Ciencia de datos: una disciplina emergente

Resumen (es)

El papel del científico de datos se ha descrito como el "trabajo más sexy del siglo XXI". Si bien es posible que exista un grado de exageración asociado con tal afirmación, hay factores en juego, como el crecimiento sin precedentes en la cantidad de datos que se generan. Este documento caracteriza las disciplinas ya establecidas que sustentan la ciencia de datos, es decir, la ingeniería de datos, las estadísticas y la minería de datos. Después de una caracterización de los campos anteriores, se encuentra que la ciencia de datos está más estrechamente relacionada con la minería de datos. Sin embargo, a diferencia de la minería de datos, la ciencia de datos promete operar sobre conjuntos de datos que presentan desafíos significativos en términos de las cuatro V: volumen, variedad, velocidad y veracidad. Este documento señala que el énfasis actual, tanto en la industria como en la academia, está en las primeras tres V, que plantean principalmente desafíos científicos o tecnológicos, en lugar de Veracidad, que es un desafío verdaderamente científico (y posiblemente más complejo). Se puede considerar que la ciencia de datos tiene un objetivo más ambicioso que el que tradicionalmente tiene la minería de datos: como ciencia, la ciencia de datos tiene como objetivo conducir a la creación de nuevas teorías y conocimientos. Este artículo señala que, irónicamente, se está descuidando la dimensión de veracidad, que posiblemente sea la más cercana a este objetivo. A pesar del actual frenesí de los medios sobre la ciencia de datos, el artículo concluye que se necesita más tiempo para ver si emergerá como una disciplina por derecho propio.

Palabras clave (es): procesamiento de datos, Ciencia de los datos, data engineering, grandes datos

Resumen (en)

The role of data scientist has been described as the “sexiest job of the 21st Century”. While possibly there is a degree of hype associated with such a claim, there are factors at play such as the unprecedented growth in the amount of data being generated. This paper characterises the already established disciplines which underpin data science, viz., data engineering, statistics, and data mining. Following a characterisation of the previous fields, data science is found to be most closely related to data mining. However, in contrast to data mining, data science promises to operate over datasets that exhibit significant challenges in terms of the four Vs: Volume, Variety, Velocity and Veracity. This paper notes that the current emphasis, both in industry and academia, is on the first three Vs, which pose mainly scientific or technological challenges, rather than Veracity, which is a truly scientific (and arguably a more complex) challenge. Data Science can be seen to have a more ambitious objective than what traditionally data mining has: as a science, data science aims to lead to the creation of new theories and knowledge. This paper notes that, ironically, the veracity dimension, which is arguably the closest one relating to this objective, is being neglected. Despite the current media frenzy about data science, the paper concludes that more time is needed to see whether it will emerge as discipline in its own right.

Palabras clave (en): data science, data mining, data engineering, statistics, big data