Introduciendo al Gobierno de Datos – investigación datlas

Un gobierno de datos consiste en una capacidad organizacional para gestionar el conocimiento que se tiene sobre los datos generados y la información en dominio de la empresa. Pero ¿Por qué es importante comenzar a considerar uno? ¿Qué tipo de riesgos nos ayudará a prevenir y atender? ¿Quién conforma un gobienrno de datos? Nos dimos a la tarea de investigar algunas de estas preguntas y compartir en esta columna de investigación nuestros hallazgos.

• 

El gobierno de datos ayuda a responder preguntas como ¿Qué sabemos sobre nuestra información? ¿De dónde provienen los datos? ¿Están los datos alineados a nuestra política de empresa u organización?

Objetivo de un gobierno de Datos

Ejercicio de diseñar, controlar y monitorear todo lo relativo a los datos desde un enfoque holístico, en el que participen los implicados, desde el gobierno corporativo de la empresa y el departamento de TI hasta un consejo de gestión de datos que represente a las partes interesadas (

Te puede interesar: Facebook/ Cambdrige analytica sobre privacidad de datos

Importancia de un buen gobierno de datos

La mayoría de las organizaciones no piensan en un gobierno de datos hasta que sucede algún percance o se daña su reputación. Pero hay una buena oportunidad de venta interna si reconocemos que el gobierno de datos nos puede ayudar para lo siguiente:

• Identificar a los datos como un activo de valor y mantener estándares de calidad
• Lograr gobernabilidad y gestión del dato
• Lograr eficiencias en las funciones de datos para la compañía
• Cumplimiento de normativa y preservación de la privacidad
• Asegurar la disponibilidad en tiempo y forma de un recurso de valor para la compañía: el dato

Te puede interesar: Un México sin datos

Riesgos a prevenir

Ningún sistema está libre de riesgos y los sistemas de datos suelen ser de los más atacados en organizaciones. De acuerdo a la UNAM, estos son los riesgos más frecuentes de los que hay que protegerse

Amenazas a la seguridad de los datos, daño o alteración, destrucción lógica, hackeo, pérdida de información, destrucción física y eliminación.

Por otro lado , la universidad de Wharton especifica una calidad de riesgos directamente asociados a la Inteligencia artificial.

Dentro de la categoría de riesgos relacionados a los datos está: Limitaciones para aprendizaje y calidad de los datos. En la categoría de ataques de Inteligencia artificial o Machine Learning está: Ataque contra la privacidad de los datos, alteración de los datos de entrenamiento, insumos con errores y extracción de modelo. En la categoría de pruebas y confianza: Resultados incorrectos, falta de transparencia y sesgos. Finalmente, en la categoría de cumplimiento, los riesgos es caer en un incumplimiento de políticas.

Te puede interesar: 3 reflexiones de «Great Hack» Nada es privado de NETFLIX

Ventajas de institucionalizar un gobierno de datos

1. Apoyar las iniciativas de BI/Data Warehousing
2. Apoyar una iniciativa MDM
3. Facilitar la migración de datos heredados
4. Cumplir con la normativa y requisitos legislativos
5. Reducir el riesgo empresarial
6. Mejorar la flexibilidad empresarial y la agilidad de negocio
7. Apoyar actualizaciones de software operativo
8. Reducir los costos
9. Apoyar el manejo de fusiones y adquisiciones
10. Generar un inventario de datos y algoritmos para uso de la organización
11. Evitar la discriminación por el entrenamiento de sistemas inteligentes con datos sesgados

¿Cómo iniciar un gobierno de datos en mi organización?

Según IBM, hay 6 pasos para el gobierno de datos

1) Establecer Metas: Qué es lo que va a guiar la operación del consejo en el gobierno, cuáles son las metas que se alinean a los objetivos estratégicos de la organización, qué metas garantizan la sustentabilidad del gobierno en el largo plazo y cómo integrar a las personas adecuadas

2) Definir métricas: Con qué niveles de efectividad se medirá a todas las áreas que sean consumidores de los datos en el dominio de organización, cómo se medirá el nivel de madurez para instaurar auditores y procesos de datos así como poder contar con métricas claras para todos los procesos involucrados en los datos

