¡Feliz día de la madre!

Este domingo 13 de mayo, celebramos el día de la madre y queremos desearles un feliz día junto a sus familiares.

Primera tarea: El cambio de mindset

¡Excelente artículo! La transformación es cultural... se requiere una mentalidad que cuestiona cómo se hacen las cosas y que incorpora nuevas tecnologías para crear soluciones distintas. Primera tarea: el cambio de mindset.

El artículo completo de Semana Económica:
http://semanaeconomica.com/caso/primera-tarea-el-cambio-de-mindset/

https://www.youtube.com/watch?v=4OK0rTm0cRQ

¡Feliz Día Internacional de la Mujer!

¡Seguimos creciendo juntos!

La inteligencia artificial está cambiando el marketing

A pesar de lo que el consumidor promedio pueda darse cuenta, AI (Artificial Intelligence) o la Inteligencia Artificial ya es una parte central de su vida cotidiana. 

En nuestras vidas modernas, nadie queda intacto por el poder de la Inteligencia Artificial. Ya se trate de la asistencia virtual y conversacional de Siri o Alexa, o el motor de recomendaciones hipersensibles de Netflix, hay pocos lugares en nuestra vida digital que no se vean mejorados por el aprendizaje automático y los algoritmos. En el mundo de los negocios, especialmente en las esferas de marketing y publicidad, para cualquier organización que busque ganar un punto de apoyo o mantener una ventaja, aprovechar el poder de la AI está más allá del punto de la teoría.

Considere estos puntos cruciales en la línea de tiempo de marketing AI:

Como se informó en Bloomberg, con la proliferación de la computación en la nube, las redes neuronales, la investigación y los conjuntos de datos, las inversiones y los avances en la AI alcanzaron un punto de inflexión hace dos años sin signos de detenerse.

Según Digiday, el mercado de inteligencia artificial "se estima que alcanzará $ 5.1 mil millones en todo el mundo en 2020, un 54% más que el año pasado. Y se espera que los medios y el sector publicitario tomen la mayor parte del mercado global de AI".

El gasto en medios digitales superará los dólares de publicidad televisiva por primera vez este año. Para 2020, el gasto digital estará a la cabeza. Ningún negocio de comercialización sobrevivirá sin aprovechar AI.

Ya sea que esté a bordo o no, aquí hay un resumen de las 3 principales formas en que AI está cambiando la cara del marketing: No solo suplantando las tradiciones en quién está mirando estos datos, sino cómo tomamos decisiones claves, desde contenido y creatividad hasta atención al cliente para medir y actuar sobre los datos y como el marketing puede beneficiarse.

1. Creación y curación de contenido

Ya hay ejemplos anecdóticos de agencias que emplean AI para tomar decisiones creativas, en algunos casos, se acercan bastante a los resultados de las creatividades humanas. El potencial está creciendo para AI para ayudar a destacar y determinar los elementos creativos clave con éxito comprobado, derivados de los datos. Desde los componentes básicos del contenido creativo (gráficos, video, música y texto) hasta los marcos en los que se combina la creatividad: Diseño de sitios web, contenido de correo electrónico, copia de anuncios, reconocimiento de imágenes, etc. Aprovechando el vasto y creciente campo de los motores de recomendación, también es una forma esencial a prueba del futuro para que los especialistas en marketing obtengan contenido con el que pueden estar seguros de que los consumidores realmente desean participar. Tarde o temprano, las máquinas podrán determinar cosas que terminan siendo una pérdida de tiempo y recursos para creatividades valiosas.

2. Bots y reconocimiento de idiomas

Ya destaqué las voces del rápido crecimiento de bots como asistentes virtuales como Siri, Alexa y otros, pero su charla conversacional no es solo para el hogar o el bolsillo. Administrar el servicio al cliente, por ejemplo, podría beneficiarse de AI, de saber cuándo y dónde enrutar problemas comunes del cliente, administrar recursos humanos e incluso aplicaciones de servicio al consumidor, utilizando lo mejor en reconocimiento de voz y lenguaje para responder. Además, a medida que más y más consumidores interpretan sus experiencias digitales a través de robots de diversa índole, los especialistas en marketing inteligente deberán comprender cómo apelar a los algoritmos y "gustos" de esos bots para ponerse frente a los consumidores que necesitan.

