Capítulo 1 ¿Es la ciencia de datos una ciencia?
Gema Fernández-Avilés1
Universidad de Castilla-La Mancha
1.1 ¿Qué se entiende por ciencia?
No es posible determinar si la ciencia de datos es una ciencia sin previamente consensuar la definición de ciencia. La palabra ciencia deriva del latín scientia, que deriva a su vez del verbo latino scire (saber). En este sentido, Bunge (2004) distingue dos categorías fundamentales de conocimiento: el vulgar y el científico. El conocimiento vulgar se adquiere de manera cotidiana a partir de percepciones y sensaciones individuales, apoyándose en la evidencia (pruebas) y el sentido común. Este tipo de conocimiento constituye la base sobre la que se sustenta el conocimiento científico, que se enriquece al verificar, con la ayuda de un método, la validez de las observaciones realizadas. Se adquiere, por tanto, de forma consciente, deliberada y metódica. Puede ser sometido a prueba y, llegado el caso, ser superado (Montero, 1997).
Una definición generalmente aceptada de ciencia es la propuesta por Blaug (1985): “ciencia es el cuerpo de proposiciones sintéticas acerca del mundo real que es susceptible, al menos en principio, de falsaciones por medio de la observación empírica, ya que excluye la posibilidad de que ciertos acontecimientos se produzcan”. Es decir, según el autor, “la ciencia se caracteriza por su método de formulación de proposiciones contrastables, y no por su contenido, ni por su pretensión de certeza en el conocimiento; si alguna certeza proporciona la ciencia, esta será más bien la certeza de la ignorancia.”
Si bien esta definición está encuadrada dentro del enfoque del falsacionismo de Karl Popper (para el cual las teorías son conjeturas, hipótesis generales que permiten explicar fenómenos), introduce la palabra clave de la discusión planteada, el método, y más concretamente, el método científico.
La palabra método procede del latín methodus, y esta del griego \(\mu \varepsilon \theta o \delta 0 \varsigma\), que quiere decir “el camino a seguir para ir más allá”. Es, pues, un procedimiento para conseguir algo; y como el fin que busca la ciencia es la verdad, el método científico es el camino mediante el cual las ciencias pueden llegar a encontrar sus respectivas verdades. El método científico es, por tanto, el conjunto de procedimientos por medio de los cuales se adquieren conocimientos rigurosos, ciertos y seguros acerca de un objeto. El método científico ha de recorrerse siguiendo cuatro fases (Cancelo, 1997): (\(i\)) inventario previo de los fenómenos o de los hechos significativos no rutinarios; (\(ii\)) planteamiento de un tema problemático que hace necesaria una explicación; (\(iii\)) ideación de conjeturas tendentes a darla, y (\(iv\)) tratamiento de las diversas hipótesis hasta que solo una se mantenga.
Por tanto, aunque no hay acuerdo a la hora de dar una definición exacta de ciencia, sí lo hay a la hora de aceptar el método científico como el elemento que define la ciencia. Bunge (2004) manifiesta que “el método científico y la finalidad a la cual se aplica (el conocimiento objetivo del mundo) constituyen la entera diferencia que existe entre la ciencia y la no-ciencia […]”. Por tanto, según el autor, “el método científico es un rasgo característico de la ciencia, tanto de la pura como de la aplicada: donde no hay método científico no hay ciencia”, (Bunge, 2004). “Una ciencia es una disciplina que utiliza el método científico con la finalidad de hallar estructuras generales (leyes).” (Montero, 1997).
Dado que la utilización del método científico es la piedra angular alrededor de la cual se articula el concepto de ciencia, a continuación se aborda la cuestión de si, en base a lo anterior, la ciencia de datos es o no una ciencia. No obstante, previamente, se abordará la cuestión de qué se entiende por ciencia de datos.
1.2 ¿Qué es la ciencia de datos?
La ciencia de datos es una disciplina emergente donde, a diferencia de otros saberes como, por ejemplo, las ciencias matemáticas, el corpus o la acumulación de conocimiento se ha generado en un lapso de tiempo relativamente corto (y de una forma muy intensa), y no a lo largo de siglos de historia. Su inicio data de la década de 1970, aunque ya el término análisis de datos, acuñado por J. Tukey en 1962 en su artículo The Future of Data Analysis (Tukey, 1962) se puede considerar como un precedente del término ciencia de datos. En dicho artículo, Tukey definió, por primera vez, el análisis de datos como: “procedimientos para analizar datos, técnicas para interpretar los resultados de dichos procedimientos, formas de planificar la recopilación de datos para hacer su análisis más fácil, más preciso o acertado, y toda la maquinaria y los resultados de las estadísticas matemáticas que se aplican al análisis de datos” (Tukey, 1962). A partir de este momento, toda una serie de acontecimientos fueron consolidando el término ciencia de datos como una nueva disciplina. Una breve descripción de los acontecimientos se muestran en la Fig. 1.1.