3) Tomar decisiones: Habra situaciones específicas para los que las reglas del gobierno establecidas permitan la fluidez de procesos sin toma de decisiones. Pero en casos específicos se tendrá que convocar al consejo y establecer un orden en las políticas de decisión puede brindar mayor agilidad a la cultura de datos de una organización

4) Comunicar políticas: El gobierno de datos no puede ser un satélite de la organización, en el sentido de estar lejos de la misma. Es importante que entienda el negocio y sobre todo que diseñe métodos de comunicación efectiva para no interferir en los procesos de otros equipos

5) Medir resultados: Darle seguimiento al cumplimiento de metas y de la disciplina en la toma de decisiones que se haya instaurado desde el inicio. Importante abrir espacios de retroalimentación para la mejora continua

6) Auditar: Herramienta usada para comprobar todo

Te puede interesar: Aprendiendo ciencia de datos para líderes de equipo (KPIs)

Estructura organizacional

El consejo de gobierno de datos tendrá que tener miembros de todas las pares interesadas. Deberá estar el CDO (Chief Data Officer) en caso de existir, equipos de planeación, finanzas y TI principalmente. Líderes que tengan capacidad de influir en las prácticas de sus equipos y al mismo tiempo quienes valoren a los datos como activos para la empresa.

Por el lado operativo, puedes seguir la guía de «Perfiles para construir un equipo de analítica» en donde el analista o gerente de analítica podrá tener una voz en el consejo. Pero al mismo tiempo procurará ser el «manager del gobierno de datos» para minimizar las vulnerabilidades por riesgos de datos en sus equipos

Te puede interesar: Chief Data Officer: Ahora los datos tienen un asiento en el consejo o escuchando nuestro podcast con el CDAO de CHUBB

Hasta aqui el capítulo de hoy. Nos interesaría conocer si en tu organización ya están manejando un gobierno de datos o si están pensando en desarrollar uno ¿Qué están considerando? ¿Por qué le ven utilidad? ¿Creen que para algunas industrias debería ser obligatorio? Participa con nosotros mediante nuestras redes sociales @DatlasMX

Fuentes:

PowerData. Fuente: https://blog.powerdata.es/el-valor-de-la-gestion-de-datos/bid/406201/qu-es-el-gobierno-de-datos-y-por-qu-lo-necesito

Artificial Intelligence RISKS Wharton. Fuente: https://ai.wharton.upenn.edu/artificial-intelligence-risk-governance/

UNAM. Fuente: https://programas.cuaed.unam.mx/repositorio/moodle/pluginfile.php/854/mod_resource/content/4/contenido/index.html

¿Cómo aprender Ciencia de datos? 6 lecciones prácticas tras años de intentos – MANUALES DATLAS

Durante los últimos años hemos encontrado una explosión de fuentes de aprendizaje en lo relacionado a temas de ciencia de datos. Estos van desde técnicas de autoestudio, ser sombra de científicos, lecturas especializadas, cursos presenciales, cursos en línea, etc.

De todos estos medios compartiremos en esta columna 6 reflexiones importantes que te serán de utilidad si piensas aprender o estás aprendiendo técnicas de ciencia de datos.

También puedes leer.

• NO SE APRENDE “BIG DATA” EN UN CURSO DE 2 HORAS, PERO TAMPOCO OCUPAS UN DOCTORADO – COMPARTIMOS 3 DO’S AND DONT’S PARA IDENTIFICAR EL CONOCIMIENTO DE CALIDAD EN ANALÍTICA
• BIG DATA EN MI ORGANIZACIÓN ¿CÓMO LO INICIO?

1) El objetivo de aprender lo tiene el estudiante. Dejamos claro que el maestro no tiene obligación de que aprendas, más bien el estudiante es quien tiene como meta aprender

• Establecer metas claras en una línea de tiempo: Ser principiante en al menos un lenguaje de programación en menos de 6 meses
• Cualquier maestro que encuentres (amigos, maestros formales, libros, cursos en línea, etc.) Puede que sea una figura con alto «expertise», pero es tu trabajo sacarle el mayor provecho

2) Se les aconseja a los estudiantes rodearse de todo lo que huela, se vea y se sienta como «Data Science»

• Entrar a comunidades locales de Datos. Desde grupos de Facebook, los eventos , conferencias más enfocados al tema que tengas cerca, colegas de aprendizaje y finalmente cambia tu lectura a libros de estos temas
• También busca aportar a la comunidad de regreso lo más pronto posible

