¿Cómo identificar un impostor de datos? – datlas emprendedores

Ya conoces de nuestras otras columnas que hemos hablado que además de los científicos de datos hay muchos otros roles en el campo de la analítica avanzada de datos. Puedes leerlo en “Los 5 perfiles en una estrategias de datos”. Quienes no redujeron presupuestos en pandemia han creado nuevos departamentos de analítica avanzada. Esto aplica para compañías de todo tipo de tamaño. Por lo mismo, la demanda de capital intelectual de ciencia de datos se ha incrementado y la oferta es insuficiente. Por esta razón, existen situaciones en las que personas con poca o insuficiente formación en el campo atienden proyectos de analítica. La falta de respaldo en el campo se empieza a traducir en altas rotaciones, pérdida de fe en retornos de inversión para proyectos de ciencia de datos y/o reducción de presupuestos. En esta columna compartiremos algunos consejos de cómo detectar a “impostores de datos” con algunas revisiones puntuales al momento de entrevistar personas.

1) Los charlatanes de datos se esconden en todo tipo de equipos y áreas. Se rodean de gente capaz, pero se camuflajean entre la estadística y los análisis de negocio

Es útil entender que analítica y estadística son dos tipos de campos de dominio distintos. En estadística se aprende a entender el valor más allá de los datos, sintetizando un entendimiento global de variables a partir de tendencia central, identificando problemas en una serie de tiempo, excepciones en variables categóricas y más que nada encontrando significancias. Un analista, por otro lado, está preparado para entender y dimensionar una base de datos con mayor conocimiento del campo de dominio del negocio. Generar a partir de relaciones conclusiones y mensajes de oportunidad para una empresa.

En la práctica, los roles de de ciencia de datos requiere la función híbrida. Un analista se quedaría corto si no conoce suficiente de estadística para validar pruebas de hipótesis. Y un conocedor de estadística requiere una visión global al momento de enfrentarse a un problema de datos. Cuidado de caer en la falacia de que estas funciones “duermen” por separado.

Te puede interesar leer “Por qué fracasan los proyectos de datos”

2) El arte de manejar la incertidumbre, los “outliers” (anomalías) y faltantes

Un buen analista es similar a un doctor al momento de iniciar un nuevo paciente. Lo primero es generar un diagnóstico, no importa cuántas personas hayan diagnosticado antes las bases de datos a trabajar, hay que realizarse una serie de preguntas sobre el problema de datos que se va a enfrentar. Alejarse de este diagnóstico es quedar fuera de un verdadero proyecto de ciencia de datos.

De hecho, puedes leer “Cómo construir un checklist para proyectos de analítica de datos”. Los impostores de datos muchas veces se enfocan más en entregar los resultados al jefe y olvidan la parte artesanal de curar los datos para tener la estructura de datos óptima para resolver un problema en especifico.

3) Más seducidos por el p-value significancia estadística que la significancia de los resultados para la estrategia del negocio

La obsesión por la técnica estadística no necesariamente está asociada a un buen desempeño como científico de datos. Tener talento académico y seguir los principios de estadística en un ejercicio de análisis de datos es importante. Pero debe haber una obsesión con generar resultados objetivos para el negocio.

Una vez que prioricemos ese objetivo, los verdaderos científicos de datos no se detendrán con su entendimiento estadístico. Querrán conocer e identificar el ADN del negocio.

4) El arte de generar variables para generar conclusiones que hagan sentido

Un analista serio no comenzará su análisis con las variables que le entregaste para trabajar. Buscará explorar y desarrollar nuevas variables. Por ejemplo, cuando trabajas con latitudes y longitudes y quieres trabajar algún modelo como una regresión. Los campos no pueden ser ingresados como tal. Debemos de generar un punto de referencia, como el centro de la ciudad, una escuela cercana, un hospital o algo similar. Para que nuestra conclusión de regresión pueda ser interpretada como “por cada cambio en X variable, existe un cambio en Y”. Es común en las pruebas aplicadas para científicos de datos poco preparados este tipo de carencias salgan a relucir.

Si quisieras saber algunos consejos de cómo deberías reclutar a tu equipo de analítica no te olvides leer “Diseño de perfiles y áreas de analítica en organizaciones”. o escuchar nuestro podcast “Café de Datos”.

5) Un charlatan de datos llega a conclusiones demasiado rápidas… a conveniencia

Un experimento de datos no se puede declarar exitoso si sólo se pone a prueba con una serie de datos. Un buen “Testing” es aquel que se experimenta en distintas condiciones, con datos que estuvieran vigentes en temporalidades distintas y , si es posible, estresado bajo modelos contrastantes.

Un charlatán de datos usará más de su tiempo en convencerte que el primer resultado fue el correcto o que su método es el único en lugar de buscar formas de contradecir el ejercicio inicial.

6) La culpa es del modelo que fue tonto, no mía

La última, tiene más que ver con una actitud, pero un impostor de datos hará responsable “al modelo”. Hará referencia a que es de “caja negra” y que no es posible explicar el impacto de cada variable al resultado. Mucho cuidado con estos colaboradores, porque además de mostrar poca capacidad de ajustar un modelo a una nueva realidad, muestran limitantes para poder explicar lo que hicieron y eso puede ser un peligro para la organización.

Comentarios finales

Recuerda que, como lo establecimos antes, “No necesitas un doctorado para aprender de data science, pero tampoco se aprende en una clase de 2 horas”. Los charlatanes de datos y análisis requieren precauciones y es importante continuar elevando el rigor de la materia. Te recomendamos buscar elevar los estándares en tu organización siguiendo estos consejos y leyendo alguna de las columnas que citamos

Equipo Datlas

– Keep it weird-

Fuentes

– Science of Fake. Fuente: https://www.lazerlab.net/publication/%E2%80%9C-science-fake-news%E2%80%9D

– How to spot a charlatan. Fuente: https://towardsdatascience.com/how-to-spot-a-data-charlatan-85785c991433

Boom de crecimiento de Hoteles para turismo ¿en pandemia? así las cosas en monterrey, nuevo león- Investigación Datlas

La pandemia global del COVID-19 continúa, ya hay nociones de vacunas, algunas regiones gestionan soluciones más rápido que otras, pero las condiciones de aislamiento continúan. Haz click aqui para ver los mejores dashboards del COVID-19 durante la pandemia.

