El error más común al elegir tema de tesis en Ciencia de Datos no es de creatividad, sino de factibilidad: muchos estudiantes proponen una pregunta interesante sin verificar si existe un dataset real y accesible para responderla. Aquí tienes 20 líneas de investigación organizadas por área, cada una con la fuente de datos mexicana o abierta que la puede hacer viable desde el primer semestre de trabajo.
Cada línea de esta lista está redactada como un punto de partida, no como una pregunta de investigación ya cerrada: tu trabajo, una vez elegida la línea, es delimitarla a una región, un periodo o una población específica que puedas cubrir con el tiempo y los recursos reales de tu tesis. Un tema como “predicción de brotes de dengue” es demasiado amplio para una tesis de licenciatura; “predicción de brotes de dengue en los municipios costeros de un estado específico, con datos de los últimos cinco años” ya es un proyecto acotado y defendible.
Las líneas están organizadas por área temática, no por técnica, precisamente porque en una tesis de Ciencia de Datos la técnica (regresión, clustering, redes neuronales) es una herramienta al servicio de una pregunta sustantiva, no el punto de partida. Elegir primero “quiero usar redes neuronales” y después buscar un tema que las justifique suele producir una tesis técnicamente competente pero débil en su justificación; elegir primero el fenómeno que te interesa y después la técnica adecuada para estudiarlo produce el resultado inverso, mucho más defendible ante un jurado.
Salud pública
1. Predicción de brotes de dengue por municipio. Usando datos históricos de vigilancia epidemiológica y variables climáticas, un modelo de series de tiempo o clasificación puede anticipar zonas de riesgo antes de la temporada de lluvias. Fuente: datos de vigilancia epidemiológica de la Secretaría de Salud y datos climáticos históricos de fuentes meteorológicas abiertas.
2. Segmentación de patrones de salud bucal por entidad. Un análisis de clustering sobre los indicadores de SIVEPAB puede agrupar entidades con perfiles similares de caries y enfermedad periodontal, si los informes que consigas publican datos comparables por entidad. Fuente: SIVEPAB (Secretaría de Salud); cómo ubicarlo y citarlo está en dónde encontrar datos para una tesis de Odontología.
Seguridad pública
3. Análisis espacial de incidencia delictiva municipal. Cruzando cifras de delitos del fuero común con el Marco Geoestadístico del INEGI, se pueden identificar patrones espaciales de concentración delictiva. Fuente: Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública (SESNSP), INEGI.
4. Modelo predictivo de incidencia delictiva a corto plazo. Un modelo de series de tiempo sobre los reportes mensuales del SESNSP puede estimar la tendencia esperada de un delito específico en una entidad. Ten presente que son delitos denunciados, no la incidencia real, y discútelo como limitación. Fuente: SESNSP.
Movilidad y transporte
5. Patrones de movilidad urbana con datos de transporte público abierto. Si tu ciudad publica datos GTFS (formato estándar de datos de transporte) de su sistema de transporte público, puedes analizar cobertura, frecuencia y zonas subatendidas. Fuente: portales de datos abiertos municipales, cuando publican GTFS.
6. Predicción de tiempos de traslado según hora del día. Con datos de aplicaciones de movilidad o registros de tiempo de recorrido, un modelo de regresión puede estimar tiempos esperados de traslado por corredor vial. Fuente: datos abiertos de movilidad municipal o datasets públicos sobre tráfico urbano.
Economía y finanzas
7. Modelo de pronóstico del tipo de cambio peso-dólar. Un modelo de series de tiempo (ARIMA o redes neuronales recurrentes) sobre las series históricas del Banco de México puede comparar distintos enfoques de pronóstico a corto plazo. Fuente: Sistema de Información Económica (SIE) de Banxico.
8. Clasificación de hogares por nivel de vulnerabilidad económica. Con los microdatos de la ENIGH, un modelo de clasificación puede identificar los factores más asociados a la vulnerabilidad económica de un hogar. Fuente: microdatos ENIGH, INEGI.
Mercado laboral
9. Predicción de la tasa de informalidad laboral por región. Usando los microdatos de la ENOE, un modelo de regresión puede identificar qué variables regionales se asocian más fuertemente con la informalidad laboral. Fuente: microdatos ENOE, INEGI.