3. Medición y optimización

La gran cantidad de datos que podemos recopilar digitalmente ha hecho que sea increíblemente simple entender qué tan bien ha funcionado una campaña. Pero la industria continúa luchando con las preguntas más difíciles, como "¿Por qué una campaña tuvo éxito? La tecnología de AI puede profundizar en el ADN de nuestros esfuerzos de marketing, recopilar aún más datos y aplicar filtros y categorías inteligentes. Llevándolo aún más lejos, la contribución de AI a la optimización de la orientación de anuncios, precios eficientes, la eliminación de redes publicitarias sin futuro y, finalmente, la eliminación gradual del enfoque de "configúrelo y olvídese" para la optimización será la vía esencial para el éxito en el marketing inteligente de hoy y del futuro.

Fuente: Ben Legg. Director ejecutivo de AdParlor. Escritor del libro, Marketing for CEOs: Death or Glory in the Digital Age.

Cómo debe crecer un Data Scientist

Para que un científico de datos crezca, deben ser desafiados más allá de los aspectos técnicos de sus trabajos. Necesitan cuestionar sus fuentes de datos, ser concisos en sus ideas, conocer su negocio y ayudar a guiar a sus líderes.

El papel de un científico de datos aún varía de una compañía a otra e incluso de un equipo a otro. Esto hace que sea mucho más difícil para las empresas crear un plan de crecimiento estandarizado para sus científicos de datos.

Sin un plan de crecimiento claro, existe el riesgo de que estos talentosos asistentes informáticos se queden estancados. Podrían proporcionar buenas perspectivas, pero nunca crecerán realmente ni proporcionarán el verdadero ROI que tienen para ofrecer a un negocio o, lo que es más importante, a ellos mismos.

Con esta idea, conversamos con los gerentes de Seattle que trabajaban en las principales compañías tecnológicas para averiguar qué querían y esperaban de sus principales científicos de datos. Queríamos compartir la información que aprendimos tanto para ayudar a los científicos de datos a crecer, como para ayudar a los gerentes que intentan desafiar a sus nuevos científicos de datos a seguir creciendo.

Asi descubrimos que no se trataba de programación o diseño de algoritmos (que era una referencia para un científico de datos Jr.). Cuando les preguntamos a estos gerentes qué querían ver de sus científicos de datos más antiguos, nos informaron que querían personas motivadas que pudieran comunicarse de manera concisa, que pudieran pensar por sí mismas y que tuvieran una sólida comprensión del negocio.

"Los científicos de datos tienen la oportunidad de influir en las decisiones de la compañía".

Para que un científico de datos crezca, deben ser desafiados más allá de los aspectos técnicos de sus trabajos. Los científicos de datos tienen la oportunidad de influir en las decisiones de la compañía. Ellos tienen mucha responsabilidad sobre sus hombros. Eso significa que necesitan hacerse cargo del trabajo que hacen. Necesitan cuestionar sus fuentes de datos, ser concisos en sus ideas, conocer su negocio y ayudar a guiar a sus líderes.

No cuestione sus hallazgos, pregunte sus datos

Un experto en datos científicos no solo confiará en sus datos después de recibirlos, también lo pincharán y lo presionarán con prejuicios, datos faltantes, datos duplicados, etc.

Los datos tienen caprichos. Para aquellos que pasan horas y horas en datos, sabes lo que estoy diciendo. Mientras se desplaza o grafica datos, se ven esos patrones extraños que lo hacen detenerse y decir "Me pregunto por qué x parece z". Los científicos de datos más jóvenes a menudo estarán demasiado enfocados en terminar el proyecto. No han aprendido cómo detenerse y realmente analizar estos patrones extraños. Estos patrones pueden ser causados ​​por sistemas que predeterminan salidas de datos específicos, como -1 o 1 o incluso datos parciales causados ​​por la compra de bots que pueden sesgar lo que los clientes realmente están comprando en un sitio de comercio electrónico y otras mil causas plausibles de información engañosa.

Estos patrones no son necesariamente datos incorrectos o malos. Incluso cuando los datos son precisos, siempre habrá caprichos operacionales. Un científico de datos con experiencia no solo buscará estos caprichos de datos, sino que los esperará.

