El último módulo del plan de estudios del Máster Universitario en Big Data Science consiste en la elaboración de un trabajo que dé solución a problemas y proyectos reales propuestos por empresas o instituciones con las que existen acuerdos de colaboración. De esta manera, el estudiante adquiere una experiencia muy práctica en el ámbito de data science y big data.

Lucía Colín Cosano está desarrollando su TFM en la multinacional sueca Ikea. “En empresas como ésta, la cantidad de datos que se recogen a diario es muy voluminosa, ofreciendo una gran posibilidad para fundamentar las decisiones que se toman.”

El proceso de ingesta de datos es complejo, por lo que es de vital importancia comprobar la validez de los mismos y enriquecer aquellos campos que son más relevantes para generar modelos útiles para el negocio.

“Asegurando la calidad del dato somos capaces de realizar predicciones con más precisión, para lo cual utilizamos series temporales. De este modo podremos disminuir el tiempo de puesta en producción de los procesos, así como conocer de antemano el posible comportamiento del mercado.”

Por su parte, Jorge Fernández García forma parte de un equipo de 3 estudiantes que están desarrollando su TFM con responsables de Dirección Deportiva y Análisis de Datos en un club de fútbol de LaLiga.

“Los datos están relacionados con todo lo que nos rodea y el mundo del fútbol no es la excepción. El análisis de datos es el compañero perfecto del scouting”.

La capacidad de recopilar y analizar datos de los jugadores permite a los equipos obtener información precisa sobre su rendimiento y habilidades, de tal manera que pueden tomar decisiones más informadas sobre la composición de su equipo y las estrategias de juego.

“En nuestro Trabajo Final de Máster estamos comprobando que las herramientas de data analytics se han convertido en un factor clave en el éxito del scouting de jugadores en el fútbol actual. De este modo, la dirección deportiva de los clubes logra identificar a los jugadores con más potencial y que, a simple vista, podrían pasar desapercibidos.”

Por otro lado, Elena Martín de Diego realiza su TFM en el Instituto de Ciencia de los Datos e Inteligencia Artificial (DATAI) de la Universidad de Navarra, donde es investigadora. 

Las decisiones tomadas por un algoritmo de aprendizaje automático tienen un gran impacto en la vida de las personas. Aún más, recientemente se ha demostrado que dichos mecanismos pueden heredar los patrones existentes en los datos como las desigualdades culturales entre grupos que difieren en edad, género o etnicidad. 

Este proyecto tiene un doble propósito. Por un lado, la revisión de técnicas de reparación de los datos con el fin de conseguir algoritmos no sesgados; y, por otro, destacar el poder y la flexibilidad de Python para abordar cuestiones de equidad. “La investigación actual centra su atención en desarrollar una metodología en escenarios de data streaming”, asegura Elena.

Finalmente, Francisco Javier Alías, Data Scientist en el departamento de Global Risk Management Analytics Holding en BBVA, ha basado su trabajo en el estudio e implementación de datos sintéticos en modelos de riesgo.

La generación de datos sintéticos, tradicionalmente asociada al mundo de la imagen para aplicaciones como la realidad aumentada o la imagen médica, ha logrado conseguir buenos resultados en problemas donde el tamaño del conjunto de datos de entrenamiento es inferior al que requieren los modelos de aprendizaje complejos, a través de la generación de nuevas observaciones.

“El proyecto se va a centrar en explorar estos métodos y usarlos en modelos de riesgo de crédito. Las técnicas que se van a estudiar y usar van desde algoritmos sencillos hasta modelos más complejos de Deep Learning que tratan de aprender la distribución del conjunto de datos disponibles”, comenta Francisco Javier.