1  Gestión de Requerimientos y Stakeholders

En la mayoría de los cursos de minería de datos y almacenes de datos, el punto de partida suele ser una base de datos limpia o un algoritmo de aprendizaje supervisado como árboles de decisión o regresión logística. Sin embargo, en el mundo real, los proyectos analíticos no comienzan con datos listos para ser procesados. Comienzan con una necesidad de negocio, una pregunta vaga o un problema operativo expresado por personas que no necesariamente entienden de algoritmos o de modelado dimensional.

El éxito de un proyecto de datos no se mide por la precisión del modelo (por ejemplo, un AUC de 0.95), sino por el impacto económico o estratégico que genera en la organización. Por ello, la fase inicial de cualquier proyecto de datos exitoso, el Entendimiento del Negocio (fase inicial de la metodología CRISP-DM que estudiaremos más adelante en el curso (Chapman et al. 2000)) es la más crítica. Antes de escribir la primera línea de código o importar librerías de modelado, debemos comprender en profundidad qué busca solucionar la organización. Para ejecutar esto con éxito, es fundamental dominar la comunicación con los stakeholders (partes interesadas) y traducir sus necesidades cualitativas en problemas técnicos cuantitativos estructurados.

1.1 Identificación de Partes Interesadas (Stakeholders)

Definición (stakeholder o parte interesada). De acuerdo con el marco del Community Tool Box de la Universidad de Kansas (Center for Community Health and Development, University of Kansas 2023), una parte interesada es cualquier persona, grupo u organización que puede verse afectada por un proyecto, o que puede influir directa o indirectamente en su desarrollo y éxito. Esta definición retoma la teoría clásica de los stakeholders propuesta por Freeman (1984) y ampliamente adoptada en la gestión moderna de proyectos.

En proyectos de analítica y minería de datos, identificar a las partes interesadas permite comprender quiénes utilizarán los resultados, quiénes podrían verse afectados y quiénes tienen la capacidad de orientar o decidir el rumbo del proyecto. Siguiendo las técnicas de identificación y análisis descritas por Bryson (2004), las partes interesadas pueden estudiarse mediante dos criterios complementarios: su relación con la organización y su papel dentro del proyecto.

1.1.1 Clasificación según su relación con la organización

Una manera de clasificar a los stakeholders es según su relación con la organización responsable del proyecto.

Stakeholders según su relación con la organización

Organización

Stakeholders internos

Forman parte de la organización y participan directamente en sus decisiones, procesos o actividades.

Propietarios

Accionistas

Directivos

Empleados

Stakeholders externos

No forman parte de la organización, pero pueden verse afectados por sus actividades o influir en ellas.

Clientes

Comunidad

Proveedores

Gobierno

Bancos

Autoridades

1.1.2 Clasificación según su papel en el proyecto

Esta segunda clasificación no sustituye a la anterior. Una misma parte interesada puede ser interna o externa y, al mismo tiempo, primaria, secundaria o clave.

Stakeholders según su papel en el proyecto

Proyecto analítico

Primarios

Reciben directamente los beneficios o las consecuencias de los resultados del proyecto.

Ejemplos:
usuarios finales, clientes y operadores.

Secundarios

Se ven afectados indirectamente porque el proyecto modifica sus procesos, responsabilidades o entorno.

Ejemplos:
equipos de TI, DBAs y departamento legal.

Clave

Tienen autoridad, influencia, conocimiento especializado o capacidad de financiamiento sobre el proyecto.

Ejemplos:
patrocinadores, directivos y reguladores.

Importante: las categorías pueden superponerse. Un stakeholder clave también puede ser primario o secundario, según la forma en que participe en el proyecto.

1.1.3 Ejemplo: un aeropuerto internacional

En la operación de un aeropuerto internacional pueden identificarse partes interesadas internas, como la autoridad aeroportuaria, el personal de seguridad y los responsables operativos; y partes interesadas externas, como los pasajeros, las aerolíneas, los proveedores, las empresas de transporte, los organismos gubernamentales y los inversionistas.

Si se desarrolla un sistema analítico para predecir retrasos, los pasajeros, pilotos y operadores podrían considerarse partes interesadas primarias; los proveedores de servicios y las empresas de transporte terrestre, partes interesadas secundarias; y la autoridad aeroportuaria, los organismos reguladores y los patrocinadores del proyecto, partes interesadas clave.

La clasificación dependerá del alcance del proyecto y de la manera en que cada actor resulte afectado o pueda influir en sus decisiones.

1.2 Análisis de Stakeholders: La Matriz de Poder e Interés

Para gestionar las expectativas de manera eficiente y evitar que la falta de aliniación descarrile un proyecto de datos, se utiliza la Matriz de Poder vs. Interés (también conocida como Matriz de Influencia/Interés), originalmente propuesta por Mendelow (1981) y adoptada como práctica estándar de gestión de interesados por el PMBOK Guide (Project Management Institute 2017). Esta herramienta clasifica a los stakeholders en una cuadrícula basada en dos dimensiones clave:

1. Poder (Influencia): La capacidad de cambiar la dirección del proyecto, asignar recursos, aprobar entregables o cancelarlo por completo.
2. Interés: El nivel de atención y preocupación que tiene el stakeholder sobre el impacto del proyecto en su área.

A continuación se presenta el diagrama de la matriz de alineación estratégica para proyectos de análisis de datos:

Alto Poder

Bajo Poder

Mantener Satisfecho

Alto Poder, Bajo Interés. Involucrar en puntos clave de seguridad, legal y TI para evitar bloqueos tardíos.

Gestionar de Cerca

Alto Poder, Alto Interés. Patrocinadores y líderes clave del negocio. Socios estratégicos del proyecto.

Monitorear

Bajo Poder, Bajo Interés. Esfuerzo de comunicación mínimo. Seguimiento pasivo del avance.

Mantener Informado

Bajo Poder, Alto Interés. Usuarios operativos del modelo. Proporcionan retroalimentación valiosa.

Bajo Interés

Alto Interés

1.2.1 Estrategias de Gestión por Cuadrante

• Alto Poder, Alto Interés (Gestionar de Cerca): Deben participar activamente en las fases de planificación del proyecto, validar los entregables intermedios y recibir reportes de avance periódicos.
• Alto Poder, Bajo Interés (Mantener Satisfecho): Involucrarlos en puntos críticos. Es fundamental garantizar que el proyecto cumple con las normativas de seguridad, gobernanza y gobernanza de nube.
• Bajo Poder, Alto Interés (Mantener Informado): Mantenerlos entusiasmados e informados sobre cómo el modelo les facilitará el trabajo. Es vital pedir su retroalimentación temprana.
• Bajo Poder, Bajo Interés (Monitorear): Monitorear pasivamente con comunicación general.

1.3 Definición de alcance y traducción de preguntas de negocio

Uno de los errores más frecuentes en los proyectos de analítica consiste en aceptar una pregunta de negocio tal como fue formulada y comenzar a trabajar con los datos de inmediato. Expresiones como “queremos evitar que los clientes se vayan” o “necesitamos aumentar las ventas” comunican una preocupación legítima, pero todavía no constituyen un objetivo analítico.