El término fuente de la verdad se usa mucho en los equipos de datos. Se refiere a la fuente de datos original que varios equipos han decidido que es correcta. Fui muy ingenuo cuando comencé como científico de datos. En uno de mis primeros proyectos, me informaron sobre una fuente de datos que nuestro equipo había etiquetado como fuente de verdad. Durante meses trabajé en nuestra "Fuente de la Verdad" desarrollando análisis y aplicaciones para ayudar a más de 200 gerentes y directores a tener acceso a esa información. Por supuesto, no pasó mucho tiempo hasta que hubo problemas de coherencia con otras métricas. Fue entonces cuando me di cuenta de que había estado trabajando en una fuente de datos de varios ETL de la fuente de la verdad.

Hablando con los gerentes de tecnología en Seattle. Este es un problema común. Los jóvenes analistas, científicos de datos y desarrolladores confían demasiado en sus fuentes de datos. Por lo general, los empleados más jóvenes y menos experimentados estarán muy ansiosos de realizar el trabajo. Esto inadvertidamente conducirá a una menor comprensión de lo que realmente son los datos. En lugar de preguntar por qué, pasan más tiempo asegurando las "funciones" del producto. Por lo tanto, se pierden al notar las peculiaridades de los datos.

Para crecer como científico de datos, debe evitar simplemente asegurarse de que un producto o algoritmo "cumpla con los requisitos" y se haga dueño. Debe asumir la responsabilidad de comprender los datos y sus peculiaridades. De esa forma, puede comunicarle por completo a su gerente o director, todas y cada una de las suposiciones que hizo. Un científico de datos no puede crecer verdaderamente si culpa a los malos resultados de los datos.

Se capaz de indicar de manera concisa el valor de sus hallazgos

Para crecer como científico de datos, tienes que expandirte más allá de ser un programador/estadístico. Debes aprender cómo ser un comunicador y debes obtener la capacidad de expresar de forma concisa el valor de tus hallazgos y también indicar qué debe hacer tu director con la información.

Puede ser tentador proporcionar a los directores y gerentes todos los gráficos, todos los datos y toda la información técnica que se recopiló durante nuestra investigación para demostrar que en realidad estábamos trabajando. Especialmente en la ciencia de los datos, donde a veces se necesitan algunos meses para avanzar valiosamente en un solo problema (por una buena razón). Sin embargo, al final de todo, los directores no quieren un exceso de información.

Conozca su negocio

Cada vez que un científico de datos comienza un nuevo trabajo, es comprensible que no entienda todo sobre el nuevo día hábil. Hay mucho que aprender además de las fuentes de datos, bases de código y otros sistemas específicos de la compañía. Deben aprender sobre el funcionamiento diario de los datos con los que trabajarán. También necesitan comprender los problemas que enfrenta la empresa. Sin embargo, un experto en datos científicos debería ser capaz de obtener rápidamente una comprensión de un negocio.

Aprenda cómo trabajar con diferentes equipos, participe en proyectos y permítase ser un mentor diligente. Los científicos de datos pueden participar en proyectos tras proyectos en diferentes tipos de temas y deben poder adaptarse rápidamente, incluso los más experimentados necesitan enfocarse más en el porqué de sus proyectos. Si un gerente no desafía a sus miembros más experimentados del equipo de ciencia de datos para crecer y aprender el negocio, entonces es algo de lo que es culpable por la falta de crecimiento. Cada año o cada pocos meses, los gerentes deben ayudar a desafiar a los científicos de datos más experimentados para asegurarse de que realmente están creciendo. De lo contrario, una empresa está perdiendo el ROI máximo.

Alta administración

Administrar requiere que los científicos de datos (o cualquier otra persona en cualquier empresa para el caso) tomen el tiempo necesario para comprender las necesidades de los gerentes. No solo lo que la compañía necesita. ¿Qué quiere el jefe de usted y de sí mismo? Una vez que entiendes eso, entiendes lo que los impulsa. Eso permitirá que un científico de datos anticipe las necesidades de sus jefes antes de que se lo pidan. Esto ayudará a desarrollar la confianza, así como una mayor inversión de sus gerentes y directores. Este mundo no es todo acerca de tu crecimiento ¡Los administradores también quieren crecer! Como experimentado, usted sabe que ayudar a otros a crecer y alcanzar sus metas significa que usted también gana.

Resumen

Se espera que los científicos de datos hagan más que simplemente crear algoritmos y administrar grandes conjuntos de datos. El valor de los científicos de datos experimentados proviene no solo de sus habilidades técnicas, sino también de sus habilidades blandas. La información y los algoritmos que los científicos de datos crean impulsarán las decisiones de la alta gerencia. Por lo tanto, cualquier cosa que proporcionen debe ser comprensible para los directores y vicepresidentes que administran millones de dólares en personas, recursos, equipos, proyectos ... y todo lo demás en una empresa. Esto significa que para que un científico de datos crezca en valor a un negocio, debe aprender lo que el negocio encontrará valioso.

