Ciclo de Vida de un Proyecto de Ciencia de Datos
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
Metodologías, etapas y buenas prácticas para llevar un proyecto de datos desde la pregunta de negocio hasta un modelo que funciona en producción.
Resumen: un proyecto de ciencia de datos es mucho más que entrenar un modelo. Recorre etapas que van de entender el negocio a monitorear el modelo en producción, y casi nunca se hace en línea recta. Este artículo explica las metodologías más usadas (CRISP-DM, enfoques ágiles y MLOps), las siete etapas con sus tareas, y las prácticas que evitan errores costosos.
¿Por qué es esencial un ciclo de vida en proyectos de datos?
La ciencia de datos combina estadística, matemática, programación, ingeniería y conocimiento del negocio. Esa mezcla vuelve complejos los proyectos si no se gestionan dentro de un marco ordenado.
Un ciclo de vida bien definido permite:
Alinear
Conectar los objetivos del negocio con las soluciones técnicas.
Estandarizar
Facilitar el trabajo colaborativo con procesos comunes.
Reducir riesgos
Evaluar riesgos, asegurar calidad y evitar sesgos.
Ahorrar recursos
Reducir tiempos, costos y retrabajo.
Ser auditable
Generar modelos reproducibles, explicables y auditables.
Esta es la vista detallada. Un resumen en diez pasos, con la proporción de tiempo de cada uno, está en la guía de Ciencia de Datos. Acá desarrollamos cada etapa con más profundidad.
Metodologías más utilizadas
Existen varios enfoques, pero la mayoría de los equipos organiza el trabajo con uno de estos tres modelos o con una combinación.
CRISP-DM: el modelo de referencia
El Cross-Industry Standard Process for Data Mining (CRISP-DM) es una de las metodologías más difundidas en proyectos de datos. Define un proceso de seis fases, que IBM describe en su guía de CRISP-DM para SPSS Modeler:
Un detalle importante: según esa misma guía, la secuencia de las fases no es estricta; la mayoría de los proyectos va y vuelve entre ellas según haga falta.
Agile + ciencia de datos
Muchos equipos combinan Scrum o Kanban con la estructura de CRISP-DM y trabajan en ciclos cortos de exploración de datos, creación de variables, experimentación con modelos y pruebas A/B. Eso permite validar hipótesis de forma incremental y adaptarse a los cambios.
MLOps: la evolución para producción
Cuando los modelos pasan a producción aparece MLOps. Según la documentación de Google Cloud, es una cultura y práctica de ingeniería que unifica el desarrollo del sistema de ML con su operación. Se integra sobre todo en las últimas etapas: evaluación, despliegue y mantenimiento. Lo vemos en MLOps.
Etapa 1: Comprensión del negocio
El éxito de un proyecto depende de que esté alineado con los objetivos de la organización. Esta etapa es estratégica.
Definición del problema
Se responden tres preguntas: qué oportunidad o necesidad existe, qué impacto tendría la solución y qué métricas reflejan el éxito.
Relevamiento de actores involucrados
- Quiénes usarán el modelo.
- Quiénes serán afectados por sus resultados.
- Quiénes toman las decisiones.
- Quiénes proveen los datos.
El ciclo depende tanto de la técnica como de la comunicación con las personas clave.
Hipótesis y supuestos iniciales
Ejemplos: “Una mayor actividad en redes sociales aumenta la probabilidad de compra” o “Los retrasos en logística influyen en la rotación de clientes”. Las hipótesis guían las etapas siguientes y se pueden descartar con los datos.
Etapa 2: Comprensión de los datos
El equipo examina qué datos hay, de qué calidad son y qué características tienen.
Inventario y fuentes
- Bases internas: ERP, CRM, e-commerce.
- Datos externos: APIs, datasets públicos, sensores.
- Datos no estructurados: texto, imágenes, logs.
No te olvides de lo legal: hay que identificar desde acá las restricciones de privacidad, protección de datos y regulación. En Argentina rige la Ley 25.326 de protección de datos personales; podés ver el marco general en la guía de ética y regulación en IA.
Análisis exploratorio (EDA)
Permite entender distribuciones, identificar valores faltantes, detectar valores atípicos (outliers), visualizar relaciones y reconocer patrones. Tiene que ser sistemático y transparente.