La función del analista no es únicamente extraer datos o construir modelos. También debe actuar como traductor entre las necesidades del negocio y las capacidades analíticas de la organización. Esto implica transformar una inquietud general en una pregunta concreta, medible y vinculada con una decisión.

La definición de alcance —o scoping— es el proceso mediante el cual se aclaran:

• el problema que se desea resolver;
• la decisión que se tomará con el resultado;
• la población o unidad de análisis;
• el periodo relevante;
• las métricas de éxito;
• las restricciones operativas;
• y el formato de entrega esperado.

Solo después de establecer estos elementos tiene sentido evaluar qué datos están disponibles y qué metodología podría utilizarse.

Esta traducción constituye el punto de partida de todo proyecto analítico. Una vez comprendida la necesidad del negocio, el equipo puede estudiar los datos disponibles, prepararlos, realizar el análisis, evaluar si los resultados responden a la pregunta original y, cuando sea necesario, desplegar una solución en producción. Por tanto, la definición de alcance no es una formalidad previa al análisis: es la etapa que orienta todas las decisiones posteriores.

1.3.1 Del problema de negocio al objetivo analítico

Una pregunta cualitativa debe atravesar varias capas de definición antes de convertirse en un objetivo técnico. El propósito no es reemplazar el lenguaje del stakeholder por terminología estadística, sino construir una especificación compartida que conecte el análisis con una acción concreta.

1. Necesidad

Pregunta de negocio

“Queremos evitar que los clientes se vayan.”

→

2. Refinamiento

Traducción analítica

Definir abandono, población, horizonte temporal, variables y acción esperada.

→

3. Especificación

Objetivo cuantitativo

Estimar qué clientes tienen mayor probabilidad de cancelar su suscripción en los próximos 30 días.

En este ejemplo, el resultado del proceso no es todavía la selección de un algoritmo. Decidir anticipadamente que se utilizará XGBoost, Random Forest o cualquier otra técnica puede limitar el análisis antes de comprender el problema. La metodología debe elegirse después de confirmar el objetivo, revisar los datos y establecer cómo se evaluará la utilidad de la solución.

1.4 Refinamiento iterativo mediante preguntas

La primera pregunta del stakeholder rara vez contiene todo el contexto necesario. Por ello, la definición de alcance debe tratarse como una conversación iterativa y no como un cuestionario que se responde una sola vez.

Una estrategia útil consiste en avanzar por capas. Cada respuesta permite formular una pregunta más precisa, detectar supuestos y regresar al stakeholder para validar el entendimiento. El ciclo termina cuando ambas partes pueden expresar con claridad qué se analizará, para qué se utilizará y cómo se reconocerá un resultado útil.

Ciclo de refinamiento del objetivo

Cada respuesta genera una pregunta más específica y una nueva oportunidad de validación.

CAPA 1

Contexto

¿Qué situación originó la solicitud?

→

CAPA 2

Decisión

¿Qué decisión cambiará con el análisis?

→

CAPA 3

Medición

¿Qué indicador representa el resultado esperado?

→

CAPA 4

Alcance

¿A quién, cuándo y bajo qué restricciones aplica?

→

CAPA 5

Validación

¿Esta formulación representa la necesidad real?

↺ Si aparecen ambigüedades, supuestos sin confirmar o restricciones nuevas, se regresa a la capa correspondiente y se reformula el objetivo.

1.4.1 Estrategias para formular mejores preguntas

Durante este ciclo pueden combinarse varias estrategias de indagación:

1. Preguntar por el contexto antes que por la solución.
   En lugar de comenzar con “¿qué dashboard necesitas?”, conviene preguntar “¿qué situación motivó esta solicitud?”. Esto evita confundir el formato de entrega con el problema que debe resolverse.

2. Conectar el análisis con una decisión.
   Preguntas como “¿qué harías de manera diferente si tuvieras esta información?” permiten determinar si el análisis tendrá un uso concreto. Si no existe una decisión asociada, es posible que la solicitud todavía sea demasiado general.

3. Convertir conceptos ambiguos en definiciones operativas.
   Términos como cliente activo, abandono, éxito, rentabilidad o bajo desempeño pueden tener significados diferentes entre áreas. El analista debe preguntar cómo se observan y calculan en la práctica.

4. Delimitar población, periodo y nivel de detalle.
   Es necesario precisar si el análisis se realizará por cliente, transacción, producto, sucursal o región, así como definir el periodo histórico y el horizonte futuro relevantes.

5. Explorar restricciones y capacidad de acción.
   No basta con detectar un comportamiento si la organización no puede intervenir sobre él. Conviene preguntar qué acciones están disponibles, cuál es su costo y sobre cuántos casos puede actuar el equipo.

6. Reformular y validar.
   Después de escuchar las respuestas, el analista debe resumir el entendimiento alcanzado: “Entonces, lo que necesitamos es…”. Esta reformulación permite que el stakeholder corrija interpretaciones antes de invertir tiempo en el análisis.

1.4.2 Ejemplo de una conversación de refinamiento

Supongamos que un stakeholder plantea la siguiente necesidad:

“Queremos evitar que los clientes se vayan.”

La conversación podría avanzar de esta manera:

• Contexto: ¿Qué comportamiento reciente indica que existe un problema de abandono?
• Definición: ¿Qué significa exactamente que un cliente “se vaya”: cancelar, dejar de comprar o permanecer inactivo?
• Población: ¿El problema afecta a todos los clientes o a un segmento específico?
• Horizonte: ¿Con cuánta anticipación necesitamos identificar el riesgo?
• Decisión: ¿Qué acción se realizará cuando se detecte un cliente en riesgo?
• Capacidad: ¿A cuántos clientes puede contactar el equipo de retención cada semana?
• Éxito: ¿Cómo se medirá el resultado: cancelaciones evitadas, ingresos retenidos o retorno de la campaña?
• Validación: ¿La prioridad es detectar la mayor cantidad posible de clientes que podrían abandonar, aunque existan algunos falsos positivos?

Después de esta iteración, la pregunta original podría reformularse así:

Objetivo analítico: identificar semanalmente a los clientes de suscripción mensual con mayor probabilidad de cancelar durante los próximos 30 días, utilizando su comportamiento de los últimos 90 días, para priorizar hasta 2,000 contactos del equipo de retención. La solución se evaluará por su capacidad para identificar cancelaciones reales y por los ingresos retenidos mediante la intervención.

Esta formulación ya establece una población, una ventana de observación, un horizonte de predicción, una capacidad operativa y una medida de valor. A partir de ella, el equipo puede investigar la disponibilidad de los datos y comparar distintas metodologías.