La industria con mayor impacto negativo ha sido la del turismo. En nuestra masterclass hablamos de la situación y también de las oportunidades hacia el futuro. Pero ¿Qué se está preparando a futuro? ¿Cómo se han priorizado recursos y qué datos podemos usar de referencia? En esta columna mostramos el caso para Monterrey, Nuevo León, México. Y en Datlas… como miembros del Clúster de Turismo de Monterrey, lo conocemos bien.

Caída en el consumo turístico interior al 2do trimestre del 2020 (Última actualización). Fuente: https://www.inegi.org.mx/temas/itat/#Informacion_general

Caída en el PIB TURISTICO al 2do trimestre del 2020 (Última actualización). Fuente: https://www.inegi.org.mx/temas/itat/#Informacion_general

¿Qué relevancia tiene Monterrey ZMM en Nuevo León y México?

Monterrey es la ciudad más grande e importante de Nuevo León. Cuenta con más de 5 millones de habitantes. Su zona metropolitana colinda con 7 municipios, entre ellos, San Pedro Garza García uno de los suburbios más costosos de LATAM. El PIB per capita para Monterrey es de casi el doble del promedio de México.

Particularmente en la región destaca el impulso a la economía por la industria de manufacturas, cerca del aeropuerto (que está a una hora del centro de la ciudad aproximadamente), encontraremos grandes bodegas y patios de maniobra. Esto tiene que ver con la posición geográfica privilegiada, cercano al vecino Estados Unidos de América, y conectado por carreteras a todo el país.

Esta apertura al extranjero y sus 2 aeropuertos invitan a muchos visitantes con motivos de negocios y eventos de turismo. Hasta el 2018, últimos años de actualización de datatur, al mes se tenía una cifra promedio de 350,000 cuartos ocupados. 60,000 de ellos por personal extranjero. A la misma fecha, el % de ocupación rondaba los 55%.

Mapa de AIRBNB y Hoteles

De acuerdo a nuestro último mapas de Datlas para Nuevo León existía un registro a marzo del 2020 de 350 hoteles. en la zona metropolitana de Monterrey. Así también alrededor de 4,950 hospedajes tipo Airbnbs.

Si te interesa conocer a detalle puedes ver nuestro webinar de analítica para Airbnb y hoteles.

¿Qué está sucediendo con el sector hotelero en Monterrey?

De acuerdo a investigaciones del REFORMA (Periódico ElNorte)

– Se están sumando 2,200 nuevas habitaciones (Durante pandemia)

– La ciudad de está llenando de torres de usos mixtos y en complemento a estos desarrollos los hoteles no pueden faltar

– Al menos en San Pedro Garza García, se suman 700 nuevas habitaciones

– Otros 200 corresponden al proyecto de reactivación del centro de la ciudad, que se está tratando de reactivar comercial y residencialmente

– Algunas empresas claves en el sector dan señales de retorno

¿Por qué es un caso de estudio?

Porque durante la pandemia , a pesar de todo dato duro de caída crítica en turismo, los desarrollos continúan. El plan de largo plazo, el consejo de urbanistas y las FIBRAS inmobiliarias (instrumentos financieros para desarrollo inmobiliario) tienen en sus fundamentos al sector hotelero.

De hecho, veamos los datos, la cantidad de deals en fondeos de capitales para la industria de turismo a nivel global se vieron reducidas. Sin embargo para Monterrey, hay crecimiento en desarrollos.

Nota: Estos “deals” también contemplan desarrollos de empresas tecnológicas o reinversiones respaldadas por corporativos. Fuente: https://news.crunchbase.com/news/could-the-covid-19-vaccine-mean-a-rebound-for-travel-startups-in-2021/

¿Qué podemos esperar a futuro?

Tan pronto haya vacuna, de los primeros sectores económicos a detonar será el de turismo. Leyendo algunas fuentes públicas podemos interpretar que acciones como las de expedia han regresado a niveles pre-pandemia .

Por otro lado, visitas y descargas a aplicaciones como AIRBNB siguen con caídas, mucho menores que en el verano del 2020, pero aún no se estabiliza a niveles pre-pandemia

Desde Datlas estamos preparados para apoyar y orientar con analítica de datos el regreso del Turismo con más fuerza que nunca antes. ¿Ya estás listo para relanzar? No olvides sintonizar la masterclas “Go-To-Market Strategy para el sector turismo” en alianza con el Clúster de Turismo de Monterrey. Es momento de entender las nuevas necesidades de los consumidores. Revisa nuestros Blogs sobre el tema y también nuestro podcast donde platicamos con la dirección del Clúster de Turismo de Monterrey.

Equipo Datlas

Keep it weird

Fuentes:

– Crunchbase: Vacuna de COVID-19 dispararía turismo. https://news.crunchbase.com/news/could-the-covid-19-vaccine-mean-a-rebound-for-travel-startups-in-2021/

– Detonan hospedaje: https://elnorte.com/P0u4Sn

– Datos AIRBNB: https://finance.yahoo.com/company/airbnb?h=eyJlIjoiYWlyYm5iIiwibiI6IkFpcmJuYiJ9&.tsrc=fin-srch

¿Cómo calcular LAS HORAS DE LUZ SOLAR EN CUALQUIER PARTE DEL MUNDO? cASO APLICADO CON R – Manual datlas

El estudio de energías alternativas y luz solar han sido temas de prioridad durante los últimos 10 años en Latinoamérica. Se ha incrementado cada vez más la conciencia de lo contaminante que pueden ser las fuentes de energías fósiles. Y en ese sentido el estudio de luz solar y el interés por sus aplicaciones ha ido a la alza. En esta columna compartiremos un método en R para poder obtener información de luz solar en cualquier parte del mundo utilizando la paquetería suncalc.

¿Cómo empezar?

El ejercicio que haremos será en el lenguaje de R. Es una iniciativa de software libre muy utilizada para analítica y ciencia de datos. Una combinación recomendada es utilizar R junto con el IDE de R Studio para poder tener una plataforma de trabajo más cómoda y ordenada.

¿Qué paqueterías utilizar?

R es un lenguaje que tiene una base de funciones en CRAN, su base, que se pueden utilizar y en automático ya vienen precargados al momento que descargas R. En complemento, sistemas como R permiten la instalación de librerías externas desarrolladas por la comunidad que permiten ampliar las capacidades del mismo. Las librerías que vamos a utilizar para este ejercicio son:

library(suncalc)
library(tidyverse)
library(scales)

También te puede interesar “Análisis de discurso de AMLO con NLP en R”

¿Cómo identificar las zonas horarias?

