El Potencial Transformador de la Analítica de Datos en la Educación — Columna de Opinión Datlas

La analítica de datos ha revolucionado diversas industrias, incluyendo la salud, las finanzas y el marketing. Sin embargo, un sector que puede beneficiarse enormemente del poder de la analítica de datos es la educación. Al aprovechar la analítica de datos, los educadores y administradores pueden obtener información valiosa sobre el rendimiento de los estudiantes, identificar áreas de mejora y tomar decisiones informadas para mejorar los procesos de enseñanza y aprendizaje.

Tradicionalmente, la educación ha dependido de métodos subjetivos como evaluaciones subjetivas, observaciones y una recopilación limitada de datos. Sin embargo, con la proliferación de herramientas y plataformas digitales, las instituciones educativas ahora tienen acceso a una gran cantidad de datos que pueden analizarse para mejorar los resultados educativos. Aquí hay algunas formas clave en las que se puede utilizar la analítica de datos para mejorar la enseñanza y el aprendizaje.

Aprendizaje Personalizado

Una de las ventajas significativas de la analítica de datos en la educación es su capacidad para personalizar las experiencias de aprendizaje para cada estudiante. Con la ayuda de la analítica de datos, los educadores pueden recopilar información sobre las fortalezas, debilidades y estilo de aprendizaje de cada estudiante. Esta información luego se puede utilizar para adaptar la instrucción para satisfacer las necesidades individuales, asegurando que los estudiantes reciban el apoyo y los recursos que necesitan para tener éxito. Por ejemplo, al analizar los datos de evaluación, los educadores pueden identificar a los estudiantes que tienen dificultades con conceptos particulares y brindar orientación adicional o recursos para ayudarlos a comprender el material.

Intervención Temprana

La analítica de datos puede ser fundamental para identificar a los estudiantes que corren el riesgo de quedarse atrás o enfrentar dificultades. Al analizar datos como la asistencia, las calificaciones y el comportamiento, los educadores pueden detectar patrones que indican las posibles dificultades de un estudiante. Con este conocimiento, se pueden implementar intervenciones para apoyar a estos estudiantes desde el principio, evitando un mayor deterioro académico. Por ejemplo, si los datos muestran que la asistencia de un estudiante ha sido consistentemente baja, los educadores pueden entablar una conversación con el estudiante y sus familias para abordar cualquier problema subyacente que pueda estar afectando su asistencia.

Mejora de Planes de Estudio

La analítica de datos puede proporcionar información valiosa sobre la efectividad de los planes de estudio y los métodos de enseñanza. Al analizar datos sobre el rendimiento y los logros de los estudiantes, los educadores pueden identificar áreas donde el currículo pueda necesitar ajustes o mejoras. Por ejemplo, si un análisis de los datos estudiantiles revela que un número significativo de estudiantes obtiene constantemente calificaciones bajas en una materia o tema específico, los educadores pueden reevaluar el currículo, las estrategias instructivas o los recursos de enseñanza para abordar el problema.

Asignación de Recursos

Las escuelas e instituciones educativas a menudo enfrentan desafíos cuando se trata de asignar recursos de manera efectiva. Con presupuestos limitados y diversas necesidades de aprendizaje, la analítica de datos puede ayudar a los administradores a tomar decisiones informadas con respecto a la asignación de recursos. Por ejemplo, al analizar datos sobre el rendimiento de los estudiantes, los líderes escolares pueden identificar programas o intervenciones específicas que tienen un impacto significativo en los resultados de los estudiantes. Este conocimiento luego se puede utilizar para asignar recursos de manera adecuada y garantizar que los estudiantes tengan acceso al apoyo y las herramientas que necesitan para sobresalir académicamente.

Analítica Predictiva

La analítica predictiva es una herramienta poderosa que puede ayudar a los educadores a anticipar el rendimiento y el comportamiento de los estudiantes. Al analizar datos históricos, los educadores pueden identificar patrones y tendencias que pueden usarse para predecir resultados futuros. Por ejemplo, la analítica predictiva puede ayudar a identificar a los estudiantes que probablemente tendrán dificultades académicas, abandonarán o necesitarán apoyo adicional. Armados con este conocimiento, los educadores pueden tomar medidas proactivas para intervenir y apoyar a estos estudiantes, mejorando así sus posibilidades de éxito.

Si quieres aprender más sobre analítica predictiva y otros elementos del análisis de datos, no dudes en visitar nuestro podcast Café de Datos, aquí podrás encontrar contenido valioso para tu aprendizaje y formación en el mundo de la analítica de datos.

Toma de Decisiones Basada en Datos

Los líderes educativos y administradores a menudo se enfrentan a decisiones críticas con respecto a políticas, programas y asignación de recursos. La analítica de datos puede ayudar a informar estos procesos de toma de decisiones al proporcionar información objetiva. Por ejemplo, si el análisis de datos indica que un método de enseñanza o programa en particular está produciendo resultados positivos para los estudiantes, los líderes pueden tomar decisiones basadas en datos para expandir o replicar esas prácticas.

En conclusión, la analítica de datos tiene el potencial de revolucionar la educación al proporcionar a los educadores y administradores información valiosa sobre el rendimiento de los estudiantes, el aprendizaje personalizado, la intervención temprana, la mejora del currículo, la asignación de recursos, la analítica predictiva y la toma de decisiones basada en datos. El análisis e interpretación de datos pueden ayudar a identificar áreas de mejora, personalizar las experiencias de aprendizaje y garantizar que los estudiantes reciban el apoyo que necesitan para tener éxito. Si bien la analítica de datos ofrece enormes oportunidades para las instituciones educativas, es importante garantizar el uso responsable y ético de los datos para proteger la privacidad y confidencialidad de los estudiantes. Al aprovechar el poder de la analítica de datos, podemos desbloquear todo el potencial de la educación y mejorar los resultados de enseñanza y aprendizaje.

En el equipo Datlas contamos con una gran variedad de cursos disponibles a través de Datlas Academy, te invitamos a que conozcas todo el contenido que tenemos para ti!

Equipo Datlas

– Keep it weird –

Fuentes:

Unlocking new possibilities with data analytics in the education sector

How is Data Analytics Influencing the Educational Sector?