1.5 Ejemplos de traducción de preguntas de negocio

Pregunta del stakeholder	Traducción analítica	Posible metodología
¿Cómo podemos aumentar el ticket promedio de la tienda en línea?	Identificar productos que tienden a comprarse juntos y evaluar qué combinaciones podrían utilizarse en recomendaciones durante el proceso de compra.	Reglas de asociación —Apriori o FP-Growth— evaluadas mediante soporte, confianza y lift.
¿Cómo evitamos la fuga de clientes de suscripción mensual?	Estimar la probabilidad de cancelación durante los próximos 30 días a partir de la actividad reciente de cada cliente, con el fin de priorizar intervenciones.	Modelos de clasificación supervisada, evaluados con métricas coherentes con la capacidad y el costo de intervención.
Queremos campañas personalizadas, pero no sabemos cómo agrupar a los clientes.	Identificar grupos de clientes con patrones semejantes de recencia, frecuencia, valor monetario y comportamiento de compra.	Segmentación RFM y técnicas de agrupamiento como K-Means o DBSCAN, acompañadas de interpretación de perfiles.
Necesitamos saber si los descuentos de fin de año funcionaron.	Estimar el efecto de los descuentos sobre el margen neto y distinguirlo de cambios estacionales u otros factores simultáneos.	Análisis causal o cuasiexperimental, según la disponibilidad de grupos de comparación y datos históricos.

Estas metodologías son puntos de partida, no decisiones automáticas. La técnica definitiva dependerá de la calidad de los datos, los supuestos que puedan sostenerse y la forma en que el resultado será utilizado.

1.6 El proceso de solicitud de datos (Data Request)

Una vez validado el objetivo, el entendimiento alcanzado debe registrarse. El Data Request o solicitud de datos es el mecanismo formal mediante el cual las áreas operativas comunican una necesidad al equipo analítico y documentan su contexto, alcance y criterios de éxito.

Definición — Solicitud de datos (Data Request): proceso formal, generalmente representado mediante un formulario o intake ticket, que captura la necesidad de negocio y la información necesaria para evaluar, priorizar y ejecutar un proyecto analítico.

El ticket no sustituye la conversación con el stakeholder. Su función es conservar los acuerdos alcanzados durante el proceso de refinamiento y reducir ambigüedades posteriores.

1.6.1 Elementos esenciales de un Data Request Ticket

1. Problema o pregunta principal
   ¿Qué situación se desea comprender, resolver o mejorar?

2. Contexto de negocio
   ¿Por qué surge la necesidad y por qué es relevante en este momento?

3. Decisión o acción esperada
   ¿Qué se hará de manera diferente a partir del resultado?

4. Población y alcance
   ¿Qué clientes, productos, transacciones, regiones o periodos se incluirán?

5. Métricas de éxito
   ¿Cómo se determinará si el análisis fue útil para el negocio?

6. Fuentes de datos conocidas o sugeridas
   ¿Existen tablas, archivos, sistemas o proveedores externos que podrían contener la información necesaria?

7. Formato de entrega
   ¿Se requiere un análisis exploratorio, un reporte, un dashboard, una lista priorizada, un experimento o un modelo integrado en un proceso operativo?

8. Responsable de validación
   ¿Quién confirmará las definiciones, los resultados y las decisiones derivadas del análisis?

9. Restricciones y riesgos
   ¿Existen límites de tiempo, privacidad, presupuesto, capacidad operativa o calidad de datos?

10. Fecha de decisión
    ¿Cuándo debe estar disponible el resultado para que todavía sea útil?

1.7 Cierre

La calidad de un proyecto analítico depende, en gran medida, de la calidad de la pregunta que lo origina. Un objetivo ambiguo puede producir un análisis técnicamente correcto pero irrelevante; un objetivo bien definido, en cambio, permite seleccionar datos, métricas y métodos de forma coherente.

Definir el alcance significa construir un entendimiento compartido entre el stakeholder y el equipo de datos. Para lograrlo, el analista debe preguntar, escuchar, reformular y validar de manera iterativa. El resultado de este proceso no es simplemente una pregunta más técnica, sino un vínculo explícito entre los datos, una decisión y un resultado de negocio.

---

1.8 Caso de Estudio Práctico: Alineación en TheLook eCommerce

Imagina que eres contratado como líder de datos en TheLook eCommerce (el caso de estudio que utilizaremos a lo largo del curso). El Director de Mercadotecnia te aborda con el siguiente requerimiento:

“Necesito que me entregues un reporte con todos los clientes y lo que compran porque las ventas de ropa de mujer han bajado este mes y queremos lanzar un descuento.”

Si actúas únicamente de manera reactiva, extraerás una consulta SQL pesada, generarás un archivo CSV de gigabytes con millones de filas y se lo enviarás por correo electrónico. Este es un camino directo al fracaso del proyecto: el stakeholder no podrá abrir el archivo debido a su tamaño, o pasará horas filtrándolo en Excel sin extraer ninguna conclusión clara.

1.8.1 La Conversación de Alineación Estratégica

• Tú (Analista): “Para afinar la extracción de datos, ¿cuál es el objetivo de la campaña de descuento? ¿Quieren recuperar clientes inactivos o incentivar a las clientas recurrentes a comprar categorías más caras?”
• Director (Stakeholder): “Queremos incentivar a las clientas que ya compran regularmente vestidos de diseñador a que exploren nuestra nueva línea de accesorios de lujo de alto margen.”
• Tú (Analista): “Excelente. En lugar de todos los clientes, extraeré un reporte enfocado en el segmento con alta frecuencia de compra en la categoría de mujer/vestidos. Además, aplicaré un modelo de asociación para identificar qué accesorios compran junto con los vestidos para sugerir combinaciones específicas en la campaña.”

Resultado: Redujiste el esfuerzo técnico de extraer bases de datos enteras, entregaste un análisis de alto impacto enfocado en conversión de alto margen, y alineaste las expectativas de negocio desde el primer día.

---

1.9 Referencias

Aggarwal, Charu C., and Chandan K. Reddy. 2013. Data Clustering: Algorithms and Applications. CRC Press.

Agrawal, Rakesh, and Ramakrishnan Srikant. 1994. “Fast Algorithms for Mining Association Rules in Large Databases.” Proceedings of the 20th International Conference on Very Large Data Bases, VLDB ’94, 487–99.

Agrawal, Rakesh, and Ramakrishnan Srikant. 1995. “Mining Sequential Patterns.” Proceedings of the Eleventh International Conference on Data Engineering (ICDE), 3–14.

Amazon Web Services. 2024. Amazon SageMaker Documentation. AWS Documentation. https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html.

Analytics Vidhya. 2016. BigMart Sales Prediction (Practice Problem). DataHack Platform. https://www.analyticsvidhya.com/datahack/contest/big-mart-sales-prediction/.

Anscombe, Francis J. 1973. “Graphs in Statistical Analysis.” The American Statistician 27 (1): 17–21. https://doi.org/10.1080/00031305.1973.10478966.

Arthur, David, and Sergei Vassilvitskii. 2007. “K-Means++: The Advantages of Careful Seeding.” Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, 1027–35.

