Proyecto Final

Universidad de Alicante, Curso 2026-2027 (Primer cuatrimestre)

Objetivos

Para el proyecto final debéis proponer un tema de estudio usando datos y las técnicas vistas en el curso. Podéis plantear un tema propio con datos disponibles por vuestro trabajo, contactos o búsqueda propia; durante el curso se darán también sugerencias de temas y fuentes de datos.

El resultado debe ser un proyecto de análisis de datos en el ámbito de economía, empresa, negocios o finanzas (“business analytics”):

Por tanto, debe explicarse claramente:

  1. Objetivo del análisis: qué cuestión se estudia y por qué es importante.
  2. Datos: qué datos se utilizan, de dónde proceden y por qué son adecuados para el objetivo.
  3. Procesamiento de los datos (importación, limpieza y transformación), discutiendo por qué es necesario para el análisis.
  4. Análisis exploratorio: qué información aprendemos de los datos y cómo ayuda a especificar los modelos.
  5. Modelización: cómo se especifican los modelos para alcanzar el objetivo, cómo se elige el modelo final.
  6. Comunicación efectiva de los resultados, discutiendo qué implican respecto al objetivo planteado.

La propuesta: qué tiene que tener SÍ o SÍ

Uno de los objetivos de pediros una propuesta es que PENSÉIS CUIDADOSAMENTE lo que vais a hacer y lo plasméis en un texto breve pero claro y concreto. Así evitamos que, cuando esté a punto de acabar el plazo, las cosas no cuadren (porque no están pensadas) y surjan el agobio o la imposibilidad de entregar.

Una propuesta aceptable responde con CONCRECIÓN a estas cuatro cosas:

  1. OBJETIVO claro y para qué. El objetivo NO es “predecir” o “identificar factores” a secas: es para qué quieres predecir o identificar, a quién le sirve (empresa, inversor, política) y cómo se usará el resultado. Si no sabes el objetivo, no sabes qué datos necesitas, cómo limpiarlos ni qué modelos utilizar.

  2. Nada de trivialidades. Es obvio que hay que limpiar, explorar, visualizar y concluir; eso ya se sabe. Lo importante es CÓMO en concreto, y eso depende de tu objetivo.

  3. DATOS concretos. Qué variables exactamente, cuántas observaciones, con qué frecuencia, y si ya has comprobado que están disponibles. “Buscaré datos de X” no es un plan de datos. Piensa si el tamaño muestral es suficiente para lo que quieres hacer.

  4. MODELADO concreto. ¿Tu problema es de REGRESIÓN o de CLASIFICACIÓN? ¿Quieres PREDECIR o IDENTIFICAR FACTORES? Son objetivos distintos que usan los modelos de forma distinta (y si quieres ambos, explica cómo se integran). ¿Qué modelos piensas usar y por qué encajan con tu objetivo? “Y si es necesario, otras técnicas” no es concreto.

  5. APLICACIÓN. El trabajo NO termina obteniendo una predicción o unos coeficientes: debe incluir una breve aplicación de cómo tus resultados determinan una decisión concreta (aprobar o denegar, a quién dirigir la campaña, qué umbral usar según los costes de cada error…). Piensa quién usaría tu modelo y para decidir qué.

  • Enviad la propuesta cuanto antes (el canal para enviarla se anunciará durante el curso), PERO debéis esperar a mi visto bueno para asegurar que tiene sentido y que los trabajos son diferentes (los datos pueden ser los mismos, pero NO con el mismo objetivo).

Algunas sugerencias sobre temas y fuentes de datos

OJO: estas sugerencias NO son “opciones” que se eligen tal cual. Sugieren ideas: con los mismos datos y en el mismo contexto se pueden plantear objetivos muy distintos. Tendréis que concretar y desarrollar la vuestra (ver los cuatro puntos de la propuesta).

  1. Ventas de “Big Mart”. Datos de ventas de 1.559 productos durante 2013 en 10 tiendas de la cadena americana “Big Mart”, con atributos de cada producto y tienda. Se puede construir un modelo predictivo o de clasificación de las ventas de cada producto en una tienda, y entender qué propiedades de productos y tiendas juegan un papel clave. Los datos están aquí.

  2. Black Friday. “ABC Private Limited” quiere comprender el comportamiento de compra de varios productos y categorías. Hay un resumen de compras de clientes con sus datos demográficos. Un modelo para predecir compras (o clasificar compras de gran volumen) ayuda a crear ofertas personalizadas. Los datos aquí.

  3. Concesión de préstamos. “Dream Housing Finance” quiere automatizar la decisión de elegibilidad de préstamos con los datos del formulario de solicitud, identificando los segmentos de clientes susceptibles de recibirlos. Datos y descripción aquí.

  4. Clasificación de la calidad crediticia. Datos de una compañía de crédito alemana, aquí.

  5. Servicio de bicicletas. “Capital BikeShare” ofrece bicicletas compartidas: a dónde van sus usuarios, cuándo viajan, qué paradas son más populares, qué días hay más viajes. Información aquí.

  6. Renta de los individuos. Con características demográficas del Censo de EE.UU., construir un modelo predictivo del nivel de renta (mayor o menor de 50 mil dólares anuales), usable por ejemplo para detección de fraude. Datos aquí.

  7. Airbnb. En este enlace hay datos de Airbnb para muchas ciudades; se pueden analizar, por ejemplo, los determinantes de la satisfacción de los usuarios. También hay datos de Airbnb en Kaggle.

  8. Predicción de respuesta del cliente. Datos de una campaña de “mailing” directo con características demográficas e historial de los clientes: predecir su respuesta al contacto para maximizar el importe de una donación. Datos y descripción aquí.

Resultado final

El resultado será un informe reproducible elaborado con las herramientas del curso (las veremos en clase). El trabajo debe ser mínimamente presentable: no se trata de “amontonar” resultados, sino de presentar una historia que los datos cuentan usando vuestros conocimientos como universitarios. En particular: NO mostréis salidas en bruto en un documento para un jefe o cliente, NO pongáis tablas que exceden los márgenes ni gráficos ilegibles, y COMENTAD lo que aporta cada resultado al objetivo (no lo obvio).

Los detalles del formato de entrega y los plazos (de la propuesta y de la entrega final) se anunciarán durante el curso con suficiente antelación.

Evaluación

La nota final valorará todo el proceso del análisis, teniendo en cuenta que algunos datos apenas requieren procesamiento mientras que otros requieren mucha limpieza o combinar fuentes. Hacer lo más básico visto en clase con unos datos similares a los de clase es válido, pero no esperéis una nota alta incluso estando perfecto.

Es MUY IMPORTANTE que el trabajo incluya comentarios adecuados: NO describir lo obvio de una tabla o gráfico, sino explicar por qué es importante, qué implica y qué se puede inferir, siempre en coherencia con el objetivo.

En la evaluación no continua (y en una submuestra aleatoria de la continua) el trabajo se defiende presencialmente: hay que saber explicar cada decisión del propio análisis.

IMPORTANTE: PLAGIO

  • Seguro que podéis encontrar análisis ya realizados sobre vuestra propuesta, en internet o de estudiantes de cursos anteriores. Yo también.
  • La detección de plagio supondrá automáticamente el suspenso en todas las convocatorias de la asignatura en este curso académico y el inicio de la apertura de un expediente.