3) Apalanca tu aprendizaje iniciando con un campo de dominio donde tengas experiencia laboral

• Usa tu experiencia laboral, específicamente los datos a los que has estado expuest@ con más frecuencia para que sea un menor reto descifrar la información que vas a analizar
• También es recomendable mapear 2 ó 3 sectores nuevos de los que quieres aprender y enfocar tus estudios a esas áreas específicas de datos

4) Vas a cometer errores, así que haz que sean rápidos. Recuerda que se aprende más de tus propios errores y no los de los demás

• Ponte aprueba buscando bases de datos por tu cuenta y generando análisis sin ningún tipo de guía más que tú propia ideación. Sólo ten en cuenta la utilidad de los casos de estudio que estés revisando
• Ponte en los zapatos del usuario final o de un cliente que quisiera usar esos datos como ventaja para su negocio. Haz el recorrido completo de un analista de datos para transformar datos en accionables

5) Aprende a leer documentación técnica y a encontrar información

• Ciencia de datos tiene como fundamentos la estadística y programación, sin embargo estos son solo los primeros pasos ya que durante el camino habrá que leer mucho para aprender de librerías y métodos que necesitemos aplicar a nuestros análisis
• Consulta cuáles son las paqueterías o librerías más utilizadas en el lenguaje de programación que estás aprendiendo. Personalmente recomiendo seguir en twitter a otros científicos de datos que publiquen algunos de sus análisis

6) Sé paciente, positivo y busca fuentes de motivación, las necesitarás

• Ten paciencia, no te frustres. Un buen aprendizaje toma tiempo, a veces avanzamos demasiado rápido y porque tenemos que refrescar la estadística nos frenamos un poco. O bien nos entretenemos mucho en descubrir cómo funciona un nuevo algoritmo cuando con una regresión básica hubieramos solucionado el reto. Hay que ir midiendo qué métodos de aprendizaje nos funcionan mejor
• También recomiendo seguir en linkedin a personalidades que ya sean científicos de datos de grandes empresas que constantemente publican consejos y guías de aprendizaje para mantenerse más motivado

Hasta aqui la columna de hoy, recuerda que en este blog contamos con distintos casos de investigación que pueden animarte a investigar. También concluimos con un vínculo a nuestras publicaciones que hemos hecho en conferencias de datos. Esperemos que haya muchos entusiastas de los datos, coméntanos en nuestra redes en Facebook , Twitter e Instagram.

@DatlasMX

@DatlasMX

@DatlasMX

Keep it weird

Equipo Datlas

🤖No se aprende «Big Data» en un curso de 2 horas, pero tampoco ocupas un doctorado – Compartimos 3 DO’s and DONT’s para identificar el conocimiento de calidad en analítica

La transformación digital llegó a boca y mente de casi todas las organizaciones en este 2019 (algunas desde antes).  Frases como: «No hay que quedarnos atrás» ; «No queremos ser el blockbuster», «AIRBNB está compitiendo a los hoteles  y no tienen como defenderse» ; etc.  se esuchaban en los «radiopasillos» de la mayoría de las empresas de LATAM y, más de cerca, en México.

El caballo de batalla en esta transformación afortunadamente (lo digo para startups como Datlas) ha sido la analítica. Se han contratado consultores de lo más sofisticado. Un dineral invertido en sistemas como lago de datos y licencias de software. Prácticamente armamos un «Ferrari». Pero… y ¿Quién los va a conducir?  Y hemos visto en la industria errores TERRIBLES en esta ejecución. En esta columna hablaremos de los DO’s and DONT’s de implementar analítica y Big Data en las organizaciones. Sobre todo el tema de cómo aprenderlo.

«Yo considero que empecé a aprender (Big data) sin saberlo en mis primeras clases de estadística, pero no sabía que eso en el futuro iba a ser Big Data»

«(…)No necesitas 2 doctorados para ya hacer algo valioso»

-Anónimos, científicos de datos-

CONTEXTO

También te va a interesar leer estos blogs ….

• Big Data en mi organización ¿Cómo empezar?
• 5 perfiles para una estrategia de datos
• Almanaque Datlas ¿Cómo convertir datos en dinero?