Evaluación de la calidad de los datos
| Criterio | La pregunta que responde |
|---|---|
| Completitud | ¿Faltan valores o registros? |
| Validez | ¿Los valores respetan el formato y el rango esperados? |
| Consistencia | ¿Los mismos datos coinciden entre distintas fuentes? |
| Integridad | ¿Las relaciones entre tablas se mantienen? |
| Actualidad | ¿Los datos están al día? |
| Representatividad | ¿Reflejan la realidad que el modelo va a enfrentar? |
Un problema de calidad que no se detecta acá se agranda en cada etapa posterior.
Etapa 3: Preparación de los datos
También se la llama preprocesamiento o ingeniería de características. Es una de las fases que más tiempo consume.
Limpieza
- Tratamiento de nulos
- Corrección de errores
- Estandarización de formatos
- Detección de duplicados
Ingeniería de características
- Ratios financieros
- Variables temporales
- Conteos y agregaciones
- Embeddings y variables categóricas enriquecidas
Transformación
- Escalado y normalización
- Codificación de categorías
- Extracción y selección de variables
Consejo: la calidad de las variables que creás suele pesar tanto como el algoritmo que elegís, o más. Dedicale tiempo.
Etapa 4: Modelado
Se eligen algoritmos y se experimenta para encontrar la mejor solución posible.
Selección de modelos
| Tipo de problema | Ejemplos de algoritmos |
|---|---|
| Clasificación y regresión | Regresión logística, random forest, gradient boosting. |
| Series temporales | Modelos estadísticos de series, gradient boosting, redes recurrentes. |
| Lenguaje natural y visión | Redes neuronales y transformers. |
| Generación de contenido | Modelos generativos. Ver IA generativa. |
Diseño de experimentos
- División en conjuntos de entrenamiento, validación y prueba.
- Validación cruzada (k-fold).
- Ajuste de hiperparámetros.
- Pruebas con distintas representaciones de los datos.
El objetivo es un modelo robusto y reproducible. Los fundamentos están en la guía de Machine Learning.
Métricas de evaluación
| Tipo de problema | Métricas habituales |
|---|---|
| Clasificación | Precision, recall, F1 y AUC-ROC. |
| Regresión | RMSE y MAE. |
| Agrupamiento | Silhouette score. |
| Lenguaje natural | BLEU y ROUGE, según la tarea. |
| Visión por computadora | PSNR y SSIM, entre otras. |
Cuidado: elegir una métrica inadecuada puede llevar a decisiones erróneas. Con clases muy desbalanceadas, por ejemplo, el accuracy engaña.
Etapa 5: Evaluación
Acá se decide si el modelo cumple los objetivos del negocio, no solo si tiene buen rendimiento técnico.
Validación del modelo
- Análisis de errores: dónde y por qué falla.
- Revisión de equidad y sesgo.
- Robustez ante datos que no vio.
- Análisis de sensibilidad.
Comparación con una línea base
Todo modelo tiene que superar a los sistemas actuales, a las heurísticas simples y a los modelos estadísticos básicos. Si no los supera con claridad, la complejidad extra no se justifica.
Simulación del impacto en el negocio
Se evalúa si el modelo reduce costos, mejora la eficiencia, aumenta los ingresos o evita riesgos, y se redactan recomendaciones claras para quien tiene que decidir.
- ¿Por qué no alcanza con que un modelo tenga buena métrica técnica?
Ver respuesta
Porque el proyecto existe para resolver un problema del negocio. Un modelo con buena métrica que no supera a la línea base, no reduce costos o no se puede usar en la práctica no genera valor.
Etapa 6: Despliegue
Poner un modelo en producción suele ser el mayor desafío técnico y operativo del proyecto.
Modalidades de despliegue
Batch
Procesamientos periódicos, por ejemplo una vez por noche.
API REST
Predicciones en tiempo real, consultadas por otras aplicaciones.
Embebido
El modelo vive dentro de una aplicación.
Edge
El modelo corre en el propio dispositivo.
La elección depende del caso de uso: cuán rápido se necesita la respuesta y cuántas predicciones hay que generar.
Infraestructura
Puede incluir contenedores (Docker), orquestadores (Kubernetes), servicios en la nube y pipelines automatizados.
Controles y trazabilidad
Conviene documentar la versión del modelo, la fecha de entrenamiento, el dataset utilizado y los parámetros clave. La trazabilidad es esencial para las auditorías y para reentrenar el modelo.