DESARROLLO DE DASHBOARD DE INTELIGENCIA PARA EL MONITOREO TURÍSTICO – MANUALES DATLAS

Dentro de nuestro portafolio Datlas nos encontramos con una propuesta de valor en dónde desarrollamos tableros de inteligencia llamados dashboards en dónde reunimos información para monitorear cualquier tipo de sector, industria o negocios a partir de datos públicos o privados, datos que de cierta manera nos dan un potencial para la toma de decisiones o creación de iniciativas. (TURISMO)

En este te blog te mostraremos uno de los dashboard que estamos desarrollando para la industria Turística en el estado de Nuevo León en alianza con el Clúster de Turismo de Monterrey y Observatorio Turístico NL. Continua leyendo si quieres aprender sobre qué es un dashboard, cómo funciona esta alianza de industria y actualmente cómo se ve la navegación de nuestra plataforma.

Estructura de un Dashboard

Un dashboard es un sistema de información con tableros, filtros y visualizaciones (gráficos o tablas) que permite monitorear datos, tendencias y predicciones de una manera ordenada. Es por ello que te enlistamos las características y conceptos preponderantes:

• Tableros: Son elementos esenciales de un dashboard en donde concentramos información de un solo tipo o categoría.
• Filtros: Son botones que permiten visualizar la información de manera segmentada. Ejemplo: años, meses, municipios y a nivel estado.
• KPI´s: “Key Performance Indicators” o indicadores clave de desempeño, utilizados para medir el rendimiento de las actividades y aplicaciones de nuestro proyecto.

Antecedentes

¿Qué es el Clúster de Turismo de Monterrey?

Es la concentración de empresas interconectadas que cooperan para el desarrollo de la innovación, la competitividad y la inteligencia de mercado. Son fenómenos, no políticos, existentes por la naturaleza económica de un país, como resultado de un proceso de mercado.

Bajo el régimen de triple hélice: Gobierno, Academia e Industria convergen para realizar actividades de innovación que contribuyan al desarrollo económico y la competitividad global de las empresas de Nuevo León.

Como objetivo estratégico y acuerdo de colaboración con el Clúster de Turismo de Monterrey se estableció un plan para generar un tablero de información (“Dashboard”) para monitorear la industria de Turismo en el Estado.

Introducción a «DASHA» MTY Travel Intelligence Dashboard

Te presentamos a DASHA (Así le nombramos a esta nueva plataforma en co-creación) …

El MTY Travel Intelligence Dashboard reúne datos públicos y privados de la industria Turística al momento de manera actualizable para monitorear cada una de las áreas que en su mayoría a base de investigación han sido fundamentales para este proyecto, consta de la siguientes secciones:

• Economía
• Ocupación Hotelera
• Llegadas y Transportes
• Negocios y Parajes Turísticos
• Socioeconómicos
• Eventos y Convenciones
• Noticias y Reportes
• Tecnología en Turismo
• Otros
• Resumen Nuevo León
• Repositorio Clúster Turismo de Monterrey

A continuación de mostraremos cada uno de los pasos para ingresar, navegar y consultar a «DASHA» MTY Travel Intelligence Dashboard:

Ingresando a «DASHA» MTY Travel Intelligence Dashboard

Por medio de este video te mostraremos los pasos a seguir para registrarte por medio de nuestra página web www.datlas.mx, iniciar sesión como usuario y tener acceso al MTY Travel Intelligence Dashboard.

Primera navegación en «DASHA» MTY Travel Intelligence Dashboard

Por medio de este video te mostraremos las 11 diferentes secciones que nos ofrece el MTY Travel Intelligence Dashboard, así como algunos botones de interés para desplazarte por el Dashboard o ponerte al contacto con nosotros.

Futuro del Proyecto

La escalabilidad de nuestro proyecto trasciende en la innovación de nuestro potencial en el análisis de datos de una manera ágil, esto para ser utilizado por una mayor cantidad de usuarios.

Las mejores implementaciones del business intelligence por medio de DASHA generan tableros que nos hagan más eficientes a la hora de tomar decisiones para las organizaciones que componen las industria del Turismo en la región.

Detectando cada uno de los perfiles e intereses de las personas, para monitorear comportamientos críticos o situaciones que necesiten inmediatez con datos duros, al momento y de manera automatizada.

Si te interesa generar un Dashboard para monitorear tu industria y/o organización revisa nuestra sección especial en la website de Datlas o bien contáctanos a ventas@datlas.mx

– Equipo Datlas –

Keep it weird

ANÁLISIS NLP de discursos presidenciales en eua: biden vs trump – datlas investigación

La semana pasada el protagonismo para la audiencia en Estados Unidos de América y la mayoría de países del mundo fue el cambio en el liderazgo presidencial del país. Después de unas controversiales votaciones, Joe Biden del partido Democrático ganó y paso a ser el nuevo presidente de los Estado Unidos por un período de 4 años.

Dejando atrás la controversia electoral, en esta columna nos enfocamos a desarrollar un análisis de NLP (Natural Language procesing o procesamiento de lenguaje natural) de los discursos presidenciales. Por un lado el de salida desarrollado por Donald Trump y por otro lado el de entrada, ejecutado por Joe Biden.

Te pudiera interesar los análisis que hemos hecho para los discursos de AMLO, el presidente de México, en el 2018 y 2019.

¿Qué es el procesamiento de Lenguaje natural o NLP?

Es un campo de la inteligencia artificial que estudia las interacciones entre computadoras y el lenguaje humano. Son utilizados en el estudio de discursos escritos o hablados. En este caso, por ejemplo, de un discurso presidencial.

El discurso de salida de Donald TRUMP

El discurso de salida de la presidencia de Trump estuvo cargado de agradecimientos y mensajes que algunos consideran de «venganza» o dejando claro que «regresará» de alguna u otra manera al escenario político de Estados Unidos. Si quieres leer el discurso completo te recomendamos ver la siguiente liga.

Como primer paso, pre-procesamos el discurso y lo dividimos en distintos enunciados más pequeños para que pueda ser procesado correctamente. Usando la librería » library(SentimentAnalysis) » en R contamos la cantidad de palabras por cada uno de los enunciados.

Posteriormente, y tomando en cuenta un diccionario de palabras que asocia cada término con un puntaje que representa 3 niveles de connotación en cada palabra: negativa, neutral o positiva, se analiza el nivel de cada uno de los enunciados.