Bamber, Donald. 1975. “The Area Above the Ordinal Dominance Graph and the Area Below the Receiver Operating Characteristic Graph.” Journal of Mathematical Psychology 12 (4): 387–415. https://doi.org/10.1016/0022-2496(75)90001-2.

Bayardo, Roberto J. 1998. “Efficiently Mining Long Patterns from Databases.” Proceedings of the 1998 ACM SIGMOD International Conference on Management of Data, 85–93.

Bellman, Richard E. 1961. Adaptive Control Processes: A Guided Tour. Princeton University Press.

Berger, James O. 1985. Statistical Decision Theory and Bayesian Analysis. 2nd ed. Springer.

Bergstra, James, and Yoshua Bengio. 2012. “Random Search for Hyper-Parameter Optimization.” Journal of Machine Learning Research 13: 281–305.

Beyer, Kevin, Jonathan Goldstein, Raghu Ramakrishnan, and Uri Shaft. 1999. “When Is ‘Nearest Neighbor’ Meaningful?” Database Theory – ICDT’99, Lecture notes in computer science, vol. 1540: 217–35. https://doi.org/10.1007/3-540-49257-7_15.

Biostatsquid. 2026. Diversity Metrics Easily Explained: Shannon, Simpson, Gini, Chao1 and Hill Numbers! Video de YouTube. https://youtu.be/CZRdULKPG2M.

Bishop, Christopher M. 2006. Pattern Recognition and Machine Learning. Information Science and Statistics. Springer.

Borgelt, Christian. 2005. “An Implementation of the FP-Growth Algorithm.” Proceedings of the 1st International Workshop on Open Source Data Mining: Frequent Pattern Mining Implementations, 1–5. https://doi.org/10.1145/1133905.1133907.

Bradbury, James, Roy Frostig, Peter Hawkins, et al. 2018. JAX: Composable Transformations of Python+NumPy Programs. Released. http://github.com/jax-ml/jax.

Breiman, Leo. 1996. “Bagging Predictors.” Machine Learning 24 (2): 123–40. https://doi.org/10.1007/BF00058655.

Breiman, Leo. 2001a. “Random Forests.” Machine Learning 45 (1): 5–32. https://doi.org/10.1023/A:1010933404324.

Breiman, Leo. 2001b. “Random Forests.” Machine Learning 45 (1): 5–32. https://doi.org/10.1023/A:1010933404324.

Breiman, Leo, Jerome H. Friedman, Richard A. Olshen, and Charles J. Stone. 1984. Classification and Regression Trees. Wadsworth International Group.

Brier, Glenn W. 1950. “Verification of Forecasts Expressed in Terms of Probability.” Monthly Weather Review 78 (1): 1–3. https://doi.org/10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2.

Bryson, John M. 2004. “What to Do When Stakeholders Matter: Stakeholder Identification and Analysis Techniques.” Public Management Review 6 (1): 21–53. https://doi.org/10.1080/14719030410001675722.

Caliński, Tadeusz, and Józef Harabasz. 1974. “A Dendrite Method for Cluster Analysis.” Communications in Statistics 3 (1): 1–27.

Campello, Ricardo J. G. B., Davoud Moulavi, and Jörg Sander. 2013. “Density-Based Clustering Based on Hierarchical Density Estimates.” Advances in Knowledge Discovery and Data Mining, Lecture notes in computer science, vol. 7819: 160–72.

Cawley, Gavin C., and Nicola L. C. Talbot. 2010. “On over-Fitting in Model Selection and Subsequent Selection Bias in Performance Evaluation.” Journal of Machine Learning Research 11: 2079–107.

Center for Community Health and Development, University of Kansas. 2023. Chapter 7, Section 8: Identifying and Analyzing Stakeholders and Their Interests. Community Tool Box. https://ctb.ku.edu/en/table-of-contents/participation/encouraging-involvement/identify-stakeholders/main.

Chang, Chih-Chung, and Chih-Jen Lin. 2011. “LIBSVM: A Library for Support Vector Machines.” ACM Transactions on Intelligent Systems and Technology 2 (3): 27:1–27. https://doi.org/10.1145/1961189.1961199.

Chapman, Pete, Julian Clinton, Randy Kerber, et al. 2000. CRISP-DM 1.0: Step-by-Step Data Mining Guide. SPSS Inc.

Chaudhuri, Surajit, and Umeshwar Dayal. 1997. “An Overview of Data Warehousing and OLAP Technology.” ACM SIGMOD Record 26 (1): 65–74. https://doi.org/10.1145/248603.248616.

Chawla, Nitesh V., Kevin W. Bowyer, Lawrence O. Hall, and W. Philip Kegelmeyer. 2002. “SMOTE: Synthetic Minority over-Sampling Technique.” Journal of Artificial Intelligence Research 16: 321–57. https://doi.org/10.1613/jair.953.

Chen, Tianqi, and Carlos Guestrin. 2016. “XGBoost: A Scalable Tree Boosting System.” Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–94. https://doi.org/10.1145/2939672.2939785.

Chicco, Davide, and Giuseppe Jurman. 2020. “The Advantages of the Matthews Correlation Coefficient (MCC) over F1 Score and Accuracy in Binary Classification Evaluation.” BMC Genomics 21 (6). https://doi.org/10.1186/s12864-019-6413-7.

Congreso de los Estados Unidos Mexicanos. 2010. Ley Federal de Protección de Datos Personales En Posesión de Los Particulares. Diario Oficial de la Federación. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf.

Cortes, Corinna, and Vladimir N. Vapnik. 1995. “Support-Vector Networks.” Machine Learning 20 (3): 273–97. https://doi.org/10.1007/BF00994018.

Cover, Thomas M., and Peter E. Hart. 1967. “Nearest Neighbor Pattern Classification.” IEEE Transactions on Information Theory 13 (1): 21–27. https://doi.org/10.1109/TIT.1967.1053964.

Cube Dev, Inc. 2024. Cube Documentation. Cube Dev. https://cube.dev/docs/.

Cybenko, George. 1989. “Approximation by Superpositions of a Sigmoidal Function.” Mathematics of Control, Signals, and Systems 2 (4): 303–14.

DAMA International. 2017. DAMA-DMBOK: Data Management Body of Knowledge. 2nd ed. Technics Publications.

Databricks. 2024. Databricks: The Data and AI Company. Databricks. https://www.databricks.com.

Davenport, Thomas H., and D. J. Patil. 2012. “Data Scientist: The Sexiest Job of the 21st Century.” Harvard Business Review 90 (10): 70–76.

Davies, David L., and Donald W. Bouldin. 1979. “A Cluster Separation Measure.” IEEE Transactions on Pattern Analysis and Machine Intelligence 1 (2): 224–27.

dbt Labs. 2024. Dbt Semantic Layer Documentation. Dbt Labs. https://docs.getdbt.com/docs/use-dbt-semantic-layer/dbt-sl.

DeepMind, Igor Babuschkin, Kate Baumli, et al. 2020. The DeepMind JAX Ecosystem. Released. http://github.com/google-deepmind.