Las zonas horarias serán importantes para el ejercicio. En la herramienta suncalc.org puedes identificar la zona horaria de cualquier ubicación del mundo. En el buscador, para este ejemplo, ubicamos San Pedro Garza García, en el Estado de Nuevo León en México.

Lo podemos declarar en nuestro código como lo siguiente:

names <- “San Pedro Garza Garcia (México)”
lat <-25.6510566
lon <- -100.4025978

¿Cómo generar la consulta para calcular la hora de amanecer y anochecer?

El código es la siguiente, hay que declarar primero las fechas que estamos considerando para la métrica , después estructurar la tabla reporte de respuesta que en este caso tiene el amanecer, el horario en que termina el amanecer, puesta del sol y la hora a la que comienza. También incluye la declaración de la latitud y la longitud, en este caso como variables que declaramos previamente. Y finalmente el “timezone” o la zona horaria que encontramos en el sitio web referenciado

df <-
getSunlightTimes(
date = seq.Date(as.Date(“2018-12-01”), as.Date(“2019-12-31”), by = 1),
keep = c(“sunrise”, “sunriseEnd”, “sunset”, “sunsetStart”),
lat = lat,
lon = lon,
tz = “America/Monterrey”

El reporte lo podemos consultar el reporte. Para esto podemos revisar las primeras filas con: head(df)

¿Cómo calcular las horas de luz en una ubicación determinada?

Para calcular las horas de luz, el código es más complejo, pero tiene que ver con una particularidad del sistema para manejar los horarios.

df %>%
mutate(
date = as.POSIXct(date),
day_length = as.numeric(sunset – sunrise)
) %>%
ggplot(aes(x = date, y = day_length)) +
geom_area(fill = “#FDE725FF”, alpha = .4) +
geom_line(color = “#525252”) +
scale_x_datetime(
expand = c(0, 0),
labels = date_format(“%b ‘%y”),
breaks = seq(as.POSIXct(min(df$date)), as.POSIXct(max(df$date)), “month”),
minor_breaks = NULL
) +
scale_y_continuous(
limits = c(0, 24),
breaks = seq(0, 24, 2),
expand = c(0, 0),
minor_breaks = NULL
) +
labs(x = “Date”, y = “Hours”, title = names) +
theme_bw()

Finalmente , podemos observar los resultados en un gráfico como los siguientes.

En contraste, si lo ponemos en comparación contra Oslo Noruega, digamos que San Pedro GG tiene mucho mayor luz solar que otros.

¿Qué podría suceder al futuro?

Futuros análisis de datos nos podrán apoyar a identificar, por ejemplo, la potencial captación de luz para un edificio. O, en el caso de negocios que tienen una dependencia con la luz solar, tener una mayor predictibilidad de sus oportunidades comerciales.

¿Qué otras aplicaciones piensas que pueden funcionar? Cuéntanos en @DatlasMX . Hasta aquí la columna de hoy, esperamos la puedas compartir con tus colegas y personas que les pueda interesar

Fuentes:

Aprendiendo de Ciencia de datos para líderes de equipo – manuales datlas

El mes pasado terminamos el curso de “Data Science for Managers”. Este curso tiene un alcance específico para gerentes que están liderando proyectos de analítica y transformación digital en organizaciones. En esta columna compartiremos 5 de los aprendizajes así como un podcast que grabamos alrededor de algunos conceptos de analítica y ciencia de datos que aprendimos.

Sobre los niveles de madurez en analítica para organizaciones

Cuando comienzas a hablar de ciencia de datos en organizaciones es muy importante darse un tiempo para la auto-evaluación. Entender cuál es el nivel de madurez de tu empresa o equipo te ayudará a seleccionar las estrategias adecuadas para ese nivel. En este caso el equipo que nos impartió las clases, Galvanize, nos recomendó este modelo de 5 niveles para medir el nivel de madurez de datos. Estos los identificamos y los discutimos en el podcast que te recomendamos escuchar.

Sobre los lenguajes de programación para ciencia de datos más usados en la industria

En la industria sigue existiendo una variedad cada vez más crecientes de lenguajes de programación con enfoque a paqueterías que habilitan la resolución de problemas de analítica de datos. En general, de software libre Python y R fueron los más mencionados. Por otro lado los que consideran uso de licencia, sería SAS, MATLAB o SPSS. La extracción de información con SQL también fue mencionada. Todos estos apuntes para posible agenda de desarrollo de científicos de datos.

Sobre el pensamiento sistémico en analítica con transformación digital

Lo que continuará pasando al futuro es una mayor integración de hardware especializado que genere y comparta datos. En un pensamiento de proyectos sistémicos no se trata de ciencia de datos o inteligencia artificial por su cuenta sino de un pensamiento sobre sistemas inteligentes.

Este tipo de pensamiento nos ayudará a pensar cuando se contrate un proveedor en una organización si la plataforma que ofrece ¿Se integra con sistemas IOT? ¿Estaría contemplado para complementar un sistema inteligente?

Sobre la priorización

Otro de los beneficios de este curso fue que se lleva con otros expertos de la industria que convoca el Monterrey Digital Hub. Cuando los facilitadores generaron la consulta de cómo se priorizan los datos en las compañías hoy en día estas fueron las respuestas.

La respuesta de 6 de cada 10 asistentes fue que la visión de los ejecutivos (directivos) es lo que dicta la prioridad. Otros miembros complementaron con alternativas de presupuesto, impacto a indicadores clave o asignación de recursos por parte de la organización. Conforme la industria y los proyectos de datos se califiquen con más rigor muy seguramente la prioridad se generará más orientado a KPIs u OKR .

Sobre cómo medir el valor de los proyectos

Otro de los puntos a capitalizar, de lo que esperamos se pueda incrementar la cultura en las organizaciones, es de cómo medir de manera continua el ROI (retorno sobre la inversión) de los proyectos de analítica.

En el curso nos explicaron algunos de los factores como considera talento, productos de datos y tecnología necesarios para calcular el ROI. Y de manera muy importante detectar a qué oportunidad de negocio estamos impactando: Nuevas oportunidades, optimizar o automatizar.

Hubo muchos aprendizajes más, pero quisimos destacar algunos aqui y otros más en nuestro episodio de podcast de analytics “Café de Datos” #Cafededatos.