10. Análisis de brechas salariales por género con microdatos oficiales. Un análisis de regresión con descomposición de brechas (por ejemplo, Oaxaca-Blinder) sobre la ENOE permite cuantificar qué parte de la diferencia salarial se explica por características observables. Fuente: microdatos ENOE, INEGI.
Educación
11. Predicción de deserción escolar en educación media superior. Con datos administrativos escolares (si tu institución te da acceso, anonimizados) o encuestas nacionales de educación, un modelo de clasificación puede identificar factores de riesgo de abandono. Fuente: estadísticas educativas de la Secretaría de Educación Pública o encuestas nacionales educativas abiertas.
12. Análisis de resultados educativos por región con datos abiertos. Cruzando resultados de evaluaciones estandarizadas públicas con variables socioeconómicas del INEGI, se pueden explorar asociaciones regionales relevantes para política educativa. Verifica qué evaluaciones siguen vigentes y qué años cubren antes de plantear comparaciones en el tiempo. Fuente: resultados públicos de evaluaciones educativas, INEGI.
Comercio electrónico y consumo
13. Sistema de recomendación con datos abiertos de reseñas de productos. Usando un dataset público de reseñas (por ejemplo, en Kaggle o UCI), se pueden construir y comparar distintos algoritmos de recomendación (filtrado colaborativo, basado en contenido). Fuente: Kaggle, UCI Machine Learning Repository.
14. Análisis de sentimiento sobre marcas mexicanas en redes sociales. Con datos públicos recolectados vía API (respetando términos de servicio) de una red social, un modelo de procesamiento de lenguaje natural puede clasificar el sentimiento de menciones sobre una marca. Fuente: APIs públicas de redes sociales, con las restricciones de acceso vigentes en cada plataforma, que pueden cambiar o encarecer el acceso.
Medio ambiente
15. Predicción de calidad del aire en zonas metropolitanas. Con datos históricos de estaciones de monitoreo ambiental de una ciudad, un modelo de series de tiempo puede anticipar niveles de contaminantes en días de alto riesgo. Fuente: sistemas municipales o estatales de monitoreo de calidad del aire, cuando publican datos abiertos.
16. Análisis de deforestación con imágenes satelitales. Usando series temporales de imágenes satelitales de libre acceso, un modelo de clasificación de imágenes puede cuantificar el cambio de cobertura forestal en una región específica. Fuente: imágenes satelitales de acceso abierto (por ejemplo, plataformas de observación terrestre de uso público).
Agricultura
17. Predicción de rendimiento agrícola por región. Cruzando datos climáticos históricos con estadísticas agrícolas oficiales, un modelo de regresión puede estimar el rendimiento esperado de un cultivo específico. Fuente: Servicio de Información Agroalimentaria y Pesquera (SIAP), datos climáticos abiertos.
Energía
18. Modelo de pronóstico de demanda eléctrica regional. Con series históricas de demanda eléctrica de fuentes oficiales del sector energético, un modelo de series de tiempo puede anticipar picos de demanda por temporada. Fuente: reportes públicos del sistema eléctrico nacional.
Turismo
19. Segmentación de destinos turísticos por perfil de visitante. Usando los indicadores públicos de ocupación hotelera y afluencia turística, un análisis de clustering puede agrupar destinos con patrones de demanda similares. Fuente: DataTur (Secretaría de Turismo).
Vivienda
20. Modelo de valuación automatizada de vivienda por zona. Combinando datos del Censo de Población y Vivienda por AGEB con datos de precios de oferta de plataformas inmobiliarias, un modelo de regresión puede estimar el valor esperado de una vivienda según su ubicación y características. Fuente: INEGI (Censo de Población y Vivienda, Marco Geoestadístico), plataformas inmobiliarias con datos de oferta pública. Las fuentes territoriales se detallan en INEGI, SEDATU y el Marco Geoestadístico.