Figura 1.1: Línea del tiempo de la ciencia de datos. Elaboración propia.
La ciencia de datos implica la limpieza, la agregación y la manipulación de datos recabados de la web, de teléfonos inteligentes, de clientes, de pacientes, de sensores o de encuestas, entre otras fuentes, para llevar a cabo un análisis de datos avanzado de los mismos, así como su modelización, para ayudar a detectar patrones, tendencias, comportamientos y, por tanto, facilitar la toma de decisiones. El crecimiento acelerado del volumen de fuentes de datos y, posteriormente, de datos, ha hecho que la ciencia de datos sea uno de los campos de más rápido desarrollo en todas las industrias. Como resultado, no sorprende que surgiera la nueva profesión del científico de datos, para ayudar a comprender y a analizar los volúmenes masivos de datos que se acumulaban en ese momento, trabajo que fue calificado como el “trabajo más sexy del siglo XXI” por T. H. Davenport & Patil (2012).
La ciencia de datos es, por tanto, una disciplina relativamente nueva que combina la estadística, las matemáticas, la informática y la programación, para obtener valor de los datos.
Se utiliza en una amplia variedad de campos, como la astronomía, la medicina, la economía, el marketing, las finanzas, la biología, la industria, etc. Esta naturaleza transdisciplinaria de la ciencia de datos añade cierta complejidad a su caracterización pues, como se ha avanzado, siendo una única disciplina, subsume en su ejercicio otras disciplinas como las ciencias matemáticas y la estadística y la ciencia de la computación, que a su vez son aplicadas a un amplio rango de dominios de manera integral. La ciencia de datos se sirve de los métodos formales de las matemáticas y de las aplicaciones prácticas e ingenieriles de las ciencias de la computación para la generación de conocimiento y para la resolución de problemas prácticos en múltiples campos. Esta ubicuidad la sitúa, transversalmente, entre los saberes de primer orden. En otras palabras, la ciencia de datos va adoptando los paradigmas, modelos, teorías o constructos propios del campo sustantivo en el que se ejerce, de forma que, para resolver alguna problemática sobre personas, puede recurrir al corpus relativo de la psicología o de la sociología y, para profundizar sobre alguna condición de salud, puede hacer lo propio con la medicina o la biología, por mencionar algunos ejemplos.
1.3 Lo científico de la ciencia de datos
En la Sec. 1.1 se manifestó que un aspecto fundamental de la ciencia es que utiliza el método científico con la finalidad de hallar estructuras generales (principios y leyes) con capacidad predictiva y comprobable (en el sentido amplio del término). Es por ello que el marco general de la metodología científica ha sido bien fundamentado a lo largo de las últimas décadas gracias a las contribuciones de diferentes teóricos de la ciencia (Bunge, 2004; Chalmers et al., 2000; Díez & Moulines, 2008). Por otra parte, las ciencias se clasifican, según el objeto de estudio (Bunge, 2018), en: empíricas y formales.2 Dado que la ciencia de datos subsume diferentes disciplinas y se aplica a diferentes campos, puede tener características tanto de las ciencias empíricas como de las formales.
Si se analiza el conjunto de saberes científicos se aprecia que tienen en común una serie de características (Bunge, 2018). Por tanto, la pregunta fundamental en este punto es: ¿comparte la ciencia de datos estas características? De ser satisfechas, conferirían a la ciencia de datos el estatuto de ciencia que comparten otros saberes científicos:
La actividad científica es metódica. Es decir, utiliza un método, se caracteriza por proceder de manera ordenada y planificada. Esta estructuración le otorga solidez y consistencia. En ciencia de datos también se actúa de manera metódica, a través de diferentes metodologías, como Knowledge Discovery in Databases (KDD), Sample, Explore, Modify, Model, Assess (SEMMA) y CRoss-Industry Standard Process for Data Mining (CRISP-DM), tal y como se expone en el Cap. 2.