Es posible obtener el nivel generalizado de cada uno de los enunciados su nivel. En ese sentido encontramos que para el discurso de trump 20 de los 23 enunciados desarrollados fueron con una mayor carga positiva

Respecto a las palabras, podemos realizar un conteo de las más usadas y así construir una «nube de palabras» que nos ayudará a entender un poco más el tipo de lingüística preferido por el presidente en este discurso

En concreto, este discurso tiene una carga de agradecimiento como es de entender de alguien que deja su cargo. Muy enfocado a las personas y elaborando comentarios sobre los temas problemáticos con los que se despide su gobierno. Muy al estilo Trump, algunas palabras denotan extremos, pero generarán empatía con su seguidores y partido.

El discurso de entrada de JOE BIDEN

Corriendo un proceso similar, tan sencillo como replicar el código, pre-procesamos el discurso de BIDEN que puedes encontrarlo aqui.

Respecto a la carga de mensajes, 45 de los 53 mensajes tuvieron una carga positiva. En proporción, menos que los de TRUMP, y mayormente porque algunas emociones que provocaría BIDEN en su discurso serían para provocar preocupación de la situación «caótica» en la que le «entregan» al gobierno.

Cuando revisamos las palabras más frecuentes del discurso encontramos terminología clásica en discursos presidenciales. Tales como «América», «Nación», «Democracia», «Presidente» y «personas». Con estas palabras invoca mensajes a una audiencia específica, al pueblo de los Estados Unidos.

Aqui una imagen generada con esta información

¿Para qué nos puede servir el análisis de NLP?

• Analizar tickets de clientes
• Clasificar prioridad de dudas o mensajes
• Entender el contexto y campos de texto en variables
• Generar predicciones
• Entre otros…

Los mejores usos a este tipo de métodos se les da en aplicativos usando datos de redes sociales. Como es el caso de Twitter. Por ejemplo, aqui se analizan los datos de los últimos 250 tweets al corte de @JoeBiden

Hasta aqui la columna de hoy, cuéntanos en nuestras redes sociales @DatlasMX qué otro tipo de aplicaciones existen para NLP. Comparte y suscríbete a nuestras cuentas.

Equipo Datlas

– Keep it weird-

Chief Data Officer: Ahora los datos tienen asiento en el consejo

Hace un par de semanas tuvimos la oportunidad de colaborar en un podcast muy interesante donde platicamos un poco la historia de Datlas, el tema del análisis de datos y algunas cosas más. Una de las partes más interesantes fue cuando de pronto el entrevistador dijo algo así como:

“Hace unos años los diseñadores empezaron a tener tal relevancia que decían que los diseñadores merecían una silla en el consejo, ¿Qué opinas respecto a los científicos de datos o analistas de datos? ¿merecen su silla en el consejo?”

Y fue ahí donde comenzamos a hablar de este famoso puesto llamado Director de Datos o Chief Data Officer (CDO). Para nuestra sorpresa, algunos miembros de la audiencia no estaban tan familiarizados con este rol, así que en la columna de hoy vamos a profundizar en las responsabilidades de un CDO y porque son relevantes para los negocios hoy en día.

¿Qué es un Chief Data Officer (CDO)?

El CDO se define como aquel funcionario corporativo responsable del gobierno y la utilización de la información como un activo a lo largo de toda la empresa, a través del procesamiento, análisis, extracción de datos, comercio de información y otros medios. Los CDO generalmente reportan al director ejecutivo (CEO), aunque dependiendo del área de especialización, esto puede variar. El CDO es miembro del equipo de administración ejecutiva y encargado de supervisar el procesamiento y minería de datos en toda la empresa.

Un poco de historia…

El rol de gerente para el procesamiento de datos no se elevó al de la alta gerencia antes de la década de 1980. A medida que las organizaciones han reconocido la importancia de la tecnología de la información, así como la inteligencia empresarial, la integración de datos, la gestión de datos maestros y el procesamiento de datos para el funcionamiento fundamental de las actividades comerciales diarias, esta función se ha vuelto más visible y crucial. Este rol incluye definir prioridades estratégicas para la empresa en el área de sistemas de datos, identificar nuevas oportunidades comerciales relacionadas con los datos, optimizar la generación de ingresos a través de los datos y, en general, representar los datos como un activo comercial estratégico en la mesa ejecutiva.

Con el aumento de las arquitecturas orientadas a servicios (SOA), la integración de sistemas a gran escala y los mecanismos de intercambio / almacenamiento de datos heterogéneos (bases de datos, XML, EDI, etc.), es necesario contar con un individuo de alto nivel, que posea una combinación de conocimientos comerciales, habilidades técnicas y habilidades interpersonales para guiar la estrategia de datos. Además de las oportunidades de ingresos, la estrategia de adquisición y las políticas de datos del cliente, el CDO se encarga de explicar el valor estratégico de los datos y su importante papel como activo comercial y generador de ingresos para ejecutivos, empleados y clientes. Esto contrasta con la visión anterior de los sistemas de datos como simples sistemas de TI de back-end o soporte.

Registros indican que los primeros nombramientos de CDO en corporativos se dieron en el año 2002.

El CDO en la actualidad

De acuerdo a datos de Forbes en 2012, solo el 12% de las Fortune 1000 tenían un CDO. Para 2018, el 67.9% de las firmas encuestadas reportaron tener un CDO.

El CDO también puede ser responsable del análisis de datos (data analytics) y la inteligencia empresarial (business intelligence), el proceso de extraer información valiosa de los datos. Algunas funciones de gestión de datos pueden recaer en TI.

Por sus siglas en ingles el Chief Data Officer (CDO) es muchas veces confundido con el Chief Digital Officer o Chief Digital Information Officer. La principal distinción radica en que el director de datos es la persona senior, con un enfoque comercial, que comprende la estrategia y la dirección del negocio, pero su enfoque está en cómo respaldar eso con datos.