Dehghani, Zhamak. 2022. Data Mesh: Delivering Data-Driven Value at Scale. O’Reilly Media.

Dempster, Arthur P., Nan M. Laird, and Donald B. Rubin. 1977. “Maximum Likelihood from Incomplete Data via the EM Algorithm.” Journal of the Royal Statistical Society, Series B 39 (1): 1–38.

Devlin, Barry A., and Paul T. Murphy. 1988. “An Architecture for a Business and Information System.” IBM Systems Journal 27 (1): 60–80. https://doi.org/10.1147/sj.271.0060.

Dietterich, Thomas G. 1998. “Approximate Statistical Tests for Comparing Supervised Classification Learning Algorithms.” Neural Computation 10 (7): 1895–923. https://doi.org/10.1162/089976698300017197.

Dietterich, Thomas G. 2000. “Ensemble Methods in Machine Learning.” Multiple Classifier Systems, Lecture notes in computer science, vol. 1857: 1–15. https://doi.org/10.1007/3-540-45014-9_1.

Duda, Richard O., Peter E. Hart, and David G. Stork. 2001. Pattern Classification. 2nd ed. Wiley.

Durbin, Richard, Sean R. Eddy, Anders Krogh, and Graeme Mitchison. 1998. Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. Cambridge University Press.

Ester, Martin, Hans-Peter Kriegel, Jörg Sander, and Xiaowei Xu. 1996. “A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise.” Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, 226–31.

Fawcett, Tom. 2006. “An Introduction to ROC Analysis.” Pattern Recognition Letters 27 (8): 861–74. https://doi.org/10.1016/j.patrec.2005.10.010.

Fayyad, Usama M., and Keki B. Irani. 1992. “On the Handling of Continuous-Valued Attributes in Decision Tree Generation.” Machine Learning 8 (1): 87–102. https://doi.org/10.1007/BF00994007.

Fayyad, Usama, Gregory Piatetsky-Shapiro, and Padhraic Smyth. 1996. “From Data Mining to Knowledge Discovery in Databases.” AI Magazine 17 (3): 37–54. https://doi.org/10.1609/aimag.v17i3.1230.

Fielding, Roy Thomas. 2000. “Architectural Styles and the Design of Network-Based Software Architectures.” PhD thesis, University of California, Irvine.

Fisher, Ronald A. 1936. “The Use of Multiple Measurements in Taxonomic Problems.” Annals of Eugenics 7 (2): 179–88. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x.

Fix, Evelyn, and Joseph L. Hodges. 1951. Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties. No. 4. USAF School of Aviation Medicine, Randolph Field, Texas.

Fournier-Viger, Philippe, Jerry Chun-Wei Lin, Rage Uday Kiran, Yun Sing Koh, and Rincy Thomas. 2017. “A Survey of Sequential Pattern Mining.” Data Science and Pattern Recognition 1 (1): 54–77.

Fowler, Martin. 2010. Richardson Maturity Model. Martinfowler.com. https://martinfowler.com/articles/richardsonMaturityModel.html.

Freedman, David, Robert Pisani, and Roger Purves. 2007. Statistics. 4th ed. W. W. Norton.

Freeman, R. Edward. 1984. Strategic Management: A Stakeholder Approach. Pitman.

Freund, Yoav, and Robert E. Schapire. 1997. “A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting.” Journal of Computer and System Sciences 55 (1): 119–39. https://doi.org/10.1006/jcss.1997.1504.

Friedman, Jerome H. 2001. “Greedy Function Approximation: A Gradient Boosting Machine.” The Annals of Statistics 29 (5): 1189–232. https://doi.org/10.1214/aos/1013203451.

Friedman, Jerome H. 2002. “Stochastic Gradient Boosting.” Computational Statistics & Data Analysis 38 (4): 367–78. https://doi.org/10.1016/S0167-9473(01)00065-2.

Friedman, Jerome H., Jon Louis Bentley, and Raphael Ari Finkel. 1977. “An Algorithm for Finding Best Matches in Logarithmic Expected Time.” ACM Transactions on Mathematical Software 3 (3): 209–26. https://doi.org/10.1145/355744.355745.

Friedman, Jerome, Trevor Hastie, and Robert Tibshirani. 2000. “Additive Logistic Regression: A Statistical View of Boosting.” The Annals of Statistics 28 (2): 337–407. https://doi.org/10.1214/aos/1016218223.

Fukunaga, Keinosuke, and Patrenahalli M. Narendra. 1975. “A Branch and Bound Algorithm for Computing k-Nearest Neighbors.” IEEE Transactions on Computers C-24 (7): 750–53. https://doi.org/10.1109/T-C.1975.224297.

Ganter, Bernhard, and Rudolf Wille. 1999. Formal Concept Analysis: Mathematical Foundations. Springer.

Gardiner-Garden, Margaret, and Marianne Frommer. 1987. “CpG Islands in Vertebrate Genomes.” Journal of Molecular Biology 196 (2): 261–82. https://doi.org/10.1016/0022-2836(87)90689-9.

Gauss, Carl Friedrich. 1809. Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Friedrich Perthes; I. H. Besser.

Geman, Stuart, Elie Bienenstock, and René Doursat. 1992. “Neural Networks and the Bias/Variance Dilemma.” Neural Computation 4 (1): 1–58. https://doi.org/10.1162/neco.1992.4.1.1.

Gini, Corrado. 1912. “Variabilità e Mutabilità.” Studi Economico-Giuridici Della Regia Università Di Cagliari 3: 1–158.

Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. MIT Press.

Google. 2022. Foundations: Data, Data, Everywhere. Google Data Analytics Professional Certificate, Coursera.

Google Cloud. 2024. Vertex AI Documentation. Google Cloud Documentation. https://cloud.google.com/vertex-ai/docs.

Gorman, Kristen B., Tony D. Williams, and William R. Fraser. 2014. “Ecological Sexual Dimorphism and Environmental Variability Within a Community of Antarctic Penguins (Genus Pygoscelis).” PLOS ONE 9 (3): e90081. https://doi.org/10.1371/journal.pone.0090081.

Grahne, Gösta, and Jianfei Zhu. 2003. “Efficiently Using Prefix-Trees in Mining Frequent Itemsets.” Proceedings of the ICDM 2003 Workshop on Frequent Itemset Mining Implementations (FIMI’03), CEUR workshop proceedings, vol. 90.

GraphQL Foundation. 2021. GraphQL Specification. GraphQL Foundation. https://spec.graphql.org/.

Gray, Jim, Adam Bosworth, Andrew Layman, and Hamid Pirahesh. 1996. “Data Cube: A Relational Aggregation Operator Generalizing Group-by, Cross-Tab, and Sub-Totals.” Proceedings of the Twelfth International Conference on Data Engineering, 152–59. https://doi.org/10.1109/ICDE.1996.492099.

Han, Jiawei, Micheline Kamber, and Jian Pei. 2011. Data Mining: Concepts and Techniques. 3rd ed. Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-381479-1.00001-0.

