«Transforma tus datos en información valiosa: los mejores consejos para diseñar dashboards impactantes» – MANUALES DATLAS

Por lo general cuando escuchamos acerca de dashboards lo primero que se viene a la mente son temas como analítica de datos, inteligencia de negocios, insights y pocas veces nos paramos a pensar en la importancia del diseño de estos, en este blog veremos algunos tips y recomendaciones para que logres tener el mejor dashboard posible.

El diseño y la experiencia de usuario (UX/UI) son aspectos fundamentales en la creación de un dashboard efectivo. Un buen diseño y una buena UX/UI pueden ayudar a que el dashboard sea fácil de entender y utilizar, lo que a su vez puede mejorar la toma de decisiones y aumentar la eficiencia en la organización.

 La UX se refiere a la manera en que los usuarios interactúan con el dashboard, mientras que la UI se refiere a la apariencia y estructura del mismo. Un buen diseño de UX/UI debe tener en cuenta las necesidades y expectativas de los usuarios, ademas de ser intuitivo y fácil de utilizar.

Realmente cuando hablamos de diseño no solo nos referimos al como se ve, el diseño va mas alla de esto, en palabras del propio Steve Jobs: « El diseño no es solo lo que parece y se siente. El diseño es cómo funciona «.

A continuación, presento algunos tips y recomendaciones que pueden ayudar a mejorar el UX/UI de un dashboard:

Identifica el propósito del dashboard y asegúrate de que cumple con esa finalidad de manera efectiva.

Por ejemplo, si el dashboard se va a utilizar para monitorear el rendimiento de una campaña de marketing, debería incluir gráficos que muestren el alcance y el impacto de la campaña, así como métricas clave como el costo por clic y el retorno sobre la inversión.

Organiza los diferentes elementos para su fácil lectura

Cuando empezamos a leer un libro lo hacemos en “forma de z”, comenzamos arriba de izquierda a derecha para luego bajar y seguir leyendo, de esta misma manera procesamos la información, por lo que hay que tenerlo en cuenta a la hora de ordenar nuestro dashboard. Una buena estructura seria, por ejemplo, colocar los indicadores o gráficos mas importantes en la parte de arriba, elementos de navegación o filtros a la izquierda para finalmente terminar con información y gráficos adicionales abajo.

Prioriza la información más importante y destaca los datos más relevantes.

Por ejemplo, si el dashboard se utiliza para monitorear el rendimiento de una aplicación móvil, puedes destacar las métricas más importantes, como el número de usuarios activos y la tasa de retención, mediante el uso de colores y tamaños de fuente más grandes. Si juntamos la correcta organización de los elementos con estas recomendaciones de diseño, los usuarios pueden ver rápidamente qué aspectos del rendimiento de la aplicación requieren su atención.

Asegúrate de que el dashboard sea fácil de navegar

Es importantísimo que los usuarios puedan encontrar rápidamente la información que necesitan. Puedes organizar la información en secciones lógicas y utilizar etiquetas claras para identificar cada sección. Además, puedes incluir un menú o una barra de navegación que permita a los usuarios acceder rápidamente a diferentes secciones del dashboard.

Pequeños detalles, gran diseño

Hay errores que son increíblemente comunes entre los analistas de datos y creadores de dashboards, recuerda que el gran diseño se encuentra en los pequeños detalles, a continuación te mostraremos 5 de estos errores y como corregirlos:

Las barras flotantes

Muchas veces pecamos de dejar las barras al aire, pero hay que darles algo en lo que soportarse a tus gráficos de barras, no importa estas sean verticales u horizontales, como se observa en el ejemplo de abajo, un mismo grafico puede verse con mas orden y estructura el tener un eje en el cual estar apoyado.

Texto Vertical

A la hora de mostrar valores grandes o fechas en graficas verticales, se suele acomodar estos de manera vertical para que puedan caber todos, esto no solo hace que la grafica se vea sobre cargada, también fuerza al usuario a dar vuelta a la cabeza para poder leer, para solucionar esto podemos abreviar el texto como se muestra en la imagen de abajo, en lugar de escribir todo el mes y año, podemos poner la primera letra del mes y crear una columna discreta que divida la información por años.