Cómo elegir entre estas 20 líneas
Prioriza la línea donde ya identificaste con certeza que el dataset existe, es accesible sin trámites prolongados, y tiene el tamaño y la calidad suficientes para tu análisis, antes que la línea que te parece más interesante en abstracto. Verifica también si tu facultad valora más un enfoque predictivo (machine learning, pronóstico) o uno descriptivo-exploratorio (clustering, visualización), ya que eso puede inclinar la balanza entre dos líneas igualmente viables en cuanto a datos.
Cómo validar la factibilidad antes de comprometerte con un tema
Antes de presentar tu protocolo a tu asesor, descarga una muestra pequeña del dataset que planeas usar y ábrela en tu herramienta de análisis (Python, R, Excel) para confirmar tres cosas: que el formato es manejable con las herramientas que dominas, que las variables que necesitas realmente están presentes (no solo mencionadas en la descripción general del dataset), y que el volumen de datos es suficiente para el tipo de modelo que planeas construir. Esta verificación breve evita semanas de retraso si descubres, ya avanzado el semestre, que el dataset real no tiene el detalle que asumiste que tendría.
Qué hace que una de estas líneas sea una buena tesis y no solo un buen proyecto de curso
La diferencia entre un ejercicio de clase y una tesis está en la pregunta de investigación: un proyecto de curso demuestra que sabes aplicar una técnica (por ejemplo, entrenar un modelo de clasificación); una tesis responde una pregunta sustantiva sobre el fenómeno que estudias y discute qué significan tus resultados más allá de una métrica de desempeño del modelo. Al elegir cualquiera de estas 20 líneas, pregúntate qué decisión, política o práctica podría informarse con tu hallazgo, y construye tu justificación alrededor de esa utilidad, no solo alrededor de la técnica que quieres practicar. Incluye además un modelo de referencia sencillo (por ejemplo, un pronóstico ingenuo o una regresión básica) contra el cual comparar tu modelo principal: sin esa línea base, un jurado no puede saber si tu técnica aporta algo.
Preguntas frecuentes
¿Necesito saber machine learning avanzado para cualquiera de estos temas?
No todos: temas como el análisis de brechas salariales o la segmentación de destinos turísticos pueden resolverse con técnicas estadísticas y de clustering relativamente accesibles; los temas de predicción con redes neuronales o procesamiento de lenguaje natural exigen un nivel técnico mayor. Elige según tu nivel real de dominio técnico, no solo según el atractivo del tema.
¿Puedo combinar dos de estas líneas en una sola tesis?
Es posible, pero ten cuidado de no ampliar demasiado el alcance de una tesis de licenciatura: combinar, por ejemplo, movilidad y calidad del aire es coherente si tu pregunta de investigación realmente los conecta (el tráfico como fuente de contaminación), pero combinar temas sin relación lógica entre sí solo complica tu diseño sin aportar valor.
¿Dónde reviso el detalle de cómo citar cada una de estas fuentes en mi tesis?
En la guía de datasets abiertos para tesis de Ciencia de Datos y cómo citarlos en APA 7, y para el formato general de conjuntos de datos y software, en cómo citar un conjunto de datos y un software en APA 7.
¿Estas líneas sirven también para una tesis de Ingeniería en Sistemas o Actuaría, no solo Ciencia de Datos pura?
Sí, la mayoría de estas líneas son igual de válidas para programas afines que trabajan con análisis cuantitativo de datos —Ingeniería en Sistemas, Actuaría, Estadística aplicada—, ajustando el énfasis metodológico según lo que tu programa específico evalúe con más peso (desarrollo de software, modelado matemático, o análisis estadístico puro).
¿Cuál de estas 20 líneas es la más accesible para alguien sin experiencia previa fuerte en programación?
Las líneas basadas en microdatos oficiales con análisis estadístico y de clustering (brechas salariales, vulnerabilidad económica, segmentación de destinos turísticos) suelen ser más accesibles que las que requieren procesamiento de lenguaje natural o imágenes satelitales, que exigen un nivel de programación y de manejo de librerías especializadas considerablemente mayor.
Y si buscas una herramienta que te ayude a estructurar el resto de tu protocolo una vez que elijas tu línea de investigación, el editor de tesis con IA de Tesify ordena tu metodología con formato APA 7.