Hasta aqui la columna de hoy si te gustó la columna te invitamos a recomendar así como SUSCRIBIRTE a nuestro PODCAST Café de datos

Saludos

Equipos Datlas

– Keep it weird-

Altar de muertos a alan turing – INVESTIGACIÓN DATLAS

EL 2 de noviembre en México se celebra el “día de muertos” y es una celebración donde se le rinde homenaje a los muertos. Tienes sus orígenes en poblaciones indígenas. Se conmemora a los difuntos a través de distintos símbolos y uno de los más representativos es el “altar de muertos”.

Esta semana, desde el equipo Datlas, publicamos nuestro altar digital para Alan Turing y aprovechamos la publicación para hablar un poco de su vida.

Turing es un matemático nacido en Reino Unido que fue un protagonista del desarrollo del campo de la teoría computacional. Recientemente se hizo más famoso por su función de criptografo descifrando mensajes de los “nazis” con la máquina ENIGMA después de la segunda guerra mundial.

Alan Turing es considerado el padre de la inteligencia artificial. En 1936 publicó el artículo “Sobre números computables, con una aplicación al Entscheidungsproblem” (traducible como “problema de decisión”), que resultó ser el origen de la informática teórica. En él definía qué era computable y qué no lo era. Lo computable era todo aquello que podía resolverse con un algoritmo (conjunto de instrucciones finito que, mediante pasos sucesivos, lleva a la solución de un problema). El resto eran tareas no computables..

Sus desarrollos como la máquina de Turing y el test de Turing daban nociones de que una máquina podría seguir pasos lógicos para identificar su un problema se podría resolver con “lógica” computacional

Turing se planteó el reto de construir una máquina que tuviera las mismas capacidades que el cerebro humano. Intervino en el diseño de la ACE (siglas en inglés de Automatic Computer Engine), un ordenador digital electrónico concebido para resolver más de un propósito y capaz de almacenar un programa en su memoria.

4 contribuciones importantes

– Máquina de Turing

– Concepto de hipercomputación

– Pilot Model ACE

– Test de Turing

Por esta razón te dejamos este pequeño video del altar de muertos digital para Alan Turing.

Hasta aqui la columna de hoy, esperemos te haya gustado. Cuéntanos cómo celebras el día de muertos y a quién le harías un altar de muertos en redes sociales @DatlasMX

Fuentes:

PropTech: 5 casos de uso e indicadores que puedes mejorar aplicando correctamente la tecnología

Hace un par de años tuvimos la oportunidad de adentrarnos a la industria inmobiliaria desde nuestra trinchera tecnológica y descubrir el sin fin de innovaciones que la ola digital estaba habilitando dentro de este sector tan relevante en México y el mundo. En su momento hablamos de la disrupción que estas tecnologías traerían para este tipo de negocios, si no estas familiarizado quizá debas checar esta entrada primero. Un par de meses después tuvimos la oportunidad de formar parte de la primera aceleradora PropTech en Latinoamérica y aplicar nuestras tecnologías de mano de uno de los desarrolladores más importantes de, si quieres leer la historia completa puedes ver el blog anterior aquí. Finalmente, a inicio de este año publicamos un compendio de 5 principales errores que hemos visto que comenten las empresas y los científicos de datos al analizar bases de datos inmobiliarias, entérate de como evitarlos en esta columna. En esta ocasión vamos a abordar uno de los retos más relevantes para las empresas inmobiliarias, sobre todo en el presente año bajo las circunstancias del COVID y el panorama económico incierto. Vamos a hablar de algunos casos de uso y principales indicadores (KPIs) que se pueden mejorar cuando se aplica correctamente tecnología dentro de la industria inmobiliaria.

  1. Tiempo en los análisis

Tradicionalmente las empresas inmobiliarias tienen un departamento encargado de realizar estudios/análisis de oferta y demanda para apoyar la toma de decisiones en términos de los nuevos desarrollos a realizar. Desde Datlas nos ha tocado trabajar con un par de equipos de análisis habilitándoles nuestros mapas de inteligencia para concentrar la información que comúnmente consultaban en 5-6 fuentes diferentes. Nuestra metodología de laboratorio de datos les permite incluso integrar información interna que pueda complementar estos análisis. Siendo así una empresa inmobiliaria que apalanque este tipo de tecnología de una manera adecuada le puede permitir a sus equipos realizar análisis en días, comparado a las semanas que habitualmente tardaban realizando este tipo de ejercicio. En consecuencia, el ahorro en tiempos de análisis trae efectos secundarios positivos para otro tipo de indicadores, de los que también estaremos hablando.

  1. Periodo de recuperación de la inversión

Al evaluar cualquier tipo de proyecto, sobre todo un desarrollo inmobiliario, existe una práctica común que es la construcción de proyecciones financieras para calcular el periodo de recuperación de la inversión inicial del proyecto. Lo que en inglés se conoce como payback period. Otra de las tecnologías que nos ha tocado aplicar con algunos clientes del sector son los estudios de vocación de entorno habilitados por nuestro algoritmo de inteligencia artificial Laura. Mediante un proceso de análisis del punto a desarrollar, Laura es capaz de sugerir aquel tipo de desarrollo que mejor se adecue a las condiciones del entorno, así como sugerencias directas para la configuración de la oferta a posicionar en el punto. Esto le permite a la empresa, no solo asegurar que su producto tenga una demanda, sino incrementar su absorción y con ello impactar directamente al periodo de recuperación del proyecto dentro de las proyecciones financieras.

  1. Ventas

Lo que cualquier negocio quiere, vender más y gastar menos, aumentar su utilidad. A pesar de que es una de las promesas más engañosas en el ámbito de los negocios debido a que las ventas son un arte complejo, existen algunas tecnologías que registran un impacto claro a este indicador. Tal es el caso de una aplicación de nuestros mapas de inteligencia. Existen, dentro de la industria inmobiliaria los famosos corredores de bienes raíces (lo que en ingles se conoce como real estate brokers). El proceso tradicional de un comercializador de propiedades se centra en la captación (encontrar gente dispuesta a vender su propiedad y que les permita representarlos) y la colocación (encontrar a un comprador dispuesto a comprar alguna propiedad captada). Uno de los retos dentro de este tipo de negocios es que la captación está abierta a una delimitación geográfica amplia como, por ejemplo, el estado de Nuevo León, pero el equipo de ventas no conoce todos y cada uno de los rincones de la entidad. Es por ello que, aplicando mapas de inteligencia, podemos mapear las propiedades captadas e integrar datos de entorno para que cualquier bróker pueda accesar, incluso desde su teléfono celular, a ver y analizar de manera inmediata el entorno de cualquier propiedad que busque colocar. Con tan solo un par de clicks puede saber ¿a qué distancia está el supermercado más cercano? ¿Cuántas escuelas se encuentran en la colonia? ¿Cuánto tiempo tardaría en llegar al hospital más cercano? E incluso poder apalancar otro tipo de soluciones como los estudios de vocación, de los que hablábamos en el punto anterior, todo esto desde una sola plataforma. Ahora bien, ¿Qué tiene que ver esto con las ventas? Se han generado registros de un aumento en la cantidad de cierres, así como un decremento en el periodo de conversión de clientes en empresas que apalancan este tipo de tecnologías para dotar de nuevos argumentos de venta a sus representantes.