Ya hemos hablado en estos blogs sobre los perfiles, metodologías y ejemplos pero quisimos complementar con toda la sección de cómo identificar un buen aprendizaje de Big Data. Y algunas observaciones en el otro polo, el cómo SI aprender

DONT’s

• No se aprende en un curso de 2 horas. Hoy en día prolifera en internet la oferta de cursos y aprendizajes de Big Data , pero no hay que olvidar que esta materia tiene bastantes fundamentos estadísticos de trasfondo. Recomendamos leer libros sencillos como NAKED STATISTICS donde por $10 dllrs podrás incrementar la comprensión estadística tuya o de tu equipo.

• Un Data Scientist no es un experto en todos los dominios de la ciencia de datos. La analítica avanzada requiere de la convivencia entre múltiples áreas de conocimiento desde un ingeniero de datos hasta un analista de negocio. Una parte del valor agregado, sin duda un valor cada vez más incremental, viene del data scientist. Sin embargo si quieres fundamentar una buena estrategia requieres cubrir múltiples ángulos de esta actividad apropiadamente.

• No requieres un doctorado. Big data es una ciencia relativamente nueva y es muy constante la cantidad de publicaciones como lo cita CMINDS. Como cualquier nueva ciencia, deporte o instrumento. Uno se siente atraído por esas espectaculares formas de meter «goles» o «canastas». También por la manera de que «tal» artista toca una canción y tu la quieres replicar. En el campo de ciencia de datos los de nuevo ingreso comenzamos queriendo hacer lo más complejo. Poco a poco eso te lleva a mapear las áreas donde quieres especializarte. Alguien con doctorado ya está especializado en un área, y eso ayuda.. sin embargo un buen encargado de analítica puede figurar mientras continúa desarrollando su conocimiento.

DO’s

• Se aprende colaborativamente.  Las mejores estrategias de analítica como las de BBVA o UBER funcionan de manera colaborativa. Es decir evitan el «compro un software de millones de dólares para que una o dos personas lo manejen». De manera más natural hay un ambiente de trabajo donde todos tienen hambre de compartir su trabajo y, con la correcta documentación, el nivel general va subiendo de nivel poco a poco.

• Enseña y explica , basta de cajas negras. La ciencia de datos es muy especializada, sin embargo no pueden existir más cajas negras. Como lo platicamos en «Por qué no necesitas un data scientist en tu organización» , un analista deberá ser capaz de explicar de manera sencilla su trabajo. Dejar de lado los complejos términos estadísticos y ser más «ameno» en sus capacidades de comunicación.

• Contribuye a la comunidad. Existen comunidades como Data Science & Engineering Monterrey en las que generadores de datos y analítica comparten sus hallazgos y conocimientos.  Si descubres algo que valga la pena , únete a alguno de estos círculos virtuosos para que crezca la comunidad.

Hasta aqui el blog de hoy. Para cerrar nos gustaría puntualizar en los distintos roles dentro de un equipo de datos y algunas de las plataformas en las que se requieren especializar. Si le quieres entrar y avanzar al mundo de los dato «hay tarea» y por aqui algunas rutas de cómo empezar.

Danos tu opinión sobre cómo has aprendido de datos, analítica y cómo has compartido todo esto que has aprendido.

Equipo Datlas

– Keep it weird –

Por qué no necesitas un Data Scientist (es Clickbait) en tu organización Parte 1 – Datlas News

Data scientist la carrera «más sexy» del 2018. Los científicos de datos son los mejores pagados.  Los datos son el petróleo del futuro. Habrá un déficit de 400k especialistas de big data para 2020. Si no estás avanzando con un equipo que desarrolle Inteligencia Artificial vas a quebrar.

¿Les suena conocido? No he dejado de escuchar en cada conferencia de empresarios que nos toca asistir aseveraciones de tal calibre. Justamente queremos hacer la reflexión sobre este tema en esta columna. Y que no cunda el pánico, no es una discusión de 1-0 o blanco y negro. Pero sí hace falta balancear el diálogo de si tu empresa necesita un especialista en datos o no. Iniciamos.

Ver en Medium.com

El pase de diapositivas requiere JavaScript.

Una organización, con o sin fines de lucro, va creciendo de manera orgánica conforme las necesidades van rebasando a los puestos. Al principio un par de personas gestionan el negocio, pero conforme va creciendo la operación es necesario buscar ampliar el capital humano. Después viene el tema de no tener personal ocioso y optimizar equipos y personas. Ya al final viene los puestos de innovación, que muchos lo ven como pirotecnia. Sin ofender a nadie, me refiero a que hay áreas que no impulsan directamente a la operación ya que su valor agregado va más dirigido a la báscula de ventajas competitivas.