Fuente: Benjamin Rogojan. Experto en datos, marketing e IT.

¡Felices fiestas!

.

10 tecnologías de Big Data que debes conocer

A medida que el mercado del análisis de Big Data se expande rápidamente para incluir a los principales clientes, es importante conocer las tecnologías de Big Data que realmente importan.

Todo el mundo habla de la ciencia de datos, con su modelo predictivo, minería de datos y aprendizaje automático (Machine Learning). Pero la mayor parte de esto no sería posible, especialmente a gran escala, sin ingeniería de datos. A continuación se enumeran algunas tecnologías de Big Data que todo ingeniero de datos debe conocer.

1. Análisis predictivo: Esta tecnología, que incluye soluciones de hardware y software, ayudará a su empresa a descubrir, evaluar, optimizar y desplegar modelos predictivos. Esto lo hace mediante el análisis de fuentes de Big Data, mejorando así el rendimiento comercial o mitigando el riesgo.

2. NoSQL Base de datos: En comparación con sus contrapartes RDBMS, las bases de datos NoSQL están disfrutando de un crecimiento exponencial. El tipo de base de datos NoSQL ofrece un diseño de esquema dinámico, que otorga la posibilidad de una mayor personalización, flexibilidad y escalabilidad, que es muy necesario cuando se almacenan grandes volúmenes de Big Data.

3. Descubrimiento de búsqueda y conocimiento: Necesita conocer estas herramientas y tecnologías para la auto extracción de información. El descubrimiento de búsqueda y conocimiento consiste en obtener nuevos entendimientos de grandes repositorios de datos estructurados y no estructurados que residen en fuentes, como sistemas de archivos, flujos de datos, bases de datos, APIs (Application Programming Interface) y otras plataformas y aplicaciones.

4. Análisis de flujo: Necesita agregar, filtrar, enriquecer y analizar un alto rendimiento de datos. El análisis de flujo examina los datos que provienen de fuentes de datos múltiples, dispares, en vivo y en distintos formatos.

5. Tejido de datos en memoria: Esta tecnología proporciona acceso de baja latencia y le permite procesar grandes cantidades de datos. Distribuye datos a través de la memoria de acceso aleatorio dinámica (DRAM), SSD o Flash de un sistema informático distribuido.

6. Almacenes de archivos distribuidos: Una red informática que almacena datos en más de un nodo, a menudo de forma replicada, para ofrecer redundancia y rendimiento.

7. Virtualización de datos: Si necesita información entregada desde varios orígenes de Big Data, como Hadoop y tiendas de datos distribuidos, en tiempo real y casi en tiempo real, la virtualización de datos es su tecnología.

8. Integración de datos: La integración de datos se trata de herramientas que permiten la orquestación de datos en soluciones como Apache Hive, Apache Pig, Amazon Elastic Map Reduce (EMR), Hadoop, Couchebase, MongoDB, Apache Spark, etc.

9. Preparación de datos: Para aliviar la carga de dar forma, limpiar, buscar y compartir conjuntos de datos desordenados y diversos que aceleran la utilidad de los datos para el análisis.

10. Calidad de datos: La tecnología que lleva a cabo la limpieza y el enriquecimiento de datos en grandes conjuntos de datos de alta velocidad. Utiliza operaciones paralelas en bases de datos distribuidas y almacenes de datos.

Tecnologías de Big Data: A tener en cuenta

Todas estas herramientas contribuyen a la comprensión en tiempo real, predictiva e integrada; y es exactamente lo que Big Data quiere de los clientes ahora. Para obtener la ventaja competitiva que ofrece Big Data, debe infundir análisis en todas partes, explotar el valor en todos los tipos de datos y hacer un diferenciador de velocidad. Todo esto requiere una infraestructura que pueda administrar y procesar volúmenes masivos de datos estructurados y no estructurados. Las tecnologías de Big Data deben admitir los servicios de búsqueda, gobierno, desarrollo y análisis de datos que abarcan desde datos de transacciones y aplicaciones hasta datos de máquinas y sensores, datos geo espaciales, sociales y de imágenes.

Fuente: Naveen Joshi. Fundador y CEO de Allerin. Experto en Big Data, IoT, AI y Blockchain.