  1. Nuevas líneas de ingreso

Esto se pone cada vez más interesante. Uno podría pensar que las empresas inmobiliarias tienen poco margen de maniobra en cuanto a la generación de nuevas líneas de ingreso. El pensamiento natural es creer que una integración vertical es lo que le da mayor espectro de generación de ingresos, pero en realidad existen iniciativas tecnológicas interesantes que pueden ayudar a darle un nuevo “brazo” al negocio. En nuestro caso hemos tenido experiencia desde la parte de los algoritmos de estimación de valor. Entendiendo que la figura legal de un avalúo es algo más estricta, las empresas inmobiliarias, sobre todo las que son nativas digitales, encontraron una nueva forma de generar valor al cliente y al mismo tiempo capitalizar beneficios. Esto a través de ofrecer estudios de estimación de valor de manera “inmediata”. Todo esto se habilita gracias a la construcción de algoritmos inteligentes que toman la información disponible de la oferta y la demanda de propiedades para ir aprendiendo y calculando mejores estimaciones de valor dadas ciertas condiciones de la propiedad a evaluar (una de las condiciones principales sin duda es la ubicación). Con esto, hemos visto empresas que, sin necesidad de haber concretado la captación, por ejemplo, ya logran monetizar a sus “prospectos” a través de venderles este tipo de análisis de forma ágil.

  1. Mejora de experiencias

Este último indicador es uno de los más complejos de medir para las empresas, muchas utilizan encuestas de satisfacción de clientes, recurrencia o algún otro tipo de cuantificación para hacerlo, pero sin duda existen desarrollos tecnológicos que impactan directamente estas métricas. Un ejemplo clarísimo son las nuevas aplicaciones de gestión de comunidades, sobre todo para torres de departamentos o colonias privadas. Otro ejemplo pueden ser las tecnologías inalámbricas o frictionless (como se conoce en inglés) que te permiten entrar a tu hogar sin necesidad de llave o incluso habilitar el acceso remoto a visitantes desde códigos QR en tu teléfono o escaneos de biometría (caras, ojo, huella, etc.).

Casos como estos, e incluso las casas inteligentes, han sido muy sonados en el continente asiático o incluso en algunas partes de Europa, en México todavía estamos adoptando estas tecnologías más complejas para incorporarlas a nuestros negocios inmobiliarios, pero sin duda es importante tenerlo en cuenta. Mejorar la experiencia se da incluso desde la construcción de una pagina web más responsiva, analizando datos de los usuarios, flujos, diseños, generación de datos del usuario, etc.

Dispositivos para hacer una casa inteligente – Horus Smart Control

Así que ya lo sabes, si eres una empresa inmobiliaria, que estas teniendo tu transformación digital o naciste como un negocio digital y quieres sacarle el mayor provecho a la tecnología, enfócate en los casos de uso que mencionamos y mide muy de cerca estos indicadores para que puedas tener una verdadera perspectiva acerca de los beneficios directos que la tecnología puede traer a tu negocio. No le tengas miedo a invertir, los dividendos son claros. Si no sabes como empezar, con gusto te ayudamos. El momento es ahora ¡aprovecha!

@DatlasMX

¿QUÉ ES 5G EN TELECOM Y CÓMO AVANZA LATAM? – INVESTIGACIÓN DATLAS

Hace poco el lanzamiento del IPHONE 12 de APPLE vino con la noticia de que será el celular más pequeño del mundo que acepte 5G. De hecho, en el evento de lanzamiento se le dio un espacio a VERIZON, compañía de telefonía, anunciar el crecimiento de la red 5G. Siendo que esta red promete conexiones hasta x100 veces más rápidas que las actuales.

Pero a todo esto ¿Nos debería de importar? ¿De qué trata el 5G en telefonía? ¿Cuáles son los impactos en los datos? ¿Si vivimos en Latinoamérica nos va a llegar pronto? En esta columna investigamos un poco sobre estos temas y compartirnos sobre este tema y sobre todo aterrizamos los casos para LATAM.

¿Qué es la red 5G?

Esta nueva tecnología móvil aumentará la velocidad de conexión, reducirá al mínimo la latencia (el tiempo de respuesta de la web) y multiplicará exponencialmente el número de dispositivos conectados. En otras palabras: estaremos conectados a todo, todo el día, y en el menor tiempo posible.

Adicional, según fuentes citadas, traerá consigo múltiples beneficios, como un incremento en la productividad computacional, la cantidad de datos generados, la innovación y desarrollo tecnológico en sectores como salud, educación, agricultura, seguridad, energía y comercio, entre otros.

¿Cuál ha sido la evolución de las redes de telefonía?

Desde las conexiones móviles que ocurrían en instrumentos militares, en redes de universidades, en coches de lujo hasta la portabilidad que nos entregaron los primeros teléfonos celulares la velocidad y cobertura de la red se ha amplificado a velocidades interesantes. En la siguiente imagen se muestran las variaciones.

¿Cuál es el avance en 5G en el mundo?

De momento regiones como Estados Unidos de América, Canadá, Brásil y otras regiones de Europa ya tienen establecido la tecnología 5G. En México, por ejemplo las inversiones se encuentran en proceso.

El avance en cada una de la región del mundo

¿Cuáles son los beneficios?

Respecto al máximo ancho de banda, teóricamente:

A) Con la red 3G sería 2 Mbps

B) Con 4G sería 1 Gbps

C) Con 5G sería 10 Gbps

En la práctica, se han registrado las siguientes velocidades de descarga

 5G es la nueva generación de la tecnología empleada en la comunicación entre dispositivos móviles que nos ofrecerá una mayor velocidad de conexión con una latencia mucho menor y que aún así, garantizará un menor consumo energético, lo que ayudará a alargar la autonomía de las baterías

¿Cuáles son los avances para LATAM?

