Ejemplos de datos utilitarios

Las métricas de vanidad son datos que la gente quiere ver, pero que son inútiles en el contexto de las decisiones comerciales. Estas métricas no ayudan a las personas a tomar decisiones comerciales informadas y solo son útiles en emergencias. Aquí hay 11 ejemplos de datos que la gente encuentra atractivos, pero que son inútiles. Son una pérdida de tiempo y recursos. Puede ignorar fácilmente estos datos inútiles y concentrarse en métricas más importantes. En estos casos, será mejor que use ML para buscar en sus datos.

11 infografías que son completamente engañosas o totalmente inútiles

Es posible que haya visto infografías en las noticias o en sitios web, pero ¿sabía que algunas de ellas son completamente engañosas o totalmente inútiles? Algunas de estas infografías son simplemente vomitivas, tienen datos incorrectos o comparan manzanas con naranjas. La colección de correlaciones espurias de Tyler Vigen es un gran ejemplo. Puede ver su razonamiento para las correlaciones fuera de lugar en esta infografía, que se creó para resaltar la correlación entre algunos números.

Mucha gente piensa que todas las infografías tienen como objetivo presentar información única. Los más efectivos son interactivos y brindan información única sobre un tema. Esta infografía, del New York Times, es un excelente ejemplo de una infografía que intenta hacer que un concepto complejo sea fácil de entender. El creador de esta infografía, Danny Ashton, la creó para una plataforma de redes sociales, pero su representación no fue del todo original.

Los silos evitan las referencias cruzadas

Las organizaciones a menudo enfrentan el desafío de evitar silos y crear una visión más completa y holística de su negocio. Sin referencias cruzadas de información, se pueden perder conexiones relevantes. Por ejemplo, la combinación de datos de campañas de marketing con datos de ventas de la misma región geográfica puede generar campañas de marketing más eficaces. Además, la combinación de diferentes fuentes de datos puede proporcionar una imagen más completa de las operaciones y la salud financiera de una empresa. En resumen, las organizaciones deben evitar la creación de silos de datos para lograr sus objetivos comerciales.

Además de evitar las referencias cruzadas, los silos también crean vistas desconectadas de los datos, lo que dificulta que las organizaciones identifiquen las ineficiencias empresariales y los costos operativos. Por ejemplo, en el caso de la atención médica, los datos médicos generalmente se almacenan en diferentes silos y se separan de otros datos. Esta visión fragmentada puede conducir a información inexacta y decisiones inexactas. Además, los sistemas de datos desconectados crean un entorno menos colaborativo. Por ello, es fundamental eliminar los silos lo antes posible.

ML para rastrear datos

La capacidad de rastrear y extraer datos de Internet sin intervención humana es una de las ventajas más importantes del aprendizaje automático (ML). Esta tecnología permite que las computadoras realicen tareas automáticamente sin una programación explícita. Lo hace rastreando datos, buscando patrones y luego ajustando las acciones del programa para maximizar la productividad. La teoría del aprendizaje computacional es una rama de la informática que aplica esta teoría a los algoritmos. Es especialmente útil para identificar patrones en grandes cantidades de datos.