Partir la tarta en mil

Otro error común que se comete es al usar los gráficos de pie (grafico de pizza, de pastel, la comida circular que mas te guste), a veces nos emocionamos con la cantidad de valores que tenemos en este grafico, si bien la función de esta grafica es mostrar porcentajes de un todo, cuando son muchas variables se vuelve confuso y dificil entender que representa cada parte, ademas, a nadie le gusta cuando le toca el trozo pequeño de pizza. Mantén el uso de este grafico simple, maximo 5 valores o hasta que al mostrar los porcentajes no se alcance a distinguir.

Cantidades Incontables

Estamos acostumbrados a tener los datos precisos y exactos, esto jamás deberá cambiar, pero lo que si podemos cambiar es como mostramos las cantidades grandes, si tienes una cantidad de muchos dígitos en la cual el usuario se tendrá que detener a leer y contar unidades, es preferible escribir el numero en otra unidad como pueden ser millones, o en caso de tener decimales procurar solo tener 2 números después del punto.

Mucho color, poco color

El ultimo error que se comete con mucha frecuencia viene con el uso de colores, algunas veces podemos ver dashboards que no transmiten ya que están diseñados de un solo color, o hay veces en las que al contrario tenemos una explosión de colores, al final de cuentas es muy importante seguir los requerimientos que el usuario final haya solicitado, pero si tenemos algo de libertad creativa y no sabemos por donde escoger los colores que usaremos, te recomiendo mucho basarte en la «rueda cromática», esta herramienta nos permite conocer que colores se encuentran en armonía con otros, elige un color base y deja que la rueda haga el resto! Puedes consultar el siguiente link para acceder a la rueda: https://color.adobe.com/es/create/color-wheel

Ahora que ya sabes de la importancia del diseño y algunos trucos para llevarlo correctamente, estas preparado para crear dashboards como todo un profesional!

Si te interesa conocer mas acerca del tema de dashboards, analitica de datos, ciencia de datos, entre otros relacionados, te invitamos a que nos sigas en nuestro podcast «CAFÉ DE DATOS» en spotify.

¡Gracias por apoyarnos en la difusión de conocimientos sobre analítica de datos y transformación Digital! Recuerda suscribirte y calificarnos con 5 estrellas en el podcast «Café de Datos»

– Equipo Datlas –

Keep it weird

¿Cómo redujimos 5 millones de datos de empleos del IMSS para un Dashboard? – MANUALES DATLAS

Para cualquier analista de datos los Tableros Dinámicos, o «Dashboards», son un elemento crucial que nos ayudan a visualizar los datos e interpretarlos de una manera llamativa y dinámica.

Cuando se nos entrega una base de datos con una cantidad razonable de observaciones y solo las variables relevantes para nuestro proyecto crear un Dashboard puede ser cuestión de unas pocas horas, sin embargo todo analista sabe que eso pocas veces sucede. La mayoría de las veces tenemos que trabajar bases de datos muy grandes, donde no todas las variables nos resultan útiles.

Muchas veces eso no resulta un problema gracias a que los softwares para crear Tableros Dinámicos pueden leer todos los datos, pero mientras más grande sea la base más lento se vuelve interactuar con los gráficos empeorando la experiencia del usuario final.

Esta vez al equipo de DATLAS nos tocó trabajar con una base abierta sobre las personas registradas como asegurados del IMSS en 2022, la cual contaba con casi 5 millones de registros y 29 variables. Para poder crear un Dashboard que brindara la mejor experiencia, decidimos reducir la base de datos en R Studio y en este blog te compartiremos como lo hicimos.

Los registros de la base de datos «IMSS» estaban en clave numérica por lo que se tuvo que trabajar simultáneamente con un diccionario de datos.

Lo primero que hicimos fue hacer un análisis de las variables, ver cuáles eran las que realmente nos interesaba visualizar en el Tablero final. Resultaron ser sólo 6 variables de las 29 disponibles, para cada una de esas 6 variables creamos una base de datos que sirviera como «catálogo» basándonos en el diccionario de datos del IMSS.