Para México la licitación programa será para el 2020, pero por la pandemia se podrá postergar para el 2021. En Colombia ya están en pruebas piloto y en Uruguay la operación inició en el 2019.

De acuerdo con Qualcomm, empresa impulsora del despliegue 5G en México, esta tecnología puede operar en distintas bandas del espectro radioeléctrico y ofrecería una disminución de hasta 10 veces en la latencia de extremo a extremo, triplicando la eficiencia espectral. Al alcanzar esta, haría la velocidad de conexión hasta 100 veces más rápida y permitiría conectar a 10 veces más de dispositivos de forma simultánea. – THE CIU –

Limitantes y problemas

Hay un youtuber, MKHBD, que explicó el 5G y sobre todo los problemas que tiene de proximidad. Una persona hoy en día tiene que estar a menos de 20 pasos de una antena de 5G para realmente recibir las señales. La verdadera pregunta ¿Es viable instalar tantas antenas para que se puedan concretar los beneficios?

Conclusiones

Hasta aqui la columna de hoy, en una opinión personal el 5G tiene más presupuesto de marketing que de implementación. Hoy en día, al menos para LATAM, no se ven proyectos tangibles hasta el 2022-2023 . En Estados Unidos algunas ciudades ya estarán implementando, pero con mayor certeza el 5G se podrá “sentir” en centros comerciales, aeropuertos o algunas oficinas que requieran este tipo de velocidades para diferenciarse de la competencia.

¿Tú, qué opinas? Déjanos tus comentarios y comparte el blog

Fuentes

INFOBAE. https://www.infobae.com/america/tecno/2020/07/14/presentaron-una-tecnologia-que-puede-revolucionar-y-abaratar-el-almacenamiento-de-datos-es-el-fin-del-disco-rigido/

THE CIU

VISUAL CAPITALIST

ADSLZONE. https://www.adslzone.net/reportajes/telefonia/5g/

NATGEO. https://www.nationalgeographic.com.es/ciencia/que-es-5g-y-como-nos-cambiara-vida_14449

¿Porqué necesitamos más marketplaces de datos? (Adaptación de: nonrivalry and economics of data) – COLUMNA DE OPINIÓN datlas

Conforme crecen y se desarrollan las áreas de inteligencia artificial y big data incrementa la importancia de la economía de los datos. Se espera que en los próximos años haya un mercado enorme para consumidores de datos… pero ¿Y la oferta de datos crece al mismo ritmo? ¿Cuáles son las soluciones propuestas? ¿Qué podemos aprender de otras industrias?

Recientemente llegó a nuestros ojos un paper publicado por “American Economic Review” que levanta cejas a primera vista por su propuesta de que los datos son bienes no rivales. A continuación el abstract de la nota.

Traducido al español se leería como lo siguiente:

Los datos son no-rivales: el historial de ubicación de una persona, los registros médicos y los datos de conducción pueden ser utilizados simultáneamente por muchas empresas. La “No- rivalidad” en los datos conduce a rendimientos crecientes. Como resultado, puede haber beneficios sociales si los datos se utilizan ampliamente en todas las empresas, incluso en presencia de consideraciones de privacidad. Por temor a la destrucción creativa, las empresas pueden elegir acumular sus datos, lo que lleva al uso ineficiente de datos no- rivales. Otorgar derechos de propiedad de datos a los consumidores puede generar asignaciones
que están cerca de lo óptimo. Los consumidores equilibran sus preocupaciones por la privacidad con las ganancias económicas que se obtienen al vender datos de manera amplia.

¿Qué quiere decir que los datos son “no-rivales”?

En economía se le llama “bien rival” a un bien cuyo uso por parte de una persona merma la posibilidad de uso de otras personas. Por ejemplo un trozo de pan, un kilogramo de arroz o una hora de un consultor. En contraste un bien es “no rival” cuando su uso por parte de una persona no merma el posible uso de otras personas. Por ejemplo: Una broma en una mesa, una llamada sobre una red telefónica, entre otros.

También se consideran como no rivales bienes que son tan abundantes que no es posible en la práctica consumirlos hasta el punto de afectar a terceros. Por ejemplo: El aire que respiramos o el agua en el océano para los seres que lo habitan. De acuerdo al “paper de investigación” citado en el inicio de esta columna los datos corresponden a los bienes “no rivales” por que a nivel tecnológico los datos pueden ser infinitamente utilizados y utilizables.

¿Qué se encontró en este paper de investigación?

– Cuando empresas son propietarias de datos puede que no respeten adecuadamente la privacidad de sus consumidores, pero “no-rivalidad” en datos dirige a consecuencias menos obvias

– Debido a que los datos son “no-rivales” potencialmente se pueden generar grandes ganancias. Los mercados para datos proveen incentivos financieros para promover un uso más amplios de los mismos

– Obviamente hay incentivos de porqué es ineficiente tener todos los datos de todas las firmas. No queremos un monopolio de información (Si es que no existe ya…). Pero un equilibrio en el que empresas sean dueñas de datos y limiten el uso de los mismos con otras organizaciones (intermediarios) podría ser ineficiente.

– Otra opción es que el gobierno o una figura principal preocupada por la privacidad, limite el uso de los datos de consumidores a negocios. Esto potencialmente podría generar costos más grandes por las ineficiencias que arrastrarían crear a la escala adecuada estos modelos

– Finalmente, los autores de este paper, consideran que pueda existir un arreglo institucional en donde los consumidores sean dueños de los datos asociados a su comportamiento. Y de esta manera balanceen la transferencia de datos a organizaciones considerando las ganancias económicas que pudieran ser acompañadas por los mismos. El equilibrio resulta cuando los datos son usados a través de distintas organizaciones.

¿Cuál sería un buen ejemplo?

Considera que el sistema de salud está ansioso de generar un algoritmo de visión computacional en el que a partir de fotografías podríamos detectar si existe o no cáncer de piel. En un sistema, una empresa recopila y es dueña de los datos de imágenes de 20 hospitales. Finalmente tiene un algoritmo y lo hace funcionar. Pero por otro lado, el sistema promueve que todos los hospitales pongan en un “mercado” o “acuerdo institucional” estas fotografías etiquetadas para que los científicos puedan hacer uso de estos conocimientos. Finalmente el algoritmo sería mucho más representativo en el segundo caso. Y lo mejor es que mientras se estaba desarrollando esas imágenes no “dejaron” de ser aprovechadas por otros doctores u hospitales ya que los datos siempre estuvieron presentes en todos los sistemas.

