Todos los datos están mal, pero algunos son útiles.

Tus datos tienen tanto información como ruido. Trátalos antes de incluirlos en tus análisis, buscando minimizar el ruido.

Igualmente tus datos no tendrán toda la información posible. Por lo tanto tus análisis estarán incompletos.

Sé claro y transparente con las limitaciones de tus análisis.

Un modelo es una aproximación de la realidad. Inevitablemente habrá un error.

Minimizar hasta el extremo el error puede no ser tu objetivo en tu modelo. Al fin y al cabo, con tu modelo buscas simplificar. Si no hay error, no simplificas, y en ese caso no necesitas un modelo.

Los datos deberían servirte para comprender lo que sea que estás estudiando, y para eso necesitas resumir. Por ello, paradójicamente, almacenar muchos datos no tiene sentido. Lo que necesitas es identificar cuáles son los pocos datos que sí te sirven para resumir tu situación.

El resumen de lo anterior es una regla de Pareto aplicada a datos: un bajo porcentaje de tus datos te da un gran porcentaje de la información que buscas.

Cuando presentas los resultados de tus análisis, piensa en qué busca responder tu audiencia. En la mayoría de casos (clientes, jefes, jefes de clientes,…) tu metodología no importa; importa lo que has conseguido.

Metodologías avanzadas de ciencia de datos pueden no aportarte nada significativo en tus análisis. A menudo, simplemente con obtener los datos de la fuente principal y agregarlos al nivel de detalle adecuado ya aporta más valor añadido que cualquier modelo de machine learning.

Un ejemplo de gráfico es una tabla. Antes de ponerte a hacer gráficos de colores y decantarte por el más bonito, piensa si puedes mostrar tus resultados con una tabla. Muchas personas están especialmente acostumbradas a ellas y lo agradecerán.