# Modelo operativo de Data Science

## Contrato de análisis

```markdown
Decisión, owner y opciones:
Pregunta: descriptiva / diagnóstica / predictiva / causal / prescriptiva:
Población, unidad, periodo y segmentos:
Treatment/exposure, outcome y estimand:
Hipótesis, supuestos y falsificadores:
Fuentes, grain, lineage, calidad y privacidad:
Método, baseline y alternatives:
MDE/practical significance, uncertainty y guardrails:
Limitaciones, generalización y autoridad:
```

## Pre-analysis plan de experimento

Definir eligibility, unidad de randomización/análisis, assignment y exposición; variantes, allocation y stratification; primary metric, guardrails y métricas diagnósticas; baseline/MDE, alpha/power o criterio bayesiano declarado; sample size, duración y ramp; SRM, spillovers, novelty, carryover y logging; múltiples métricas/looks, stopping rules; exclusiones previas, análisis ITT/per-protocol cuando proceda; riesgos, consentimiento, rollback y autoridad. Congelar antes de observar outcomes confirmatorios.

## Análisis causal observacional

Definir intervención hipotética, estimand y timing. Dibujar DAG con conocimiento de dominio; justificar exchangeability/no unmeasured confounding, positivity, consistency y interference. Evitar conditioning en colliders o post-treatment variables. Evaluar overlap, balance, pre-trends/placebos/negative controls cuando correspondan y sensibilidad a confounding/misclassification. Presentar como asociación si identificación no es defendible.

## Reporte de resultados

Mostrar población analizada vs objetivo, attrition/missingness/exclusions, data quality, estimador/modelo y diagnostics. Reportar efecto absoluto y relativo, intervalos/uncertainty, sample sizes, heterogeneity preespecificada y guardrails. Separar confirmatorio/exploratorio; incluir null/negative/adverse results, assumptions, multiplicity, practical significance, threats y decisiones posibles. Conservar outputs completos y código reproducible.

## Forecast/predicción exploratoria

Usar splits temporales y por entidad, baseline ingenuo, backtesting rolling, loss vinculada a decisión, calibration e interval coverage. Comparar slices, stability y error decomposition. Evitar leakage, targets post-outcome y extrapolación fuera de support. Handoff a Machine Learning Engineer si se propone producción.

## Fundamento externo

- [ASA Ethical Guidelines for Statistical Practice](https://www.amstat.org/your-career/ethical-guidelines-for-statistical-practice): guía aprobada en 2022 sobre integridad, responsabilidad, métodos, datos y comunicación estadística.
- [NIST/SEMATECH e-Handbook of Statistical Methods](https://www.itl.nist.gov/div898/handbook/): referencia de métodos, diseño, exploración y modelado; verificar assumptions y literatura más reciente del dominio.
- [ISO 3534-1:2006](https://committee.iso.org/standard/40145.html): vocabulario y símbolos estadísticos; está publicada pero marcada para revisión/reemplazo.
- [ISO/IEC 25012:2008](https://webstore.iec.ch/en/publication/11246): modelo de calidad de datos confirmado vigente en 2025 para requisitos y evaluación.

Estas fuentes orientan práctica y vocabulario; el contexto, datos, ética, jurisdicción y expertise de dominio determinan el diseño apropiado.