Ejemplo del catálogo para la variable cve_entidad

La librería «dplyr» en R Studio fue nuestra mejor amiga durante todo este proceso. Utilizamos la función left_join para incluir la descripción de cada dato de acuerdo a la clave utilizando los catálogos.

Ejemplo: Para la variable «cve_entidad» los datos eran números enteros del 1 al 32. Dónde cada número representaba una entidad de México. Para agregar a la base de datos el nombre de cada estado de acuerdo a su clave utilizando el catálogo de entidad (que nombramos cat_entidad en R) utilizamos la función de esta manera

df <- left_join(IMSS, cat_entidad, by=»cve_entidad»)

Así agregamos las nueva variables en forma de texto, donde visualizamos la entidad como «Aguascalientes» y no como «1». De aquí en adelante trabajaremos con estas variables, y no con las que teníamos en clave.

Hay 2 principales razones por las que este paso es muy importante y necesario desde el principio:

• La primera y más obvia, para al terminar poder visualizar los datos en el tablero de una mejor manera y facilitar su entendimiento
• La segunda tiene que ver con el siguiente paso a realizar, el cual es: Agrupar por medio de la función «group_by».

Al analizar el catálogo de la variable «cve_municipio» notamos que había más de una clave para el mismo municipio, entonces, si agrupábamos con respecto a esa variable los valores se agrupaban como si fuera de diferentes municipios cuando en realidad se trataba de uno mismo, generando una data frame con más observaciones de las que en realidad eran (recordamos que lo que buscamos es reducir lo máximo posible el número de observaciones).

Es por eso que es importante primero cargar las nuevas variables con respecto al catálogo y agrupar en base a esas.

Por ejemplo el municipio «Abasolo» tiene 4 diferentes claves, si agrupáramos respecto a estas tendríamos 4 observaciones por el mismo municipio. En cambio, al agregar la nueva variable «municipio», se agrupa respecto al nombre del municipio (el cual es el mismo para esas 4 claves) y se tiene una sola observación por municipio.

Por eso es importante realizar la carga de catálogos antes de agrupar respecto a las «nuevas» variables que nos interesa mostrar en el Tablero. En nuestro caso nos interesaban las variables «sector_economico», «municipio», «entidad», «sexo», «edad», «salario» y «asegurados», de esta última nos interesa el total por lo que, en vez de agruparla, utilizaremos la función «summarise» para calcular el total por grupo. Creamos una nueva base llamada «Asegurados» de la siguiente manera:

Asegurados <- df %>% group_by(sector_economico, municipio, entidad, sexo, edad, salario) %>%

summarise(Total_Asegurados = sum(asegurados)) %>% data.frame()

Donde «df» es la base donde agregamos los catálogos.

Hasta aquí logramos reducir la base de datos de 4.9 Millones de datos a tan solo 1.8 Millones. Esto podría ser suficiente para trabajar la base en Power BI u otro software de tableros dinámicos, sin embargo, no terminamos aquí.

El ejercicio que se buscaba era visualizar los datos de los asegurados registrados en el IMSS de ciertos sectores económicos específicos. Se querían filtrar al rededor de 20 sectores usando la función «filter», pero poner cada uno de los sectores deseados dentro de la función, además de alargar el código, puede dar lugar a «errores de dedo» u omisiones. Entonces, ¿cómo filtrar en R 20 valores de tipo caracter sin escribir uno por uno?. Muy fácil, agregaremos una columna en el catálogo que creamos previamente sobre la variable deseada (en este caso el catálogo de «sector_economico») antes de realizar el left_join para agregar el catalogo a la base.

Esta columna la llamaremos, por ejemplo, cve_filtro y manualmente le daremos valores 1 o 0. Escribiremos 1 para los sectores que deseemos filtrar y 0 para los que no. Con ese cambio, podemos agregar el catálogo a la base exactamente como vimos anteriormente:

df <- left_join(IMSS, cat_sector, by=»sector_economico_4″)

Al momento de realizar el group_by agregaremos la nueva variable que creamos «cve_filtro»

Asegurados <- df %>% group_by(sector_economico, municipio, entidad, sexo, edad, salario, cve_filtro) %>%

summarise(Total_Asegurados = sum(asegurados)) %>% data.frame()

Y finalmente utilizamos la función «filter» con respecto a la variable «cve_filtro» buscando que sea igual a 1 (que son los deseados) así evitamos alargar inecesariamente el código y errores por escribir mal los valores.

