La ciencia de datos es el campo interdisciplinar que estudia, desarrolla y aplica métodos y sistemas para obtener conocimiento a partir de grandes colecciones de datos.

Extraer conocimiento de los datos

La ciencia de datos es, en esencia, el arte y la técnica de extraer conocimiento valioso de grandes volúmenes de datos. Su objetivo no es solo recopilar información, sino entender qué revela y anticipar lo que puede ocurrir. Está presente en la vida cotidiana, a menudo de forma inadvertida: está detrás de las recomendaciones de las plataformas de música y vídeo, de la detección de fraudes bancarios, del análisis automatizado de imágenes médicas o de la predicción del tráfico a partir de la ubicación de millones de teléfonos.

Los tres pilares

Es un campo interdisciplinar, situado en la intersección de tres saberes:

  • Matemáticas y estadística: para validar patrones y construir modelos que no sean fruto del azar.
  • Informática: para programar algoritmos y manejar volúmenes de datos que una hoja de cálculo convencional no podría procesar.
  • Conocimiento del dominio: nada de lo anterior sirve si no se entiende el problema que se quiere resolver, ya sea en medicina, finanzas, ciencias sociales o humanidades.

El ciclo de vida de un proyecto

El trabajo con datos no salta directamente a las conclusiones, sino que sigue un proceso estructurado:

  • Captura: recopilación de datos de bases de datos, redes sociales, sensores o archivos digitalizados.
  • Preparación: la fase más larga; consiste en corregir errores, completar huecos y dar a los datos un formato utilizable.
  • Análisis exploratorio: primera inspección, con gráficos, para detectar tendencias o anomalías.
  • Modelado: entrenamiento de modelos estadísticos o de aprendizaje automático (machine learning).
  • Interpretación: traducción de los resultados en conocimiento y decisiones.

Cada fase se apoya en un ecosistema de herramientas: lenguajes como Python, R o SQL; bases de datos relacionales, no relacionales y almacenes en la nube; entornos de trabajo como Jupyter Notebook; plataformas de inteligencia de negocio para la visualización de datos y, cada vez más, asistentes de inteligencia artificial generativa que ayudan a escribir código o permiten consultar los datos en lenguaje natural.

Evolución del concepto

La historia de la ciencia de datos es la de la convergencia entre la estadística, la informática y la digitalización progresiva del conocimiento, que ha convertido en datos procesables una parte creciente de la actividad económica, científica y cultural.

Antecedentes: la estadística y el análisis de datos

John Tukey propuso en The Future of Data Analysis (1962) que el análisis de datos debía entenderse como una ciencia empírica propia y no solo como estadística matemática; su Exploratory Data Analysis (1977) defendió usar los datos para generar hipótesis, no solo para contrastarlas. En paralelo, el informático Peter Naur empleó la expresión «ciencia de datos» en Concise Survey of Computer Methods (1974), referida al tratamiento de los datos una vez obtenidos.

Del descubrimiento de conocimiento a una disciplina con nombre

La informatización de empresas y administraciones multiplicó las bases de datos y, con ellas, el interés por explotarlas. En 1989 se celebró el primer taller sobre descubrimiento de conocimiento en bases de datos (Knowledge Discovery in Databases, KDD) y Usama Fayyad, Gregory Piatetsky-Shapiro y Padhraic Smyth sistematizaron la minería de datos como una fase de ese proceso en From Data Mining to Knowledge Discovery in Databases (1996). Desde la estadística, Jeff Wu planteó en 1997 si su disciplina no debería llamarse ya ciencia de datos, mientras que William Cleveland propuso en 2001 un plan para ampliarla en esa dirección mediante la colaboración con la informática.

La digitalización del conocimiento y el big data

Internet, las plataformas digitales, los sensores y la digitalización masiva de archivos y bibliotecas hicieron que los datos dejaran de ser escasos. Manuel Castells había descrito en The Rise of the Network Society (1996) un informacionalismo en el que la generación y el procesamiento de información se convierten en la principal fuente de productividad; la ciencia de datos es, en buena medida, la caja de herramientas de esa transformación. En la ciencia, The Fourth Paradigm (2009), inspirado en Jim Gray, presentó la investigación intensiva en datos como un nuevo modo de producir conocimiento, junto a la experimentación, la teoría y la simulación. Chris Anderson fue más allá en «The End of Theory» (2008), un artículo en Wired que sostenía que la abundancia de datos haría innecesarios los modelos teóricos. La profesión adquirió nombre propio en esos años: DJ Patil popularizó el título de científico de datos en LinkedIn y él y Thomas Davenport presentaron el oficio como el más atractivo del siglo en Data Scientist: The Sexiest Job of the 21st Century (2012), un artículo de la Harvard Business Review.