El conocimiento científico se fundamenta en hechos. En general, los científicos disponen de diferentes instrumentos para observar y registrar la realidad sobre la que conjeturan. Esta labor también la realizan los científicos de datos, quienes cuentan con un elevado número de instrumentos y metodologías para la recolección de datos. Tal es el caso de los cuestionarios, escalas psicométricas o datos transaccionales producidos por diferentes tecnologías.
El saber científico implica que las afirmaciones científicas puedan ser contrastadas a través de los hechos. En ciencia de datos, esto también sucede, ya que, estadísticamente, los resultados a los que se llega no están ligados a la subjetividad del analista, sino a la objetividad de los datos y a las técnicas estadísticas de contrastación.
La ciencia es una actividad que trasciende los hechos. Es decir, la ciencia parte de evidencias empíricas que tienden a ser superadas, puesto que la explotación de las mismas suele generar nuevas evidencias que, a su vez, pueden contribuir a crear nuevos marcos teóricos explicativos o a ampliar los existentes. La ciencia de datos puede ejercerse en el mismo sentido. Por ejemplo, la construcción de un recomendador, como Netflix, parte de ciertos datos, pero su uso genera nuevos inputs comportamentales que pueden ser empleados para optimizar su sustrato algorítmico.
La investigación científica se caracteriza también por ser una actividad analítica. Es decir, tiende a descomponer los problemas en sus partes constitutivas. Cabe observar que la consecuencia de ello es que no se pueda hablar de una ciencia general, sino de especializaciones. Naturalmente, la especialización también existe en esta disciplina; por eso, cuando la ciencia de datos se aplica intensivamente en recursos humanos, por ejemplo, es posible hablar de Human Resource Analytics. Lo mismo ocurre en Economía, con el Business Analytics, y así en un sinfín de disciplinas.
La ciencia es comunicable y, para ello, se sirve de sistemas representacionales lógico-formales. Este atributo también se aprecia en la ciencia de datos, puesto que los resultados tienden a ser compartidos a través de diferentes estrategias, entre ellas, la visualización de datos.
La ciencia, sin embargo, no solo puede describirse mediante sus características constitutivas, sino también funcionalmente (Hempel, 2005). De hecho, las características anteriormente citadas son las que posibilitan las funciones descriptiva, explicativa y predictiva.
La primera, la descriptiva, permite recabar información sobre el suceso que se analiza para tratar de conocerlo en mayor profundidad y detalle. En ciencia de datos, usualmente, una de las primeras tareas consiste en describir el conjunto de datos para conocer en detalle sus características, es decir, el número de variables, el número de observaciones, los valores nulos, etc. Esta tarea se conoce como “comprensión de los datos” en la metodología CRISP-DM (véase Sec. 2.3).
La segunda, la explicativa, determina cómo se relacionan los fenómenos que se observan. En general, cuando un científico de datos emplea un modelo de regresión lineal, lo que hace es establecer una relación explicativa entre la variable dependiente y las independientes. Esta parte se conoce como “modelado” en la metodología CRISP-DM (véase Sec. 2.3).
La tercera, la predictiva, permite anticipar ciertos eventos en el tiempo o en el espacio. Tal es el caso de los científicos de datos que ejercen su labor en el ámbito comercial y emplean, por ejemplo, el análisis de series temporales para pronosticar las ventas futuras y poder realizar una planificación del aprovisionamiento de existencias con mayor eficiencia. Esta parte está incluida en la fase de “validación” en la metodología CRISP-DM (véase Sec. 2.3).
A la luz de lo expuesto hasta aquí, se puede sostener, sin lugar a dudas, que la ciencia de datos emplea el método científico y comparte las principales funciones de la ciencia. Ahora bien, la ciencia de datos no puede entenderse plenamente sin presuponer las disciplinas en las que se aplica. Por tanto, uno de los interrogantes que deberán resolver los futuros profesionales es si la ciencia de datos es un saber de primer orden, que lidia directamente con la realidad, como la física o la química, o si, por el contrario, es un saber de segundo orden, es decir, una suerte de disciplina que se sirve de otros saberes para desplegarlos y actualizarlos.
Resumen
Para determinar si la ciencia de datos es, realmente, una ciencia, en primer lugar se debe consensuar la definición de ciencia, que va íntimamente ligada a la definición de método científico.
Las ciencias tienen en común una serie de características, que deben ser satisfechas por la ciencia de datos para adquirir el estatus de ciencia.
Dado que la ciencia de datos emplea el método científico y comparte las principales funciones de la ciencia, se concluye que la ciencia de datos es una ciencia.