Asegurados_filtrado <- Asegurados %>% filter(cve_filtro== 1)

Y Así es cómo redujimos 5 millones de datos del IMSS a sólo 400,000 para crear un dashboard más eficiente

Exportando la nueva base de datos pudimos crear un dashboard en Power BI que nos permite analizar los asegurados y así descubrir que el Sector Económico al que pertenecen más asegurados es el de Compraventa de alimentos y bebidas.

Así como ver que los asegurados se encuentran mayormente concentrados en el grupo de edad de 25 a 30 años de edad. Entre muchos otros datos que podemos capitalizar al analisar la base de datos que desarrollamos.

Hasta aqui la columna de hoy ¿Qué otras aplicaciones has escuchado para los shapefiles? Únete a la conversación en @DatlasMX y aprende más del tema en Datlas Academy

– Equipo Datlas –

Dimensionando la industria de «Analítica de datos e Inteligencia Artificial» 2021 – Investigación Datlas

Nuevamente es el año 2021 y el ecosistema de la industria de productos-servicios de analítica de datos e inteligencia artificial se expande. Hace 2 años promovimos la publicación de matttruck.com quien dimensiona período a período el tamaño de la industria y sus distintos nichos.

En esta columna compartiremos la actualización al 2021.

** Revisa la edición del 2020: https://blogdatlas.wordpress.com/2020/02/04/dimensionando-industria-analitica-datlas/

Industria de analítica e inteligencia artificial 2021

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

1) Infraestructura

Este nicho contempla todo lo que tiene que ver con: Almacenaje, almacenaje distribuido, lago de datos, similares de almacenaje de bases de datos, herramientas para ETL, integraciones de datos, gobernanza de información, monitoreo de indicadores, entre otros.

2) Analítica y Machine Learning(ML)

Esto contempla todas las plataformas de inteligenica de negocios, visualización de datos, plataformas de analistas de datos, anlítica aumentada, catálogos, analytics de logs, búsqueda de información, entre otros.

3) Machine Learning e Inteligencia Artificial

Este grupo tiene como subgrupos los sistemas de documentación tipo «Notebook», plataformas de ciencia de datos, plataformas de ciencia de datos, etiquetado y generación de información, construcción de modelos, visión computacional, procesamiento de lenguaje computacional, sistemas conversacionales, hardware, entre otros.

4) Aplicaciones con enfoque a empresa e industria

Aplicaciones para empresa como marketing b2c, marketing b2b, ventas, experiencia del cliente, capital humano, legal, finanzas, automatización, seguridad. Otro tipo de aplicaciones como de educación, ciencias, inmobiliarias, finanzas, seguros, transportación, agricultura, entre otros.

5) Open source – Fuentes abiertas

Todo lo relacionado a fuentes abiertas (Y la mayoría gratuitas y con comunidades activas abonando). Como por ejemplo: Frameworks de trabajo, formatos, consultas tipo «query», bases de datos, orquestación, deep learning, colaboración, seguridad, entre otros.

6) Fuentes de Datos y APIs

Fuentes de datos como mercados de información, datos económicos, del aire, del espacio de mares, inteligencia geográfica, entre otros.

7) Más recursos de datos

Finalmente los recursos de datos que integran otros servicios de datos, escuelas e incubadoras y de investigación.

De la misma fuente, generaron un índice de compañías que más han levantado capital.

En ese sentido, varias de las compañías del ecosistema han mostrado fondeos impresionante ayudando a complementar el mensaje de lo vigorizante que es este tipo de industrias y el crecimiento que ha tenido.

¿Habías pensado que la industria de analítica de datos e inteligencia artificial era tan grande? ¿Sería interesante ver este tipo de dimensionamientos para Latinoamérica o Iberoamérica? Continúa la conversación en @DatlasMX.

Aprende más consultando nuestro DataPlaybook en línea y revisando DatlasAcademy (www.datlasacademy.com)

Fuente original para realizar esta columna: https://mattturck.com/

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-