Asimismo algunas organizaciones también utilizan roles como el Chief Information Officer (CIO) o el Chief Technology Officer (CTO) de forma indistinta con el de Chief Data Officer (CDO). Para hacer una clara diferenciación entre ambos nos gusta citar la analogía que hace Caroline Carruthers, directora de la firma de consultoria Carruthers and Jackson, ex directora de datos (CDO) de Network Rail y co-autora de “The Chief Data Officer’s Playbook and Data-Driven Business Transformation: How to Disrupt, Innovate and Stay Ahead of the Competition”. Ella utiliza la analogía de la cubeta y el agua para explicar la clara distinción entre un CDO y un CIO. Así lo explica:

“El director de información (CIO) es responsable de la cubeta. Ellos son responsables de asegurarse de que la cubeta sea del tamaño correcto, que no tenga agujeros, que sea segura y que esté en el lugar correcto. El director de datos (CDO) es responsable del fluido que entra en el balde, sale del balde, que va al lugar correcto, que tiene la calidad adecuada y el fluido adecuado para empezar. Ni la cubeta ni el agua funcionan el uno sin el otro.«

Finalmente, ¿Cómo se si necesito un CDO?

Sin duda el gobierno corporativo es una estructura que muchas veces se asocia a las organizaciones más grandes, empresas nacionales o internacionales. La realidad es que más allá del nombramiento o del puesto como tal, cualquier organización puede adoptar una figura que ostente el rol de CDO dentro de su compañía. Desde una startup hasta nuestros colegas PyMEs pueden adaptar este puesto, a su propia escala, para realmente tener una cultura centrada en los datos. Al final del día lo importante es que esta persona sea responsable de ver en los datos ese activo valioso para la empresa, sobre el cual se puede derivar un valor importante y muchas veces hasta una ventaja competitiva para el negocio.

Inteligencia Artificial y Big Data en los negocios, ¿Qué efectos tuvo el COVID-19 en estas tendencias? – DATLAS Investigación

A inicios de año se nos presentó un reto sin precedentes que afectó completamente la forma en la que hacemos negocios. En respuesta a este gran cambio muchas empresas hicieron un replanteamiento de estrategias y objetivos al final del primer semestre del año. Nosotros no fuimos la excepción, como proveedores nos tocó presenciar de primera mano como muchos negocios lidiaban en distintas maneras con este reto de la pandemia. Fue ahí, justo unos meses después del gran shock inicial que comenzamos a notar una revaloración que las empresas estaban haciendo respecto a sus datos, como un activo clave, y por ende acerca de tecnologías como la Inteligencia Artificial (I.A.) y el Big Data.

Comprometidos con seguir aportando a nuestro ecosistema, y conscientes de lo que estábamos presenciando, organizamos un Programa de 6 Sesiones para este segundo semestre del año (una vez al mes) en donde exponemos con casos de negocios reales los beneficios que empresas de todos los tamaños han podido capitalizar el uso de datos y aprovechar estas tecnologías. Justo este viernes tendremos nuestra segunda sesión titulada “El impacto del Big Data y la Inteligencia Artificial en los negocios” y es por ello que, en esta columna, hablaremos de como estas tendencias han impactado el mundo de los negocios y que tanto la pandemia a “afectado” su adopción.

La relación del Big Data & la I.A.

Antes de profundizar es necesario dejar en claro la razón de hablar en conjunto acerca del Big Data y la Inteligencia Artificial. En un sentido general el Big Data se refiere a esta manipulación de grandes cantidades de datos o información en diversos formatos, mientras que la Inteligencia Artificial (I.A.) se refiere a programas computacionales que son capaces de emular actividades del cerebro humano como el aprendizaje con base a experiencia (eventos pasados). Siendo así, no podemos hablar de Inteligencia Artificial sin hablar de Big Data dado que para construir modelos o algoritmos de I.A. se necesitan datos, que precisamente son obtenidos y manipulados por el Big Data.

¿Qué impacto esperábamos hace algunos años?

Apenas hace un par de años (2018), según información de Deloitte, 9 de cada 10 ejecutivos afirmaban que los sistemas de I.A. transformarían sus modelos de negocio.

Además, se esperaba que la Inteligencia Artificial diera lugar a la aparición de nuevos perfiles profesionales que debían convivir con los ya existentes. Estos perfiles especializados abren un nuevo abanico de posibilidades innovadoras que afectan directamente a procesos y herramientas, que ven mejorado su rendimiento.

Impacto actual

Actualmente, lejos de verse mermado el acelerado crecimiento y adopción de soluciones de I.A., por ejemplo, se ha visto una expansión interesante a nivel mundial y también en Latinoamérica. En el caso de asistentes virtuales inteligentes (tipo Siri y Alexa) en Latinoamérica se manejan más de 850 millones de conversaciones en negocios B2B y B2C para atraer, generar, crecer y retener clientes. Y este es solo un tipo de aplicación y una de las múltiples formas de derivar beneficios.

Por otro lado, el Big Data se utiliza para promover productos, desarrollar mejores estrategias comerciales, llegar a los clientes, explorar nuevos mercados y audiencias objetivo, optimizar el flujo de trabajo, reducir los costos y obtener otras ventajas competitivas en el mercado.

Ahora bien, sabemos que no todos los negocios han sufrido esta pandemia de la misma forma. Existen sectores o industrias que han sido impactados de forma más crítica, mientras otros han podido lidiar con esto de una manera menos acelerada. De la misma forma el impacto que estas tendencias del Big Data y la I.A. han tenido en las distintas verticales de negocio ha sido variado, en términos de sus aplicaciones, pero igualmente relevante y trascendente. Por mencionar algunos ejemplos puntuales profundizaremos en industrias como: retail, marketing y publicidad, así como el transporte y logística.

Retail, Marketing y publicidad

La tarea más frecuente de las soluciones de Big Data está relacionada con la búsqueda de patrones de comportamiento que se puedan emplear para muchos propósitos. Comprender los hábitos y deseos de los clientes es la principal preocupación de cualquier negocio, y el análisis de Big Data es la única forma válida de lograr resultados precisos basados en un gran muestreo y cálculos extensos en lugar de intuiciones y experiencias personales.

Otra aplicación común de Big Data en las empresas de retail, marketing y publicidad es el análisis predictivo sobre la base de grandes conjuntos de datos. La mayor cantidad y volumen de datos permite obtener resultados más precisos, configurar más parámetros antes del análisis e incluso ampliar los temas y las posibilidades generales de pronóstico.

Transporte y logística

Las empresas de transporte también manejan grandes volúmenes de información sobre vehículos, pasajeros, equipaje y carga. La necesidad de administrar flujos de datos extensos con restricciones de tiempo estrictas impuestas por los horarios de transporte requiere soluciones de software de alto rendimiento diseñadas específicamente para Big Data.