Podcast Café de datos – Suscríbete GRATIS

¿Cuáles son los retos y problemas desde nuestro punto de vista?

– Los datos son “no-rivales”, pero las ideas que generas con los datos ¿Qué son?

Una economía sin competencia y beneficios económicos para quien realice innovaciones puede entorpecer el progreso de una sociedad. Si los datos se vuelven un bien al que todos virtualmente pueden acceder en el momento en el que alguien tenga una buena idea como un algoritmo o una solución técnica tendrá menos barreras de competencia. Esto, tomando en cuenta que empresas como IBM Watson y Microsoft Azure vuelven cada vez más sencillo entrenar algoritmos

– ¿Cómo preciar los datos o productos de datos?

De acuerdo a la calculadora del Financial Times los datos de las personas valen más o menos de acuerdo a las dimensiones que puedan ser considerados.

En una economía que pretende generar un intercambio de datos entre personas y empresas ¿Cómo definir un precio? Los datos de una persona con padecimientos de salud valdrían menos o más que una persona sana. Podríamos caer en problemas de discriminación en algún momento

– ¿Y la privacidad a dónde nos lleva?

Hace un par de columnas escribimos sobre “social dilemma” el documental de NETFLIX que nos trae nueva luz sobre la privacidad de datos. Nos quedó claro el problema, pero por otro lado sabemos que la mayoría de la población digital no está sensibilizada sobre el uso de los datos que las empresas le dan a su información

Si cada quien va a ser libre de compartir su información por cierto precio ¿Quién va a ser responsable de educar a la población sobre estos temas? 18 años serían suficientes para vender tu información… considerando un mundo en el que influencers de 12 años cobran más de $100 dólares por un poco de tiempo en su instagram

– Hace falta profundizar en el valor de los intermediarios

En el blog “Location Intelligence” mencionamos algunos de los intermediarios de comercio de datos más importantes del mundo. Sin embargo no está claro qué tipo de empresa serían, cuál debería ser sus funciones y cómo evitar los conflictos de interés. Al menos este paper concluye mencionando que los intermediarios tendrán un rol protagonista en datos, pero no dejan claro cómo.

¿Para continuar investigando?

Recomendamos además de leer el reporte citado poder complementar con el postulado de CMINDS “Economía de datos e Inteligencia Artificial en LATAM”.

Por otro lado los invitamos a conocer nuestra propuesta de DATLAS MARKETPLACE. Algunos primeros esbozos de hacía donde postulamos una propuesta de cómo manejar un mercado de datos donde conectamos generadores y consumidores de datos.

Hasta aqui la columna de hoy ¿Cómo crees que en el futuro se comercialicen los datos? ¿Ves víable la existencia de más intermediarios al futuro y qué aspectos deberían de tener? Comenta y comparte esta nota

Equipo Datlas

– Keep it weird-

Fuentes:

**Bienes rivales y no rivales. Liga: https://sgcg.es/articulos/2016/12/25/bienes-rivales-y-bienes-no-rivales/#:~:text=Un%20bien%20rival%20es%20un,que%20puede%20darle%20otra%20persona.&text=Como%20contrapartida%20a%20los%20bienes,por%20parte%20de%20otras%20personas.

**Non-rivalry and the economics of data. Liga: https://pubs.aeaweb.org/doi/pdfplus/10.1257/aer.20191330

**Calculadora de valor de los datos. Liga: https://ig.ft.com/how-much-is-your-personal-data-worth/

**CMINDS Economía de datos en LATAM. Liga: https://guia.ai/wp-content/uploads/2020/05/Economia-de-datos-e-inteligencia-artificial-en-America-Latina.pdf

Hablando de Investigación y desarrollo en datos y más para el futuro ¿quienes son los mejores? – Podcast y Libros datlas

Hace un par de días tuvimos una plática muy interesante con Raúl Valdez, Director de Investigación y Desarrollo de la trasnacional HONEYWELL para nuestro podcast “Café de Datos”. Él nos platicó cómo desde México se está desarrollando e impulsando tecnología para el mundo. En este episodio compartiremos algunos puntos de vista complementarios de cómo pensamos que en el futuro se debería colaborar con investigación para datos.

Para entrar en contexto, conforme avanzamos en líneas de trabajo de investigación que implican innovación, desarrollo experimental y descubrimientos técnico hay que apreciar los casos de éxito que podemos revisar en el mundo. Otro punto importante es considerar factores relevantes sobre la diferencias de conceptos

¿Cuáles son los temas estudiar en la investigación?

A) Seleccionar temas de relevancia global y no local

La OECDE y la ONU establecen objetivos globales como “pain points” de poblaciones alrededor del mundo. En ocasiones los campos de investigación son poco aplicables a problemas del mundo real. Quedarse muy arriba en investigación no es desperdiciar recursos, pero los mejores proyectos son los que se vuelven sustentables al generar investigación que termine en productos o servicios que puedan ser monetizables.

B) Presupuestar en correcto balance la investigación aplicada y el desarrollo experimental

Investigación aplicada busca generar conocimiento a partir de la resolución de problemas de la sociedad y el sector productivo. Por otro lado el desarrollo experimental consiste en trabajos sistemáticos que aprovechan los conocimientos existentes y está dirigido a la producción de nuevos materiales, dispositivos o sistemas

C) Centro de innovación pública o privada

Pública es muy básica. Al menos en México, cada vez los presupuestos de CONACYT (Consejo Nacional de Ciencia y Tecnología) se reducen más y para investigadores se vuelven más complicadas las aplicaciones

Privada es muy específico para los intereses de la organización y las accionistas. Tal vez después se puede trabajar en más investigación

D) Ejemplos de países y compañías

CHINA

China le puso el ejemplo al sudeste asiático encabezando su inversión sobre investigación y desarrollo. Lanzó programas de alto rigo en universidades y aprovechó el bono demográfico de la gente que se trasladó de zonas rurales a urbanas buscando una mejor vida.

SAMSUNG

Para las empresas, Samsung es el caso de ejemplo. Es uno de los inversionistas más grandes del mundo además del productor de smartphones más grandes. Tiene alrededor de 12 centros de investigación donde constantemente busca cómo encantar a sus nuevos usuarios.