Han, Jiawei, Micheline Kamber, and Jian Pei. 2012. Data Mining: Concepts and Techniques. 3rd ed. Morgan Kaufmann.

Han, Jiawei, Jian Pei, and Yiwen Yin. 2000. “Mining Frequent Patterns Without Candidate Generation.” Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, SIGMOD ’00, 1–12. https://doi.org/10.1145/342009.335372.

Hart, Peter E. 1968. “The Condensed Nearest Neighbor Rule.” IEEE Transactions on Information Theory 14 (3): 515–16. https://doi.org/10.1109/TIT.1968.1054155.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer Series in Statistics. Springer. https://doi.org/10.1007/978-0-387-84858-7.

Heckert, N. Alan, James J. Filliben, Carroll M. Croarkin, et al. 2012. NIST/SEMATECH e-Handbook of Statistical Methods. National Institute of Standards; Technology. https://www.itl.nist.gov/div898/handbook/.

Heek, Jonathan, Anselm Levskaya, Avital Oliver, et al. 2023. Flax: A Neural Network Library and Ecosystem for JAX. Released. http://github.com/google/flax.

Hill, Mark O. 1973. “Diversity and Evenness: A Unifying Notation and Its Consequences.” Ecology 54 (2): 427–32. https://doi.org/10.2307/1934352.

Hirschman, Albert O. 1945. National Power and the Structure of Foreign Trade. University of California Press.

Hochreiter, Sepp, and Jürgen Schmidhuber. 1997. “Long Short-Term Memory.” Neural Computation 9 (8): 1735–80.

Hoerl, Arthur E., and Robert W. Kennard. 1970. “Ridge Regression: Biased Estimation for Nonorthogonal Problems.” Technometrics 12 (1): 55–67. https://doi.org/10.1080/00401706.1970.10488634.

Hornik, Kurt, Maxwell Stinchcombe, and Halbert White. 1989. “Multilayer Feedforward Networks Are Universal Approximators.” Neural Networks 2 (5): 359–66.

Hosmer, David W., Stanley Lemeshow, and Rodney X. Sturdivant. 2013. Applied Logistic Regression. 3rd ed. John Wiley & Sons.

Huber, Peter J., and Elvezio M. Ronchetti. 2009. Robust Statistics. 2nd ed. Wiley. https://doi.org/10.1002/9780470434697.

Hubert, Lawrence, and Phipps Arabie. 1985. “Comparing Partitions.” Journal of Classification 2 (1): 193–218.

Hunt, Earl B., Janet Marin, and Philip J. Stone. 1966. Experiments in Induction. Academic Press.

Hyndman, Rob J., and Yanan Fan. 1996. “Sample Quantiles in Statistical Packages.” The American Statistician 50 (4): 361–65. https://doi.org/10.1080/00031305.1996.10473566.

IBM. 2015. Analytics Solutions Unified Method (ASUM-DM). IBM Corporation, internal methodology derived from CRISP-DM. https://public.dhe.ibm.com/software/data/sw-library/services/ASUM.pdf.

Inmon, William H. 2005. Building the Data Warehouse. 4th ed. Wiley.

James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2021. An Introduction to Statistical Learning with Applications in R. 2nd ed. Springer Texts in Statistics. Springer. https://doi.org/10.1007/978-1-0716-1418-1.

Jaynes, Edwin T. 2003. Probability Theory: The Logic of Science. Cambridge University Press.

Joanes, D. N., and C. A. Gill. 1998. “Comparing Measures of Sample Skewness and Kurtosis.” Journal of the Royal Statistical Society: Series D (The Statistician) 47 (1): 183–89. https://doi.org/10.1111/1467-9884.00122.

Johnson, Richard A., and Dean W. Wichern. 2007. Applied Multivariate Statistical Analysis. 6th ed. Prentice Hall.

Jolliffe, Ian T. 2002. Principal Component Analysis. 2nd ed. Springer.

Jost, Lou. 2006. “Entropy and Diversity.” Oikos 113 (2): 363–75. https://doi.org/10.1111/j.2006.0030-1299.14714.x.

Kaufman, Leonard, and Peter J. Rousseeuw. 1990. Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.

Kendall, Maurice G. 1938. “A New Measure of Rank Correlation.” Biometrika 30 (1/2): 81–93. https://doi.org/10.2307/2332226.

Kimball, Ralph, and Margy Ross. 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd ed. Wiley.

Kingma, Diederik P., and Jimmy Ba. 2015. “Adam: A Method for Stochastic Optimization.” International Conference on Learning Representations (ICLR).

Kleppmann, Martin. 2017. Designing Data-Intensive Applications. O’Reilly Media.

Kohavi, Ron. 1995. “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection.” Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI) 2: 1137–43.

Kohavi, Ron, Diane Tang, and Ya Xu. 2020. Trustworthy Online Controlled Experiments: A Practical Guide to a/b Testing. Cambridge University Press.

LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. 2015. “Deep Learning.” Nature 521: 436–44.

LeCun, Yann, Léon Bottou, Yoshua Bengio, and Patrick Haffner. 1998. “Gradient-Based Learning Applied to Document Recognition.” Proceedings of the IEEE 86 (11): 2278–324.

Legendre, Adrien-Marie. 1805. Nouvelles Méthodes Pour La Détermination Des Orbites Des Comètes. Firmin Didot.

Li, Wenmin, Jiawei Han, and Jian Pei. 2001. “CMAR: Accurate and Efficient Classification Based on Multiple Class-Association Rules.” Proceedings of the 2001 IEEE International Conference on Data Mining (ICDM), 369–76.

Liu, Bing, Wynne Hsu, and Yiming Ma. 1998. “Integrating Classification and Association Rule Mining.” Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining (KDD-98), 80–86.

Lloyd, Stuart P. 1982. “Least Squares Quantization in PCM.” IEEE Transactions on Information Theory 28 (2): 129–37.

Lorenz, Max O. 1905. “Methods of Measuring the Concentration of Wealth.” Publications of the American Statistical Association 9 (70): 209–19. https://doi.org/10.2307/2276207.

Lundberg, Scott M., Gabriel Erion, Hugh Chen, et al. 2020. “From Local Explanations to Global Understanding with Explainable AI for Trees.” Nature Machine Intelligence 2: 56–67. https://doi.org/10.1038/s42256-019-0138-9.

Lundberg, Scott M., and Su-In Lee. 2017. “A Unified Approach to Interpreting Model Predictions.” Advances in Neural Information Processing Systems 30.

Maaten, Laurens van der, and Geoffrey Hinton. 2008. “Visualizing Data Using t-SNE.” Journal of Machine Learning Research 9: 2579–605.

MacQueen, James. 1967. “Some Methods for Classification and Analysis of Multivariate Observations.” Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability 1: 281–97.

Mahalanobis, Prasanta Chandra. 1936. “On the Generalized Distance in Statistics.” Proceedings of the National Institute of Sciences of India 2 (1): 49–55.

