Más allá de las celdas:

A menudo, al abrir una base de datos, lo que vemos es una cuadrícula monótona de filas y columnas; números y palabras confinados en celdas. Sin embargo, para un estratega de datos, esta tabla es una representación abstracta de la realidad. Cada "objeto de datos" —ya sea que lo llamemos muestra, instancia o punto de datos— es, en esencia, una entidad viva: un paciente esperando un diagnóstico, un estudiante cursando una carrera o un producto en un inventario.La forma en que defi nimos las características de estos objetos —lo que técnicamente llamamos atributos — determina por completo nuestra capacidad para entender el mundo. Una pequeña distinción técnica en la naturaleza de un atributo puede ser la diferencia entre un análisis brillante y una conclusión errónea que cueste miles de dólares. Como mentores en este camino, debemos recordar que los datos no son solo entradas en una computadora; son el lenguaje con el que describimos la existencia. A continuación, exploramos cinco verdades sobre la naturaleza de los atributos que desafían nuestra intuición inicial.

## Punto 1: Cuando los números son solo nombres (El engaño de los Atributos Nominales)Aquí es donde la mayoría de los analistas novatos tropiezan. Los atributos nominales (también conocidos como categóricos o enumeraciones ) son etiquetas que representan estados, símbolos o nombres de cosas. Pensemos en el color de cabello o el estado civil; son categorías sin un orden lógico entre ellas.El engaño surge cuando representamos estas categorías con números por pura eficiencia informática. Por ejemplo, asignar un "0" a "soltero" y un "1" a "casado", o utilizar un customer_ID numérico. El hecho de que un dato sea un número no lo hace cuantitativo. Como bien señala la teoría fundamental de datos:"No tiene sentido restar un número de ID de cliente de otro, a diferencia de, por ejemplo, restar un valor de edad de otro".Estos atributos son cualitativos . En ellos, realizar operaciones matemáticas es un error conceptual. La única medida de tendencia central válida es la moda (el valor más frecuente), pues promediar "códigos de ocupación" es tan ilógico como intentar promediar nombres propios.

## Punto 2: La desigualdad del "Sí" y el "No" (Binarios Asimétricos)Un atributo binario es un tipo de dato nominal con solo dos estados. Sin embargo, no todos los "binarios" se comportan igual. Pensemos por un momento: ¿pesan lo mismo ambos estados?

● Binarios Simétricos: Como el género, donde ambos estados tienen la misma importancia y no hay preferencia sobre cuál se codifica como 0 o 1.

● Binarios Asimétricos: Aquí es donde la importancia defi ne la estructura. En una prueba médica de VIH, el resultado "positivo" es mucho más significativo y, usualmente, más raro que el "negativo"."Por convención, codificamos el resultado más importante, que suele ser el más raro, con un 1 (por ejemplo, VIH positivo) y el otro con un 0 (por ejemplo, VIH negativo)".En el análisis profesional, esta distinción es crucial. El "1" no es solo un valor; es el foco de nuestra atención estratégica, el evento que realmente estamos tratando de predecir o gestionar.

## Punto 3: La ilusión del "doble de calor" (El problema del cero relativo)Este es, quizás, el punto más contraintuitivo de la ciencia de datos. Entramos aquí en el terreno de lo cuantitativo con los atributos numéricos. Pero cuidado: no todos los números permiten hablar de proporciones.

● Atributos de Intervalo: Se miden en unidades de igual tamaño, pero carecen de un "cero absoluto". Los valores pueden ser positivos, cero o negativos (como las fechas de un calendario o la temperatura en Celsius). Sin un punto de partida real para la ausencia del atributo, no podemos decir que 10°C es "el doble de caliente" que 5°C. La diferencia de 5 grados es real, pero la proporción no lo es.

● Atributos de Razón: Estos poseen un "cero inherente" (como la escala Kelvin, el dinero o los años de experiencia). Aquí, el cero significa ausencia total de la propiedad. Por eso, tener 100 dólares sí es ser 100 veces más rico que quien tiene un solo dólar.Sin un cero absoluto que actúa como ancla, las razones matemáticas pierden su validez técnica, limitándose únicamente a comparar distancias y rangos.

## Punto 4: Midiendo lo subjetivo (El poder de los Atributos Ordinales)¿Cómo cuantificamos lo que parece imposible de medir, como la satisfacción de un cliente o el prestigio de un rango militar? Para esto utilizamos los atributos ordinales . Estos datos son cualitativos pero poseen un orden o ranking significativo.A diferencia de los nominales, aquí sabemos que un "Sargento" es más que un "Cabo", o que "Muy satisfecho" es superior a "Satisfecho". No obstante, el gran desafío es que desconocemos la "distancia" real entre esos valores. No existe una regla física que nos diga qué tan mayor es la satisfacción de un nivel a otro. Por esta razón, aunque podemos determinar la mediana (el valor central) y la moda, el promedio sigue siendo un terreno prohibido: no se pueden sumar percepciones subjetivas para obtener una media aritmética real. Son herramientas poderosas para encuestas y evaluaciones, siempre que respetemos su limitación de magnitud.

## Punto 5: La confusión entre "Numérico" y "Continuo"En la literatura de machine learning , los términos "numérico" y "continuo" suelen usarse como sinónimos, pero un estratega senior debe conocer la distinción fundamental basada en la cantidad de valores posibles:

● Atributos Discretos: Tienen un conjunto finito o infinitamente contable de valores. Esto signifi ca que, aunque los valores puedan crecer hasta el infinito (como los IDs de clientes), pueden ponerse en una correspondencia uno a uno con los números naturales .

● Atributos Continuos: Tienen infinitos valores posibles entre dos puntos y se representan típicamente con números reales.En la práctica, esta línea se difumina porque las computadoras representan los valores reales con una cantidad finita de dígitos (variables de punto fl otante). Sin embargo, la distinción teórica es la que nos dicta qué algoritmos aplicar. Entender si nuestros datos son saltos discretos o un fl ujo continuo cambia radicalmente el modelo de análisis que debemos construir.

## Conclusión: Hacia una mirada más aguda de los datos Entender si un atributo es cualitativo (nominal, binario, ordinal) o cuantitativo (numérico de intervalo o razón) no es un mero ejercicio académico; es el primer paso crítico para cualquier análisis preciso. Ignorar la naturaleza de los datos nos condena a aplicar fórmulas que distorsionan la realidad en lugar de aclararla. Como traductores de la realidad, nuestra misión es asegurar que cada operación matemática respete la esencia de lo que está siendo medido.Para reflexionar:

¿Cuántas veces hemos tomado decisiones críticas basadas en promedios de datos que, por su naturaleza, nunca debieron ser promediados?