R&D Gasto: $14.9 billion (en dólares)

HINTS Y TIPS (Mencionados en nuestro podcast con Raúl)

– Cómo trabajamos de manera multidisciplinaria

– Cómo colaboramos ágilmente

– Casos de uso relevante

– Aprovechamiento de datos como puente entre investigación y aplicaciones prácticas

¿Donde aprender más?

Escucha el podcast aqui

Hasta aqui la columna de hoy. Recuerda dejar tus comentarios y compartir la columna.

Equipo Datlas

– Keep it weird –

Fuentes:

*R&D Compañías: https://spendmenot.com/blog/top-rd-spenders/

*R&D Países: https://en.wikipedia.org/wiki/List_of_countries_by_research_and_development_spending

*China: https://www.scmp.com/economy/china-economy/article/3025268/chinas-spending-research-and-development-118-cent-us275

4 P’s de Storytelling con datos – iNVESTIGACIÓN dATLAS

En analítica de datos y ciencia de datos puedes ser la o el mejor científico de datos, tener un doctorado o hasta conocer la tabla de distribución Z de memoria… pero sino sabes comunicar tu trabajo… a nadie le va a importar tus credenciales. En esta columna dedicamos un espacio para elevar a la conversación la importancia del “storytelling” de datos.

¿Qué quiere decir storytelling en español?

Se le denomina storytelling al arte de contar una historia para conectar con la audiencia de una forma más íntima. En ambientes institucionales, es un formato de presentación que convierte la atención en auténtico interés. Para que ese interés después pueda ser traducido en diálogo y acciones basadas en los datos recién presentados y no en intuición.

¿Por qué aplicar storytelling?

En ciencia de datos y en la presentación de datos numéricos es muy habitual “perder” a la audiencia por la pasión en comunicar en método en lugar de las respuestas. Storytelling como emisores de un mensaje nos obliga a integrar un inicio, conflicto, climax y final para que de manera breve podamos comunicar los hallazgos de nuestra investigación de una manera entretenida y práctica.

¿Cómo funciona el story telling?

I) RELEVANCIA EN LAS HIPÓTESIS

Para hacer una buena historia primero hay que tener un material qué comunicar. Esto quiere decir que si estamos generando un análisis de datos tengamos claro las hipótesis iniciales. Mismas que tienen que hacer empatía con el público para buscar su interés.

Por ejemplo, si estamos presentando los factores del 2020 que alteran el pronóstico de ventas y las líneas de ingreso que pueden participar de mayor manera en la recuperación entonces tengamos claro que las hipótesis en el público es que hay factores que afectan la venta a la alza y a la baja. Por otro lado también puede haber hipótesis como que las líneas de ingreso digitales son las que mayor recuperación van a impulsar.

En este sentido tendremos que buscar “relevancia” en las hipótesis y los temas que vamos a presentar.

II) COMENZAR POR LAS CONCLUSIONES

En el storytelling no hay nada peor que escuchar una historia y no saber a dónde va. Perderte en los personajes y el conflicto y en pocas palabras terminar más confundido que nada por esa historia.

Un consejo para atender esto es enumerar las 2 ó 3 conclusiones que se van a compartir del estudio. Muy puntuales. Si tu historia comunica más de 3 conclusiones, vas a perder a tu audiencia. Ten en claro que cada conclusión es un “capítulo” de tu historia. Por lo que esto te servirá para estructurar correctamente la presentación.

Otro tema importante es que antes de compartir estas conclusiones puedas compartirlas con un “grupo de control” para conocer sus impresiones y preparar respuestas en caso de que exista debate o dudas.

III) LOS FUNDAMENTALES DEL STORYTELLING

Usamos las 4 P

Personas (People) : Las historias necesitan personas o conceptos que tengan vida gracias al presentador. Puede ser un cliente , un usuario o revisar un dato desde distintas “cachuchas” o perspectivas

Lugar (Place): Lleva a las personas a dónde sucede la acción. Muestra imágenes del desarrollo y argumenta las implicaciones que tuvo la investigación

Proceso (Process): Cuál es el método y cómo se lleva el análisis a la vida. Puedes apoyarte de videos o gráficos con transciiones para que te entiendan. Aún y cuando seas un científico, trata de explicarlo en términos sencillos y prácticos

Productos (product): La historia tiene que tener un protagonismo y este puede ser alrededor del producto comunicado. Un buen producto o análisis no te garantiza una buena historia. Pero contar la historia de porqué un problema provocó una inquietud y en consecuencia trabajar en tu análisis es lo que podría cautivar a un público.

IV) FORMA, POSTURA y LENGUAJE ADECUADO

Finalmente es importante cuidar la forma. Una presentación corta, forzar a 20 ó 30 minutos la presentación de la historia con algunas pausas preguntando ¿Todo claro?

Cuando presentemos gráficos, es un mensaje por gráfico y un gráfico por lámina. No abarrotemos de 10 mensajes una sóla gráfica, tratemos de destacar y si es una gráfica que tiene varios componentes ir apareciendo cada uno de los cambios punto por punto

En postura, si es presencial, hay que buscar generar empatía, compartir un estilo personal y ser extrovertido al momento que presentamos. Tratamos de ver a los ojos a todos los asistentes al menos durante algún momento de la presentación

En cuestión de lenguaje, una presentación de resultados requiere un campo de dominio. Si le presentamos ventas a un área comercial puede que tomen en cuenta las ventas sin impuestos. Pero si es para el área de tesorería pensarán lo opuesto. Hay que clarificar al inicio de la presentación o con notas al pie de página de qué manera son estimadas los términos numéricos. Otro tema importante es hablar en sus términos y en sus conceptos de negocio. Ejemplo si a los clientes se les llama usuarios, entonces llamarlos así para generar una mayor empatía.

CONOCE NUESTRO EJEMPLO

CIERRE

Storytelling es mucho más amplio de lo que alcanzamos a compartir en este blog. Pero lo que podemos destacar es que si eres alguien que trabaja con análisis de datos te recomendamos tener un buen balance en el manejo de matemática, visuales y narraciones. Buscas el punto “dulce” en lo que estos 3 campos se intersectan.

Te recomendamos continuar estudiando, aprender escuchando podcast como Café de datos, continuar leyendo investigaciones en nuestro BLOG Datlas o leer este libro “Storytelling with data”.

Equipo Datlas

– Keep it weird –

Referencias

Crunching data is not enough. https://blog.adverity.com/crunching-data-need-tell-stories

Temas: Inteligencia de Datos y Transformación digital