De los datos a la inteligencia artificial

Desde mediados de la década de 2010, el aprendizaje profundo y, más tarde, los modelos generativos han desplazado parte de la atención hacia la inteligencia artificial. La ciencia de datos se ha convertido en su infraestructura: los grandes modelos de lenguaje dependen de la recopilación, la limpieza y la curación de enormes corpus textuales y la calidad de esos datos condiciona sus resultados.

Lecturas críticas

Frente al optimismo de Anderson, una corriente crítica, con fuerte presencia de las humanidades y las ciencias sociales, ha cuestionado la supuesta neutralidad de los datos. Lisa Gitelman tituló un volumen colectivo con la idea de que los datos en bruto son un oxímoron («Raw Data» Is an Oxymoron, 2013): todo dato es fruto de decisiones sobre qué medir y cómo. Johanna Drucker (Humanities Approaches to Graphical Display, 2011) propuso hablar de capta —lo que se toma— en lugar de data —lo que se da— para subrayar ese carácter construido. Danah boyd y Kate Crawford (Critical Questions for Big Data, 2012) y Rob Kitchin (Big Data, New Epistemologies and Paradigm Shifts, 2014) rebatieron la idea de que los datos hablan por sí solos, una forma renovada de positivismo.

Otras críticas apuntan al poder. Shoshana Zuboff (The Age of Surveillance Capitalism, 2019) describe el capitalismo de la vigilancia como un modelo que convierte la experiencia humana en materia prima y Nick Couldry y Ulises Mejias hablan de colonialismo de datos (The Costs of Connection, 2019). Cathy O’Neil (Weapons of Math Destruction, 2016) y Virginia Eubanks (Automating Inequality, 2018) documentaron cómo los modelos automatizados reproducen y amplían desigualdades y Catherine D’Ignazio y Lauren Klein (Data Feminism, 2020) propusieron una práctica de datos que pregunte quién los recoge, para qué y en beneficio de quién. En las humanidades digitales, la «lectura distante» de Franco Moretti (Distant Reading, 2013) mostró las posibilidades del análisis masivo de textos y abrió un debate sobre lo que se pierde cuando la interpretación se sustituye por el recuento.

Ejemplos y casos

La ciencia de datos se aplica en ámbitos muy diversos y sus casos más conocidos ilustran tanto su potencial como sus límites.

AlphaFold, el sistema de aprendizaje profundo desarrollado por Google DeepMind, predice la estructura tridimensional de una proteína a partir de su secuencia de aminoácidos. Se entrenó con las estructuras determinadas experimentalmente que la comunidad científica había compartido durante décadas en bases de datos abiertas. En 2021, DeepMind y el Laboratorio Europeo de Biología Molecular (EMBL) lanzaron una base de datos pública con sus predicciones, que ha pasado de unas 360.000 estructuras a cerca de 200 millones, de más de un millón de organismos, y que han consultado más de un millón de personas. Demis Hassabis y John Jumper recibieron por ello la mitad del Premio Nobel de Química de 2024.1

Un equipo encabezado por Jean-Baptiste Michel y Erez Lieberman Aiden publicó en Science el artículo «Quantitative Analysis of Culture Using Millions of Digitized Books» (2011). A partir de más de cinco millones de libros digitalizados por Google, alrededor del 4 % de los publicados hasta entonces, analizaron la evolución de la frecuencia de las palabras para estudiar cambios lingüísticos, la fama o la censura; bautizaron el enfoque como culturómica. Su herramienta pública, el Google Books Ngram Viewer, se convirtió en un ejemplo de cómo la digitalización del patrimonio escrito abre nuevas preguntas. Y también en objeto de críticas por los sesgos del corpus.2

Google Flu Trends, que estimaba la incidencia de la gripe a partir de las búsquedas en internet, se presentó en Nature en 2009 como un sistema más rápido que la vigilancia sanitaria convencional. En la temporada 2012-2013, sin embargo, llegó a estimar más del doble de visitas médicas por síntomas gripales que los Centros para el Control y la Prevención de Enfermedades de Estados Unidos. David Lazer y sus coautores analizaron el fracaso en «The Parable of Google Flu: Traps in Big Data Analysis» (Science, 2014), atribuyéndolo a la arrogancia del big data —suponer que puede sustituir a los datos tradicionales— y a los cambios en el propio buscador. Google cerró el servicio en 2015.3