El propósito práctico de tales soluciones radica en rastrear la entrega de carga, monitorear el uso y suministro de combustible, el estado técnico del estacionamiento de vehículos de la empresa, los controles de salud de los conductores y el horario de trabajo, así como muchos otros factores relevantes. De esta forma, las empresas pueden utilizar el software Big Data para priorizar la seguridad además de la optimización habitual del consumo de recursos y la mejora de la eficacia.

¿Cómo pinta el futuro?

Los analistas empresariales predicen que los ingresos del mercado global de Big Data alcanzarán los 103 mil millones de dólares en 2027. No importa si tu empresa es grande o pequeña, siempre hay una forma de beneficiarse de las soluciones de Big Data. La ventaja más importante que ofrece esta tecnología es el conocimiento de las necesidades y los patrones de comportamiento de los clientes. Esta información, junto con los pronósticos de alta precisión permite a los empresarios diseñar estrategias comerciales efectivas en lugar de perder tiempo y dinero en el método de prueba y error. La capacidad de manejar grandes volúmenes de información utilizando soluciones de software automatizadas también simplifica enormemente la gestión empresarial, incluidos aspectos como mantenimiento, inventario, envío, carga de trabajo y otros.

Si quieres conocer un caso real aplicado de Big Data e Inteligencia Artificial y enterarte de como puedes tu mismo comenzar a aplicar estas tecnologías en tu negocio el próximo lunes, no te pierdas nuestra sesión este viernes. Inscríbete gratis aquí.

Ciencia de datos para todos : ¿Cómo ha cambiado la movilidad de los usuarios de Twitter en Monterrey por el covid-19?

“Twitter es lo qué está pasando en el mundo y sobre lo que las personas están hablando en este momento.”

Las redes sociales son relativamente nuevas y han cobrado importancia en nuestra vida cotidiana al grado que no nos sentimos cómodos si vamos a un restaurante y no publicamos en Instagram lo que ordenamos para que nuestros amigos se enteren donde estuvimos y que hacíamos ahí o por ejemplo cuando por la mañana nos levantamos a hacer ejercicio y es imposible no publicar nuestra foto en lo más alto de la montaña.

Es por eso que el análisis de las interacciones en las redes sociales ha cobrado la misma importancia, para muchos negocios, que las redes sociales en nuestras vidas. Por ejemplo, para saber de qué se está hablando de nuestra marca, si es algo positivo o negativo y cuantificarlo. Estos enfoques son muy bien conocidos en el área de análisis de textos.

Sin embargo, el día de hoy nuestro enfoque tomara otro rumbo. Responderemos a dos preguntas fundamentales: ¿Cómo ha sido el comportamiento de los usuarios en los últimos meses?  Y ¿Cómo ha cambiado por el covid-19?  

*También te puede interesar un estudio similar para Jalisco o CDMX

Desarrollo

Con una base de datos de alrededor 7200 check-in’s (el registro de una persona en cierto lugar), más de 15 variables (fecha y hora, lugar donde se hizo el registro, municipio de residencia, usuario, ubicación exacta, entre otras) y algo de trabajo se pueden generar diversos insigths de valor.

Pero antes de llegar a esos insigths de valor hay camino por recorrer. La primera pregunta en cuestión es: ¿Cómo conseguir este tipo de información en un sitio web tan protegida como lo es Twitter?

No hay forma de conseguir esta información si no es mediante la API (Application Programming Interface) de Twitter. La API cumple la función de una interfaz para que dos softwares interactúen y puedan intercambiar información. Para tu poder hacer un request desde tu computadora (Con programas como Python y R) y acceder a este tipo de información debes llenar una solicitud, una vez aprobada la solicitud Twitter te hará llegar las API keys, el identificador que te autentica como usuario de las API. Para más información clic aquí.

 

Una vez obtenido la información sigue la fase de trabajar los datos para posteriormente pasar a la fase de análisis. Nos referimos a la fase de homologar ciertas variables o categorizar observaciones en función de valores que toman algunas variables, en nuestro caso categorizamos los lugares a donde las personas han asistido los últimos meses. Otro ejemplo de esta fase es poner las fechas en un mismo formato (año/mes/día o día/mes/año) para no tener problemas al momento de visualizar los datos en una línea de tiempo.

 

Ahora si el plato fuerte, el análisis. Aquí empezamos viendo la estructura y distribución de cada una de nuestras variables, y modificar en caso de que algo este fuera de lugar, por ejemplo, las variables categóricas cambiarlas a factores si están como texto. Una gran parte del análisis es el momento de crear visualizaciones, esta es la parte creativa del analista porque ahora si que los límites para crear visualizaciones son muy extensos, claro, siempre con el cuidado de generar buenas visualizaciones no únicamente en el sentido de que se vean bonitas sino que también transmitan un mensaje claro y único. Otra gran parte del análisis es crear modelos estadísticos que expliquen a una variable (variable dependiente «y») en función de otras variables (variables independientes «x») y/o ayuden a predecir el comportamiento de la variable en el futuro.

Finalmente, llegamos a la etapa de conclusión y exposición de resultados, básicamente es ver el contraste entre la hipótesis que te hayas planteado o la pregunta que quieres responder y lo que los datos te dicen para después plasmarlo en una presentación o un texto.

Todas estas etapas aunque se escuchen muy «básicas» realmente las llevamos a cabo en nuestro análisis y es por eso que nos pareció importante no sólo exponer los resultados sino todo el desarrollo para que el lector que no este tan familiarizado en este ámbito pueda tener una mejor comprensión y no solo eso sino que se lleve un verdadero aprendizaje .

¿Qué encontramos?

Antes de empezar con las visualizaciones es importante mencionar que las primeras medidas preventivas en Nuevo León tomaron lugar el 17 de marzo del 2020, el día que cancelaron actividades escolares a nivel bachillerato y superior, y posteriormente el día 20 del mismo mes en los niveles básicos (primaria y secundaria).

La primera incógnita que nos gustaría responder es : ¿En qué magnitud o proporción ha disminuido el tráfico de check-ins en Twitter una vez iniciadas las medidas preventivas covid-19?

