
- Evaluar no es ver si acierta: es volver al número de la fase 1.
- Mirar y preparar datos se lleva la mayor parte del calendario.
- La semana 2 entrega un sí o un no, y parar a tiempo es un éxito.
- Un proyecto puede terminar bien sin llegar a modelar.
- Comprar la herramienta hecha te ahorra la fase corta, no las largas.
- Los accesos se piden el día uno, en paralelo con todo lo demás.
Comprueba que se entendió
Comprueba que lo tienes
Llevas cuatro semanas y al mirar los datos descubres que la mitad de los registros no tienen fecha de baja. ¿Qué haces?
- Vuelves a la conversación del alcance, porque puede que la pregunta tenga que cambiar
- Sigues adelante y rellenas las fechas que faltan con un promedio
- Paras el proyecto y devuelves el presupuesto
- Buscas otro dataset por internet