Etapa 7: Monitoreo y mantenimiento
Una vez en producción, el comportamiento de un modelo cambia con el tiempo. Un modelo no se entrega y se olvida.
Tipos de drift
| Tipo | Qué cambió | Ejemplo |
|---|---|---|
| Data drift | La distribución de los datos de entrada. | Cambia el perfil de los clientes que llegan. |
| Concept drift | La relación entre las variables y el resultado. | Los hábitos de compra cambian después de una crisis. |
| Degradación del rendimiento | La calidad de las predicciones cae con el tiempo. | El modelo acertaba 85 % y ahora acierta 70 %. |
Estrategias de monitoreo
- Métricas automáticas y alertas de desempeño.
- Reentrenamientos planificados.
- Auditorías periódicas.
Gobernanza del ciclo de vida
Incluye políticas internas, ética y equidad, seguridad, privacidad y cumplimiento normativo. Ver el marco en la guía de ética y regulación en IA.
MLOps: la evolución del ciclo de vida
MLOps combina machine learning con prácticas de DevOps para escalar proyectos con más velocidad y control.
Versionado
De datos, código y modelos.
CI/CD para modelos
Pruebas y entrega automatizadas.
Pipelines automatizados
Procesos repetibles de punta a punta.
Monitoreo continuo
Detección de drift y de caídas de rendimiento.
Reproducibilidad
Poder repetir cualquier experimento.
No todos los proyectos necesitan MLOps completo: depende de cuántos modelos haya en producción y de cuánto cambien. Los perfiles que lo practican están en la guía de roles y especialidades en datos.
Buenas prácticas para proyectos de ciencia de datos
Documentar todo
Desde la definición del problema hasta el último experimento.
Diseñar para la reproducibilidad
Versionado, semillas fijas, pipelines y notebooks limpios.
Incorporar ética y evaluación de sesgo
Evitar impactos negativos, en especial sobre grupos vulnerables.
Comunicarse con los actores involucrados
Entender sus necesidades y explicar los resultados con claridad. Ver Storytelling en ciencia de datos.
Priorizar modelos explicables cuando corresponda
Sobre todo en salud, finanzas, justicia y educación.
El ciclo no es lineal: cada etapa influye en la siguiente y muchas veces hay que volver atrás para reformular hipótesis, ajustar datos o redefinir el modelo. Esa iteración es parte normal del trabajo, no un fracaso.
Preguntas frecuentes sobre el ciclo de vida de un proyecto
¿Cuáles son las etapas de un proyecto de ciencia de datos?
Comprensión del negocio, comprensión de los datos, preparación, modelado, evaluación, despliegue y monitoreo. Son las seis fases de CRISP-DM más el mantenimiento en producción. Ver Metodologías.
¿Qué es CRISP-DM?
Es una metodología de seis fases para proyectos de minería de datos y analítica. Su secuencia no es estricta: los proyectos suelen ir y volver entre fases.
¿Qué etapa lleva más tiempo?
Habitualmente la preparación de los datos. Por eso conviene evaluar bien la calidad en la etapa anterior. Ver Etapa 3.
¿Qué es el drift y por qué importa?
Es el cambio, con el tiempo, en los datos o en la relación entre variables, que hace que un modelo pierda calidad. Importa porque el modelo sigue funcionando pero con peores resultados. Ver Etapa 7.
¿Qué diferencia hay entre el ciclo de vida y MLOps?
El ciclo de vida describe las etapas del proyecto. MLOps es el conjunto de prácticas que automatiza y vuelve confiables las etapas finales: despliegue, monitoreo y mantenimiento. Ver MLOps.
¿Hace falta usar siempre una metodología?
En proyectos chicos puede alcanzar con una versión liviana, pero sin ningún marco aumenta el riesgo de retrabajo y de resultados que no se pueden reproducir ni auditar.
Cómo seguir después de este artículo
Ya tenés el recorrido completo de un proyecto. Estos son los próximos pasos:
- Ubicá el proyecto en la disciplina: la guía de Ciencia de Datos reúne el resto de los temas.
- Armá un orden de estudio: mirá la ruta de aprendizaje de ciencia de datos.
- Mirá proyectos terminados: los proyectos del Laboratorio de Datos muestran el ciclo completo con datos abiertos.
Este artículo es informativo y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes consultadas en octubre de 2026: IBM – SPSS Modeler CRISP-DM Guide · Google Cloud – MLOps: Continuous delivery and automation pipelines in machine learning.