 

 

Para poder crear estas visualizaciones tuvimos que categorizar nuestros datos en tres grupos (diciembre-2019, Antes de prevención covid y Después de prevención covid). En las dos gráficas se aprecia una caída significativa en los check-ins registrados una vez iniciadas las prevenciones covid. Se podría argumentar que esto se debe a la naturaleza de los meses abril, mayo y junio, sin embargo, llama mucho la atención que la primera mitad de marzo tenga mucha actividad y la segunda mitad se vea estancada. Hablando más puntualmente los chek-ins tuvieron una disminución del 75%.

 

Otra visualización que hicimos fue una especie de heatmap que nos permitiera ver por mes cuales fueron los municipios del área metropolitana con mayor actividad y en este sentido ver que municipios menos siguieron las recomendaciones de los expertos.

Ahora, pasaremos a contestar la pregunta ¿Cómo ha cambiado el comportamiento de los check-ins durante el covid? Para responder esta pregunta hicimos un cluster de 17 grupos y visualizamos la proporción de check-ins para cada grupo. Algunos de los grupos son: comida (restaurantes), entretenimiento (cines, boliches, parques, etc), Salud (hospitales, clínicas y gimnasios), Autoservicio (tiendas de autoservicio como H-E-B y Walmart), residencial (zonas residenciales), etc.

Podemos observar que en las primeras dos gráficas el orden y proporción de los grupos son muy parecidos y esto cambia considerablemente para la tercera. Dos grupos que han cobraron mucha importancia durante el tiempo de la pandemia son autoservicio y residencial, por otra parte, los grupos de entretenimiento, vida nocturna y aeropuerto pasaron de ser primeros a últimos. Considerar todos los ángulos a la hora de hacer un análisis es muy importante porque si no nos detuviéramos a ver a donde realmente la gente ha acudido y solo hubiéramos analizado las primeras tres gráficas probablemente nos quedaríamos con una mala impresión de los municipios de Monterrey y San Nicolás que han sido los municipios con mayor actividad y precisamente con esta gráfica podemos ver que mucha de esa actividad es desde sus casas.

Por último ¿qué podemos decir de estos resultados? Tenemos información suficiente para decir que la pandemia ha cambiado la manera en la que las personas hacen check-ins en magnitud y forma. En su mayoría la gente se está quedando en casa y está asistiendo primordialmente a lugares de primera necesidad como tiendas de autoservicio donde surten la despensa y restaurantes, no obstante, se sigue asistiendo a lugares que probablemente no se consideren de primera necesidad como ir al aeropuerto para ir a vacacionar y asistir a hoteles, donde, probablemente hoy sean los lugares con mayor riesgo de contagio y es por eso que invitamos a todos nuestros lectores a seguir las indicaciones de los expertos y no salir de casa a menos que sea necesario.

Esta columna fue desarrollada por Alejandro Rodalgo,  participante del programa de «intern» de Datlas en investigación. 

Saludos

Equipo Datlas

Fin de Temporada Podcast Café de Datos – Invitado estrella… – Ecosistemas Datlas

«Una de las cosas críticas en esta crisis que hemos estado tratando de superar … es que tenemos que tirar el libro de reglas. Nunca hemos visto este tipo de crisis en nuestras vidas » Ana Botin,Presidente Ejecutivo Santander.

Con gusto compartimos que llegamos al fin de la primer temporada de «Café de Datos». Y así como nuestros capítulos de invitados, lo cerramos a lo grande con un especialista en cartografía y análisis de ubicación: Sasha Trubetskoy.

Sasha es originario de «North Virginia» en  Estados Unidos. Estudió Estadística en la Universidad de Chicago. Su principal especialidad es comunicar datos y análisis a partir de mapas. Impulsando proyectos independientes como mapas de «nieve», de iphone vs. android o históricos ha llegado acompañada de fama en redes sociales. Actualmente es consultor independiente y socio en Kartographia, empresa de análisis de datos.

Desde Datlas, nos entusiasmo mucho invitar a Sasha al podcast y preguntarle sobre su desarrollo profesional, qué hace un cartógrafo en el 2020 y qué piensa del futuro de la analítica en 30 años. Este episodio le podrá ser de utilidad a quienes estén decidiendo cómo formar su carrera en analítica o estén evaluando darle un giro a su profesión para enfocarse a la generación y comunicación con datos. Han acudido personas a nosotros con estas inquietudes en la época del COVID-19 y nos parece un buen punto de partida para inspirar su decisión.

Este es el primer episodio que generamos en idioma inglés (rompimos las reglas). Notarán que no es nuestro primer idioma, pero hicimos el esfuerzo para traerles contenido de calidad.

Una síntesis de las preguntas qué revisamos en este episodio

o Introducción con Sasha: ¿Puede contarnos sobre su trayectoria profesional (académica, publicaciones y cursos favoritos). ¿Qué hay de tus pasatiempos? ¿Qué temas prefieres para leer?

o Entonces, ¿Qué pasa con tu título profesional (Estadística en Universidad de Chicago), cómo es el antes y el después con respecto a su conocimiento de análisis de datos?

o ¿Crees que un título como el que tomas te da una ventaja en el campo del análisis de datos?

o En este momento, ¿Cuál es tu «Caja de herramientas» preferida para analizar datos y también para hacer estos impresionantes mapas?

o Menciona estadísticas, ¿Puede especificar sobre el uso de estadísticas en los desafíos que resuelve ahora como profesional?

o Además, como cartógrafo, fusiona sus capacidades de análisis con mapas. ¿Puedes dar más detalles sobre el proyecto de mapas de Android e IOS?

o Hablemos de análisis de ubicación(«Location Analytics»). En este momento, es como el santo grial en análisis. Entonces, en tus palabras, ¿Cómo podemos definirlo?

o Con respecto a la analítica descriptiva y predictiva. ¿Cuáles son algunos ejemplos en los que podemos aprovechar el análisis de ubicación en lugar de, por ejemplo, simplemente usar una hoja de cálculo?

o Entonces, imagino que existen algunos desafíos al trabajar con el análisis de ubicación. Por un lado, necesita un atributo de ubicación para cada registro, como una coordenada, una dirección o algo similar. Por otro lado, debe poder utilizar los métodos estadísticos tradicionales para transformar estos datos en ideas. ¿Cuáles son los 3 desafíos principales cuando trabaja con este tipo de datos?

o Ejemplo de aplicaciones del mundo real de análisis de ubicación.

o En los últimos años ha habido muchos escándalos de privacidad como los de Cambridge Analytica o el gobierno siguiendo los caminos de las personas en disturbios con grandes datos. Estos eventos crean conciencia sobre el uso que las compañías le dan a nuestros datos. ¿Cuáles son las principales preocupaciones desde una perspectiva de ética que un analista debe tener cuando trabaja con análisis de ubicación?
o cierre.