Mardia, K. V. 1970. “Measures of Multivariate Skewness and Kurtosis with Applications.” Biometrika 57 (3): 519–30. https://doi.org/10.1093/biomet/57.3.519.

Matthews, Brian W. 1975. “Comparison of the Predicted and Observed Secondary Structure of T4 Phage Lysozyme.” Biochimica Et Biophysica Acta (BBA) – Protein Structure 405 (2): 442–51. https://doi.org/10.1016/0005-2795(75)90109-9.

McCallum, Andrew, and Kamal Nigam. 1998. “A Comparison of Event Models for Naive Bayes Text Classification.” AAAI-98 Workshop on Learning for Text Categorization, 41–48.

McCullagh, Peter, and John A. Nelder. 1989. Generalized Linear Models. 2nd ed. Chapman & Hall.

McInnes, Leland, John Healy, and James Melville. 2018. “UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction.” arXiv Preprint arXiv:1802.03426.

McKinney, Wes. 2010. “Data Structures for Statistical Computing in Python.” Proceedings of the 9th Python in Science Conference, 56–61. https://doi.org/10.25080/Majora-92bf1922-00a.

McLachlan, Geoffrey J., and David Peel. 2000. Finite Mixture Models. Wiley Series in Probability and Statistics. John Wiley & Sons.

McNemar, Quinn. 1947. “Note on the Sampling Error of the Difference Between Correlated Proportions or Percentages.” Psychometrika 12 (2): 153–57. https://doi.org/10.1007/BF02295996.

Mendelow, Aubrey L. 1981. “Environmental Scanning – the Impact of the Stakeholder Concept.” Proceedings of the Second International Conference on Information Systems (ICIS) (Cambridge, MA).

Microsoft. 2023. What Is the Team Data Science Process (TDSP)? GitHub (Azure/Microsoft-TDSP), archived repository. https://github.com/Azure/Microsoft-TDSP/blob/master/Docs/README.md.

Microsoft. 2024. Azure Machine Learning Documentation. Microsoft Learn. https://learn.microsoft.com/en-us/azure/machine-learning/.

Minsky, Marvin, and Seymour Papert. 1969. Perceptrons: An Introduction to Computational Geometry. MIT Press.

Mitchell, Tom M. 1997. Machine Learning. McGraw-Hill.

Murphy, Kevin P. 2012. Machine Learning: A Probabilistic Perspective. MIT Press.

Netflix Technology Blog. 2016. It’s All a/Bout Testing: The Netflix Experimentation Platform. https://netflixtechblog.com/its-all-a-bout-testing-the-netflix-experimentation-platform-4e1ca458c15.

Neyman, Jerzy, and Egon S. Pearson. 1933. “On the Problem of the Most Efficient Tests of Statistical Hypotheses.” Philosophical Transactions of the Royal Society of London. Series A 231: 289–337. https://doi.org/10.1098/rsta.1933.0009.

Niculescu-Mizil, Alexandru, and Rich Caruana. 2005. “Predicting Good Probabilities with Supervised Learning.” Proceedings of the 22nd International Conference on Machine Learning, 625–32. https://doi.org/10.1145/1102351.1102430.

Novikoff, Albert B. J. 1962. “On Convergence Proofs on Perceptrons.” Proceedings of the Symposium on the Mathematical Theory of Automata 12: 615–22.

Osterwalder, Alexander, and Yves Pigneur. 2010. Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. Wiley.

Pasquier, Nicolas, Yves Bastide, Rafik Taouil, and Lotfi Lakhal. 1999. “Discovering Frequent Closed Itemsets for Association Rules.” Database Theory – ICDT’99, Lecture notes in computer science, vol. 1540: 398–416.

Paszke, Adam, Sam Gross, Francisco Massa, et al. 2019. “PyTorch: An Imperative Style, High-Performance Deep Learning Library.” Advances in Neural Information Processing Systems (NeurIPS) 32.

Pearl, Judea. 2009. Causality: Models, Reasoning and Inference. 2nd ed. Cambridge University Press.

Pearson, Karl. 1895. “Notes on Regression and Inheritance in the Case of Two Parents.” Proceedings of the Royal Society of London 58: 240–42. https://doi.org/10.1098/rspl.1895.0041.

Pedregosa, Fabian, Gaël Varoquaux, Alexandre Gramfort, et al. 2011. “Scikit-Learn: Machine Learning in Python.” Journal of Machine Learning Research 12: 2825–30. https://jmlr.org/papers/v12/pedregosa11a.html.

Pei, Jian, Jiawei Han, Behzad Mortazavi-Asl, et al. 2001. “PrefixSpan: Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth.” Proceedings of the 17th International Conference on Data Engineering (ICDE), 215–24.

Pei, Jian, Jiawei Han, Behzad Mortazavi-Asl, et al. 2004. “Mining Sequential Patterns by Pattern-Growth: The PrefixSpan Approach.” IEEE Transactions on Knowledge and Data Engineering 16 (11): 1424–40.

Platt, John C. 1999. “Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods.” In Advances in Large Margin Classifiers, edited by Alexander J. Smola, Peter Bartlett, Bernhard Schölkopf, and Dale Schuurmans. MIT Press.

Powers, David M. W. 2011. “Evaluation: From Precision, Recall and f-Factor to ROC, Informedness, Markedness and Correlation.” Journal of Machine Learning Technologies 2 (1): 37–63. https://arxiv.org/abs/2010.16061.

Project Management Institute. 2017. A Guide to the Project Management Body of Knowledge (PMBOK Guide). 6th ed. Project Management Institute.

Provost, Foster, and Tom Fawcett. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media.

Quinlan, J. Ross. 1986. “Induction of Decision Trees.” Machine Learning 1 (1): 81–106. https://doi.org/10.1007/BF00116251.

Quinlan, J. Ross. 1987. “Simplifying Decision Trees.” International Journal of Man-Machine Studies 27 (3): 221–34. https://doi.org/10.1016/S0020-7373(87)80053-6.

Quinlan, J. Ross. 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann.

Ramírez, Sebastián. 2024. FastAPI Documentation. FastAPI. https://fastapi.tiangolo.com/.

Raschka, Sebastian. 2018. “MLxtend: Providing Machine Learning and Data Science Utilities and Extensions to Python’s Scientific Computing Stack.” The Journal of Open Source Software 3 (24): 638. https://doi.org/10.21105/joss.00638.

Reynolds, Douglas A. 2009. “Gaussian Mixture Models.” Encyclopedia of Biometrics (Boston, MA), 659–63. https://doi.org/10.1007/978-0-387-73003-5_196.

Rosenblatt, Frank. 1958. “The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain.” Psychological Review 65 (6): 386–408. https://doi.org/10.1037/h0042519.

Rousseeuw, Peter J. 1984. “Least Median of Squares Regression.” Journal of the American Statistical Association 79 (388): 871–80. https://doi.org/10.1080/01621459.1984.10477105.

Rousseeuw, Peter J. 1987. “Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis.” Journal of Computational and Applied Mathematics 20: 53–65.