En resumen, concédenos generalizar el proceso de la siguiente manera:

1.Nace la organización > 2.Crece en una sola gestión > 3.Se multiplica en distintas áreas >> 4.  Se optimiza constantemente >> 5. Innova en apuestas a ser disruptiv@

¿Dónde entran los Data Scientist (DS) ? ¿A qué horas me transformo con datos?

La mayoría de las organizaciones hacen estas inversiones en el paso 5) ¿Cuál es el reto? Cuando la cultura de innovación en la empresa no está 100% socializada y la ciencia de datos es un área que con muchos celos demanda atención, gobernanza y autoridad para sacarle valor a un activo de la compañía,(los datos) y reflejar la voluntad de entender que «Los datos no pertenecen  a ningún área o dirección, son de la compañía«.

¿Estoy listo para transformar mi organización con DS?

La primera evaluación es hacia tu organización ya que para implementar esta innovación tiene que lograrse esta cultura de innovación al mismo tiempo del timing tecnológico correcto. Es decir

1. Si no estás listo para abandonar los excel-es que llevas operando y mejorando toda la vida. No contrates un DS
2. Si te da miedo transferir procesos y responsabilidades a «cajas negras» que no vas a entender. No contrates un DS
3. Si eres de los líderes que les gusta decir cómo resolver el problema, en lugar de ceder el problema y la resolución del mismo a tu equipo. No contrates un DS
4. No entiendes los beneficios de la ciencia de datos o el potencial de tu información. No contrates un DS, terminarás concluyendo que «no sirve» sólo porque no supiste sacarle valor
5. Y por último, si quieres un DS para que se la pase extrayendo datos y datos, mejorando tableros y visualizaciones. No contrates DS, ambos se frustarán por sólo estar dando la mitad de todo el potencial

(Tomado de inspiración B) citado al final del blog). El trade-off es claro, hay que evaluar.

Mucha crítica ….¿Y qué consejos son mejores prácticas para lograr transformar?

Como cualquier caso en una organización, tienes que tener algunas historias de éxito para convencer a los tomadores de decisiones que vale la pena hacer la apuesta. La mayoría de los casos comienzan contratando consultorías y empresas externas para aprender cómo funciona este mundo.

1. Vete a lo seguro. Analiza a tus clientes, toma decisiones comerciales como cambios de precios, planes promocionales, marketing y mide resultados KPIs.
2. Evalúa distintas consultorías que sobre todo tengan capacidad y voluntad de «enseñarle» a tu organización cómo funciona.
3. Invita a distintos roles a que te acompañen en el proceso.
4. Genera la historia, «socializala» (Que todos se enteren) y  mapea nuevas posibilidades para datos
5. Finalmente evalúa repetir el proceso hasta que la organización pueda ceder recursos para interiorizar las capacidades. Aún así la mayoría de las organizaciones que orquestan un área de datos interna contratan y subcontratan. Así es , hasta el mismo Google, IBM, Microsoft o startups como UBER, AIRBNB, CABIFY , entre otras distribuyen el trabajo ya que retener a científicos de datos en una organización es complicado por la demanda actual que existe. Además exigen un alto grado de especialización que puede capitalizar una consultoría porque el análisis de datos es su negocio principal que no pueden descuidar.

No olvides leer nuestro blog de «Los 5 perfiles para una estrategia de datos en tu empresa»

Para el cierre ¿En qué áreas donde agrega valor un científico de datos?

Cerramos con un par de infografías que mapean las áreas de mayor valor agregado para un científico de datos. Recomendamos leer y generar un plan para implementar los «quick-hits» de mayor impacto.

El pase de diapositivas requiere JavaScript.

Hasta aqui la parte uno de la columna de Datlas más enfocados en la cultura de innovación y datos antes de arrancar sin un plan. En la siguiente parte comentaremos de algunas herramientas que pueden ayudar a iniciar experimentaciones de big data sin tener que hacer la «gran inversión».