Hasta aqui el episodio de hoy, te invitamos a suscribirte a nuestra plataforma  y te invitamos a hacerlo también en nuestro podcast «Café de Datos». Te vas a pasar un buen rato y tenemos muchas sorpresar para la 2da temporada. Gracias a  los más de 3 mil escuchas de más de 10 países que nos han dado la oportunidad hasta ahora.

Equipo Datlas

– Keep it weird – 

Dashboards de negocios, guía para principiantes – MANUALES DATLAS

Un avión donde viajan 300 personas que puede ser conducido por 2 personas, una megaciudad de más de 5 millones de habitantes conducida desde un «war-room» (C4 ó C5) con 20 personas, o la gestión de un mundial de fútbol en más de 20 ciudades a la vez controlado por un equipo de 40 profesionales ¿Qué herramienta tienen en común?  Todos en algún momento usaron dashboards.

En los negocios ocurre igual. Un tablero de control o dashboard es un lugar donde se pueden monitorear los aspectos más importantes del quehacer de una organización. Sinedo así,en el campo de «inteligencia de negocios» o «business intelligence», este tipo de herramientas le ayuda a los tomadores de decisiones y operativos a reaccionar de forma efectiva a cambios en el negocio.

1) ¿Qué es un dashboards de negocios?

Es un gráfica que refleja el estatus operativo de datos recolectados en tiempo real (o casi tiempo real) visualizados en una plataforma. Un ejemplo de lo que podría ver un empresa que se dedica a envíos de comida a domicilio en un dashboard.

El pase de diapositivas requiere JavaScript.

Así como los pilotos en un avión monitorean la altura, velocidad, ruta y otros aspectos del vuelo. En un negocio podríamos vigilar las órdenes , las ventas, tiempos de entregan las entregas exitosas, los artículos más vendidos, entre otros.

Te puede interesar nuestra columna titulada: Ranking de Dashboards de COVID-19.

2) Características de un dashboard

Para ser considerado un buen panel de control tendría que integrar:

• Un sistema valioso de indicadores
• Visualización e interacción intuitiva
• Buena calidad de datos como insumo y amplitud en cortes temporales
• Un sistema completo de arquitectura que permita actualización automática

Recomendamos que leas nuestro ejemplo en: Analítica en Dashboards para Turismo.

3) ¿Cuáles son los tipos de dashboards?

• Dashboard estratégico: Resume y sintetiza los indicadores más importantes de la compañía para tomar decisiones de manera rápida basadas en datos
• Dashboards analíticos: Puede ser estratégico y operativo, destinado a que los equipos de mandos altos y medios puedan tomar decisiones de manera más ágil
• Dashboards operativos: Enfatiza el reporteo de información constante y continua

4) ¿Qué acciones debería habilitar un dashboard?

A) Seguimiento a KPIs

Una vez que se realizó el trabajo de planificación estratégica donde se delimitaron los KPIs que los equipos de trabajo deberán de cuidar para que los proyectos tengan buena salud es importante poder visualizarlo en el dashboard. Por lo mismo es útil generar un «semáforo» donde rojo sea señal de gran oportunidad para mejorar y verde sea buena salud.

Te puede interesar 15 métricas para tu organización.

B) Alertar de comportamientos fuera de rango o prevenciones

Las mejores implementaciones de inteligencia de negocios generan tableros que están listos para alertar sobre comportamientos críticos o situaciones que necesitan inmediata atención. Idealmente estas notificaciones tienen que ser desarrolladas por las personas con más experiencia en la organización y con base a atender las oportunidades que de no atenderse podrían representar un costo no reemplazable a la compañía.

C) Monitoreo en tiempo real

En una etapa más avanzada habrá que procurar que el monitoreo de los datos sea en tiempo real. Esto requiere necesidades más sofisticadas de infraestructura y que se cuenten con iniciativas de ciberseguridad para asegurar que no haya fugas de información. Esto permitiría una toma de decisiones más oportunas sobre datos que sean reales.

Cierre

Los dashboards permiten ser más eficientes y eficaces en la toma de decisiones operativas y en el cumplimiento de la estrategia de una organización. Hay que trabajar de la mano con el área o la función de planeación en nuestra compañía para generar buena calidad de KPIs, alertas y sobre todo garantizar que los datos más dinámicos sean actualizados en tiempo real.

Si te interesa seguir conociendo más de este tema (KPIs y herramientas de medición te invitamos a nuestra próxima charla. Puedes registrarte aquí GRATIS: https://bit.ly/dfuturos4 

También solicitar en nuestro marketplace una llamada para platicar sobre este tema y evaluar cómo con alguno de nuestros casos aplicados podemos ayudar a tu organización.

Fuentes:

• https://aws.amazon.com/es/blogs/industries/restaurants-are-hungry-for-data-insights-as-food-delivery-analytics-gains-traction/
• https://towardsdatascience.com/a-beginners-guide-to-business-dashboards-981a8192a967
• https://medium.com/nightingale/portrait-mode-what-is-the-future-of-dashboards-f51df8d70e7b

Dimensionando la industria de «Analítica de datos e Inteligencia Artificial» 2019-2020 – Investigación Datlas

¿Cuántas empresas de analítica de datos existen? ¿En qué industrias están participando? ¿Quién está desarrollando Inteligencia Artificial? Hoy hablaremos del mapa de mercado desarrollado por «Firstmark»  (@matttruck). Desde Datlas, startup mexicana de analytics, dedicamos esta columna a profundizando en el dimensionamiento y la clasificación de la industria completa de analítica de datos e inteligencia artificial.

Mapa completo de industria al 2019

Descarga aqui: https://cloudup.com/ck5aIRPKNuU

Según el reporte podemos encontrar 7 industrias y 82 sub-industrias para la industria de «datos» (Analítica, big data e inteligencia artificial).  Ahora haremos un pequeño enfoque a cada una.