Rousseeuw, Peter J., and Christophe Croux. 1993. “Alternatives to the Median Absolute Deviation.” Journal of the American Statistical Association 88 (424): 1273–83. https://doi.org/10.1080/01621459.1993.10476408.

Rousseeuw, Peter J., and Katrien Van Driessen. 1999. “A Fast Algorithm for the Minimum Covariance Determinant Estimator.” Technometrics 41 (3): 212–23. https://doi.org/10.1080/00401706.1999.10485670.

Rumelhart, David E., Geoffrey E. Hinton, and Ronald J. Williams. 1986. “Learning Representations by Back-Propagating Errors.” Nature 323: 533–36.

Saito, Takaya, and Marc Rehmsmeier. 2015. “The Precision-Recall Plot Is More Informative Than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets.” PLOS ONE 10 (3): e0118432. https://doi.org/10.1371/journal.pone.0118432.

Santizo Galicia, Jessica. 2026. Computación de Cubos de Datos. Presentación de clase, Facultad de Ciencias, Universidad Nacional Autónoma de México.

SAS Institute. 2017. Introduction to SEMMA. SAS Enterprise Miner Reference Help. https://documentation.sas.com/doc/en/emref/14.3/n061bzurmej4j3n1jnj8bbjjm1a2.htm.

Schapire, Robert E. 1990. “The Strength of Weak Learnability.” Machine Learning 5 (2): 197–227. https://doi.org/10.1007/BF00116037.

Schölkopf, Bernhard, and Alexander J. Smola. 2002. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press.

Shannon, Claude E. 1948. “A Mathematical Theory of Communication.” Bell System Technical Journal 27 (3): 379–423. https://doi.org/10.1002/j.1538-7305.1948.tb01338.x.

Shearer, Colin. 2000. “The CRISP-DM Model: The New Blueprint for Data Mining.” Journal of Data Warehousing 5 (4): 13–22.

Simpson, Edward H. 1949. “Measurement of Diversity.” Nature 163: 688. https://doi.org/10.1038/163688a0.

Simpson, Edward H. 1951. “The Interpretation of Interaction in Contingency Tables.” Journal of the Royal Statistical Society: Series B (Methodological) 13 (2): 238–41. https://doi.org/10.1111/j.2517-6161.1951.tb00088.x.

Small, Christopher G. 1990. “A Survey of Multidimensional Medians.” International Statistical Review 58 (3): 263–77. https://doi.org/10.2307/1403809.

Spearman, Charles. 1904. “The Proof and Measurement of Association Between Two Things.” The American Journal of Psychology 15 (1): 72–101. https://doi.org/10.2307/1412159.

Srikant, Ramakrishnan, and Rakesh Agrawal. 1996. “Mining Sequential Patterns: Generalizations and Performance Improvements.” Advances in Database Technology – EDBT’96, Lecture notes in computer science, vol. 1057: 1–17.

Srivastava, Nitish, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, and Ruslan Salakhutdinov. 2014. “Dropout: A Simple Way to Prevent Neural Networks from Overfitting.” Journal of Machine Learning Research 15: 1929–58.

Stone, Charles J. 1977. “Consistent Nonparametric Regression.” The Annals of Statistics 5 (4): 595–620. https://doi.org/10.1214/aos/1176343886.

Stone, M. 1974. “Cross-Validatory Choice and Assessment of Statistical Predictions.” Journal of the Royal Statistical Society: Series B (Methodological) 36 (2): 111–33. https://doi.org/10.1111/j.2517-6161.1974.tb00994.x.

Strobl, Carolin, Anne-Laure Boulesteix, Achim Zeileis, and Torsten Hothorn. 2007. “Bias in Random Forest Variable Importance Measures: Illustrations, Sources and a Solution.” BMC Bioinformatics 8: 25. https://doi.org/10.1186/1471-2105-8-25.

Studer, Stefan, Thanh Binh Bui, Christian Drescher, et al. 2021. “Towards CRISP-ML(q): A Machine Learning Process Model with Quality Assurance Methodology.” Machine Learning and Knowledge Extraction 3 (2): 392–413.

Tan, Pang-Ning, Michael Steinbach, Anuj Karpatne, and Vipin Kumar. 2019. Introduction to Data Mining. 2nd ed. Pearson.

Tan, Pang-Ning, Michael Steinbach, and Vipin Kumar. 2006. Introduction to Data Mining. Addison-Wesley.

The pandas development team. 2024. Pandas Documentation. Pandas. https://pandas.pydata.org/docs/.

Tukey, John W. 1975. “Mathematics and the Picturing of Data.” Proceedings of the International Congress of Mathematicians 2: 523–31.

Tukey, John W. 1977. Exploratory Data Analysis. Addison-Wesley.

Vapnik, Vladimir N. 1995. The Nature of Statistical Learning Theory. Springer.

Vaswani, Ashish, Noam Shazeer, Niki Parmar, et al. 2017. “Attention Is All You Need.” Advances in Neural Information Processing Systems (NeurIPS) 30.

Wang, Jianyong, Jiawei Han, and Jian Pei. 2003. “CLOSET+: Searching for the Best Strategies for Mining Frequent Closed Itemsets.” Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 236–45.

Ward, Joe H. 1963. “Hierarchical Grouping to Optimize an Objective Function.” Journal of the American Statistical Association 58 (301): 236–44.

Wasserman, Larry. 2004. All of Statistics: A Concise Course in Statistical Inference. Springer.

Wilcox, Rand R. 2012. Introduction to Robust Estimation and Hypothesis Testing. 3rd ed. Academic Press.

Wilks, Samuel S. 1932. “Certain Generalizations in the Analysis of Variance.” Biometrika 24 (3/4): 471–94. https://doi.org/10.1093/biomet/24.3-4.471.

Wilson, Dennis L. 1972. “Asymptotic Properties of Nearest Neighbor Rules Using Edited Data.” IEEE Transactions on Systems, Man, and Cybernetics SMC-2 (3): 408–21. https://doi.org/10.1109/TSMC.1972.4309137.

Wirth, Rüdiger, and Jochen Hipp. 2000. “CRISP-DM: Towards a Standard Process Model for Data Mining.” Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining, 29–39.

Wolpert, David H. 1996. “The Lack of a Priori Distinctions Between Learning Algorithms.” Neural Computation 8 (7): 1341–90. https://doi.org/10.1162/neco.1996.8.7.1341.

Yan, Xifeng, Jiawei Han, and Ramin Afshar. 2003. “CloSpan: Mining Closed Sequential Patterns in Large Datasets.” Proceedings of the 2003 SIAM International Conference on Data Mining, 166–77.

Zaki, Mohammed J. 2001. “SPADE: An Efficient Algorithm for Mining Frequent Sequences.” Machine Learning 42 (1–2): 31–60.

Zaki, Mohammed J., and Ching-Jui Hsiao. 2002. “CHARM: An Efficient Algorithm for Closed Itemset Mining.” Proceedings of the 2002 SIAM International Conference on Data Mining, 457–73.