Gracias por leer, estamos abiertos a opiniones y buscamos difundir este tema en organizaciones que están batallando mucho para iniciar a experimentar con datos. Siempre contarán con empresas y startups como Datlas para acompañarlos en su desarrollo.

Inspirado gracias a la lectura de:

Ver en Medium.com

• A) https://medium.com/@kurtcagle/why-you-dont-need-data-scientists-a9654cc9f0e4
• B) https://towardsdatascience.com/i-wasnt-getting-hired-as-a-data-scientist-so-i-sought-data-on-who-is-c59afd7d56f5
• C) https://hbr.org/2019/05/recruiting

Los 5 perfiles para una estrategia de Datos en la EMPRESA – Datlas INVESTIGACIÓN

En los últimos años fuera del ambiente corporativo se ha hablado de innovar de manera ágil y de cómo hay que adaptarse a las modernidades tecnológicas por miedo a no quedarse atrás. Dentro de estas tendencias, entre las más asociadas a una buena toma de decisiones, se  ha hablado de Analytics, Big Data e Inteligencia Artificial.

Y no es que las empresas nunca hayan visto con utilidad un buen análisis de sus negocios o una investigación de mercados. Antiguamente, hace 30 o 50 años, los numéricos se concentraban en los equipos de finanzas y contabilidad. Y con la información a su alcance, recordemos que no había Google ni internet, calculaban oportunidades de mercado y tomaban decisiones de negocio.

Organigram ID 32377103 © Shawn Hempel |

Ahora con el internet y la información al alcance de cualquier corporativo este ejercicio se ha hecho mucho más fácil y replicable. Lo que demanda un nuevo tipo de organización para responder a las necesidades de información de una empresa. No podemos manejar la misma estructura de hace 40 años. En un entorno tan cambiante hay que adaptarse lo más rápido posible ¿Cómo lograrlo? La respuesta es reinventando parte de la organización, con nuevos perfiles y equipos.

Estos son los 5 perfiles para echar a andar una estrategia de datos en tu compañía:

1) Jefe Analista de negocio: Es responsable de atender a las áreas de negocio en sus necesidades de información y de la creación de nuevos proyectos de aprovechamiento de datos en la compañía. Es versátil en sus capacidades de análisis y comunicación hacia la empresa. También tiene una parte didáctica para entrenar y capacitar equipos sobre cómo aprovechar de mejor manera las bases de datos del negocio.

2) Arquitecto de datos: Es un experto conocedor de las estructuras de bases de datos del negocio y de cómo es la mejor manera de que se relacionen y se consulten. Es el principal contacto cuando de contratar capacidades externas se trata.

3) Ingeniero de datos: Encargado de dimensionar y anticiparse a las necesidades de almacenamiento y seguridad para los datos de la compañía. Prepara e integra los datos relevantes para que estén listos para ser consultados. Está en contacto constante con ciberseguridad de la compañía y con los equipos financieros encargados de presupuestar la capacidad a futuro de almacenamiento para las iniciativas de información de los siguientes años.

4) Director / Gerente de analítica: Es un conocedor de las necesidades del negocio, tiene exhibición a foros especializados donde se hablan de problemas y oportunidades del modelo de negocio actual y es el principal punto de contacto con otras gerencias y áreas para proponer mejoras. Gestiona a su vez con áreas de legal y monitorea los procesos ágiles de desarrollo en sus equipos. Finalmente cesiona la gobernanza y acceso a la información.

5) Chief Data Officer: justo debajo del CEO y al nivel de las otras direcciones. Un error común es comenzar a verlo dentro de las estructuras de Marketing o de Tecnología. Lo que sesga su accionar y evita que esté en los foros de mayor relevancia para la empresa. Guía a nivel estratégico y mediático las intenciones futuras de aplicar inteligencia artificial y big data a los modelos actuales de la compañía.

Para una correcta ejecución de la estrategia de datos, además de contar con estos perfiles, hay que habilitar una estructura organizacional en donde convivan los procesos de innovación y transformación digital a nivel interno en la compañía. Un ejemplo que propone Harvard (HBR) es el siguiente:

Hasta aqui la columna de hoy ¿ Tu empresa ya está lista para una estrategia de datos? ¿Será tu proyecto de 2018?

Déjanos cualquier duda o comentario. ¿Cómo funciona actualmente en tu empresa? Sigue la conversación en redes @DATLASMX

Keep it weird

Equipo Datlas