1) Infraestructura

Abrir una empresa de analítica de datos y de tecnología hace 20 años tenía como 80% del presupuesto dedicado a infraestructura. Comprar potentes procesadores y sobre todo capacidad de almacenaje físico. Sin embargo, en los últimos 10 años ha ido en incremento los oferentes de poder de cómputo distribuido y almacenaje por nube.

2) Analítica y Machine Learning(ML)

¿Tableau? ¿Power BI? ¿Watson? la mayoría de sus servicios corporativos pertenecen a la vertical de la subindustria de analítica y ML.  En estas plataformas es posible encontrar soluciones para convertir datos en algoritmos o visualizaciones y así mismo en ventajas comparativas para una empresa.

3) Aplicaciones con enfoque a empresa

Hay otro segmento de soluciones prediseñadas donde participan las tecnologías de analítica de nicho. Soluciones para gobierno, industria inmobiliaria o financiera son alguno de los ejemplos de empresas que han generado soluciones tan específicas como para atender un nicho. Estas startups buscan como estrategia ser tan importante en la industria que se acerque algun gigante como IBM, Microsoft o Palantir para adquirir su participación en la industria.

4) Analítica de infraestructura cruzada

Son compañías que desarrollan diversas plataformas suficientemente robustas como para adaptarse a distintas industrias. En su mayoría podemos entender estos desarrollo como empresas que buscan generar ecosistemas más que productos o servicios.

**Si te interesa conocer más de analítica de datos y Big data te invitamos a solicitar GRATIS el DATA PLAYBOOK Vol. II de DATLAS. Solicítalo aqui. **

5) Open source – Fuentes abiertas

Hay otro segmento de compañías, organizaciones y desarrolladores independientes que son fieles creyentes del «open source». Esto hace referencia a los aplicativos que son gratuitos y mejorados por la comunidad que los utiliza. Aunque pareciera que no hay incentivos, casos de éxito como R, Hadoop o Linux , que son Open-source, son impulsores de cambios y mejoras en las industrias de manera significativa.

6) Fuentes de Datos y APIs

Los modelos de analítica y Big data requieren datos listos para ser consumidos. Es decir limpios, estructurados y actualizados. En este sentido hay una serie de empresas de fuentes de datos que se han encargado de desarrollar APIs o carreteras directas a fuentes de datos de valor.  Este es el caso, sobre todo, de aplicaciones móviles que recopilan datos de usuarios y como modelo de negocio comercializan esos datos.

Si quieres conocer más de este tema te puede interesar ¿Cómo funciona Location intelligence? el blog donde explicamos este tema a detalle

7) Más recursos de datos

Finalmente otros recursos de datos como las escuelas, incubadoras, centros de investigación o plataformas de retos de datos como Kaggle. Sin restarle importancia (Consideremos que Google ha adquirido un par de estas empresas), continua el incremento y las empresas que quieren ganar nombre desde verticales más tradicionales como consultoría, educación o desarrollo de patentes/algoritmos propietarios.

¿Qué opinas del tamaño de la industria? ¿Te imaginabas? Hasta aqui la columna de hoy si te gustó el contenido recuerda compartir y aprovecha nuestros descuentos en el MARKETPLACE DE DATLAS.

***BONUS 8 de Enero 2020*** CB Insights libera un reporte de Tendencias en Inteligencia Artificial donde estructuran las iniciativas de «Alphabet». Parece que ellos están entendiendo como ir capturando la industria desde distintas empresas.

 

Equipo Datlas

-Keep it weird-

 

 

 

 

Análisis de NLP discurso de AMLO de 1 de Julio 2019 – Datlas research

(Este análisis sólo tiene fines científicos, no son interpretaciones políticas)

7 meses de gobierno de AMLO, la 4T , el gobierno de transformación o cómo le gusten llamar. Y el pasado primero de Julio se promovió un evento en el Zócalo capitalino de la CDMX en México para «celebrar» algunos avances del gobierno en su corta temporada.

Muy al estilo de Andrés Manuel Lopez Obrador, preparó un discurso con hechos, datos y planes que le dan a su sector votante y a los mexicanos un ocaso de esperanza. Sin tomar algún tinte político, desde Datlas, donde nos dedicamos a la analítica, quisimos hacer un ejercicio de Procesamiento de lenguaje natural (NLP por sus siglas en inglés) para analizar en dos sentidos este discurso. Primero conocer la carga «emocional» aplicando un «análisis de sentimiento» a las frases. Y en el segundo sentido con un simple conteo de frecuencia de palabras.

En este blog explicamos cómo funciona a detalle estos análisis: Análisis de discurso presidencial de AMLO

Análisis de sentimiento

Contamos alrededor de 108 enunciados  que promediaban 22 palabras cada uno. Cada frase fue procesada por un algoritmo que nos interpreta si el sentimiento o la intención del enunciado fue negativo, neutral o positivo

Para una mejor comprensión, hacemos un conteo general donde obtenemos lo siguiente

En contraste con el análisis del primer discurso que AMLO dió como presidente. En aquella ocasión el 15% de los enunciados encausaba mensajes positivos. En esta ocasión hablamos de un 12%.

Frecuencia de palabras

Respecto al conteo de palabras. En una lógica parecida se hace una limpieza de preposiciones, números, puntuaciones y acentos en el discurso. Para posteriormente hacer una tabla de conteos. Por ejemplo aqui les mostramos las primeras 10

Para una mayor apreciación usamos un gráfico de nube para comunicar los hallazgos.

Las interpretaciones las dejamos abiertas, pero a ojo de analista encontraremos en tamaño más grande las palabras que más veces se repitieron. Por ejemplo en el análisis del discurso presidencial encontramos: Todos, México, Corrupción, amigos, país y gobierno. En este caso: Pueblo, país, publica, social, entre otros. Sin duda alguna se ve más como un discurso de rendición de cuentas más que un discurso de arranque como lo fue el caso anterior.

¿Te interesa conocer más sobre análisis de datos? Visita nuestro sitio www.datlas.mx en donde desarrollamos plataformas para reducir incertidumbre para tus decisiones de negocio.

Atentamente.-

Equipo Datlas

Fuentes de discurso:

https://www.gob.mx/presidencia/articulos/discurso-de-andres-manuel-lopez-obrador-presidente-de-los-estados-unidos-mexicanos?idiom=es