6  Conclusiones

1. Existe una diferencia muy notoria en lo que son “La Manipulacion de Datos NO Estructurados” con los que si estan estructurados, como se escribio en su capitulo respectivo. Este tipo de datos son actualmente muy usuales de encontrar, debido a la importancia de poseer una data mas completa, aportando a una vision amplia para diferentes decisiones y conclusiones que podemos llegar de estas en su totalidad.

2. Estos 4 puntos principales nos brindan una forma mas evolucionada de lo que es el manejo y estudio de los dataframe, viendo casos como los missing data, siendo un caso que, en la mayoria de datos, esta presente, se busca mitigar este tipo de data basandonos en graficas que permitan su identificacion y con tecnicas de imputacion, asignar valores que no afecten a nuestro analisis a una base de datos.

3. La imputación de datos en R es crucial para la toma de decisiones precisas y confiables en un entorno empresarial global. Cuando los datos están incompletos o faltantes, la imputación inteligente en R puede ayudar a llenar esas lagunas de manera efectiva, lo que permite a los usuarios trabajar con conjuntos de datos completos y precisos. Esto a su vez ayuda a los usuarios a tomar decisiones informadas y confiables basadas en los datos disponibles. La imputación inteligente también puede ayudar a reducir la incertidumbre y el riesgo asociados con la toma de decisiones en un entorno empresarial, lo que puede ser especialmente importante en un mundo interconectado y en constante cambio.

4. La versatilidad de R, con su amplia gama de herramientas para visualización y análisis estadístico avanzado, otorga a los usuarios la agilidad necesaria para abordar los desafíos empresariales, académicos, de investigación y personales en constante evolución. Esto les permite identificar patrones significativos y tomar decisiones estratégicas fundamentadas en un contexto global.