En 2019, el Instituto Nacional de Estadística (INE) puso en marcha un estudio experimental de movilidad con datos de tres operadores de telefonía móvil, como trabajo preparatorio del Censo de 2021. El territorio se dividió en 3.214 áreas, y los operadores entregaron matrices de desplazamientos ya agregadas, de modo que el INE nunca trató datos individuales y se suprimieron los recuentos demasiado pequeños. La metodología se reutilizó durante la pandemia: entre marzo de 2020 y diciembre de 2021, el INE la utilizó para medir los cambios de movilidad durante el estado de alarma y después.4

COMPAS es un sistema comercial que estima el riesgo de reincidencia delictiva y que varios tribunales de Estados Unidos utilizan en decisiones judiciales. En 2016, la redacción de ProPublica analizó las puntuaciones de más de 7.000 personas detenidas en el condado de Broward (Florida) y concluyó que las personas negras que no volvieron a delinquir tenían casi el doble de probabilidades que las blancas de haber sido clasificadas como de alto riesgo. La empresa desarrolladora rechazó el análisis y el caso abrió un debate, todavía vigente, sobre las distintas definiciones de equidad algorítmica.5

En 2006, Netflix ofreció un millón de dólares a quien mejorara un 10 % la precisión de su sistema de recomendación, publicando para ello millones de valoraciones anonimizadas de sus clientes. El equipo BellKor’s Pragmatic Chaos ganó el premio en 2009, pero la empresa no llegó a implantar el algoritmo ganador porque el esfuerzo técnico no compensaba la mejora, en un momento en que el negocio se desplazaba al streaming. Además, unos investigadores de la Universidad de Texas demostraron que era posible reidentificar a parte de los usuarios cruzando los datos con las valoraciones públicas de otra web. Netflix canceló en 2010 una segunda edición tras una demanda por privacidad.6

Recursos relacionados

  • Análisis de datos: Entrada del glosario sobre el proceso de inspeccionar y modelar datos, núcleo del trabajo en ciencia de datos.
  • Datos abiertos: Entrada del glosario sobre los datos de libre acceso y reutilización, materia prima de muchos proyectos.
  • Gobernanza de datos: Entrada del glosario sobre las reglas y responsabilidades que aseguran la calidad y el uso legítimo de los datos.
  • Data storytelling: Entrada del glosario sobre cómo comunicar los resultados de un análisis mediante relatos y visualizaciones.
  • RStudio: Ficha de la Biblioteca sobre el entorno de desarrollo más extendido para trabajar con R.
  • KNIME: Ficha de la Biblioteca sobre una plataforma visual para construir flujos de análisis de datos sin programar.
  • Software gratuito de visualización de datos: Artículo del blog con una selección de herramientas para representar datos de forma gráfica.

Bibliografía recomendada

  • Estadística práctica para ciencia de datos con R y Python (Peter Bruce, Andrew Bruce y Peter Gedeck, 2022): Repaso de más de cincuenta conceptos estadísticos esenciales desde la práctica, con ejemplos en R y Python. Útil para quien quiera entender la base estadística del campo sin perderse en la teoría.
  • Armas de destrucción matemática (Cathy O’Neil, 2017): Una matemática con experiencia en finanzas y en ciencia de datos muestra, con casos de educación, empleo, crédito o justicia, cómo los modelos opacos pueden ampliar la desigualdad. Publicado originalmente en inglés en 2016.
  • Data Feminism (Catherine D’Ignazio y Lauren F. Klein, 2020): Propuesta para hacer ciencia de datos desde el feminismo interseccional, atenta a quién recoge los datos, con qué fines y a quién beneficia. Sin traducción al español, pero de libre acceso en línea.
  1. Fuente: EMBL, «AlphaFold wins Nobel Prize in Chemistry 2024».
  2. Fuente: Science, 331(6014).
  3. Fuente: Science, 343(6176).
  4. Fuente: INE, estadística experimental de movilidad.
  5. Fuente: ProPublica, «Machine Bias» (2016).
  6. Fuentes: NBC Bay Area; /Film.