¿Dónde está Avinash cuando se le necesita?

14 Ene 2020 | Analista Web

La gente aprende cuando quiere, cuando encuentra una motivación

Como ya he explicado en este blog, en lo que afecta al trabajo del analista digital, existen diferencias entre trabajar en consultora o cliente final. En la primera, el analista tiene la posibilidad de expandir su conocimiento en diferentes sectores que sin duda es una gran fuente de aprendizaje. Y en la segunda, el conocimiento que se adquiere del negocio es mucho más enriquecido y profundo. Como hace un tiempo os mostré como es el trabajo de un analista en cliente final, y ahora ha llegado el momento de ver cómo es el día a día del analista en consultoría. Para ello, y también para conocer en qué momento se encuentra esta disciplina, cuento con la ayuda de Roberto Ballester, Analista Digital en la consultora Merkle Divisadero.

Desde la experiencia de Roberto, para que el analista pueda hacer su labor en un entorno como el de una consultora, además de contar con su background y habilidades específicas, también es muy importante que entienda el lenguaje del negocio. Lo más óptimo es que para materializar este entendimiento, el contacto del equipo de análisis con el cliente debe ser continuo. Pero hoy en día se pueden dar casos tales como que parte de un equipo no se encuentre en la misma localización donde se ubica el cliente. Entonces, ¿cómo se puede trasladar ese conocimiento de negocio a todo el equipo? Aquí es cuando entra en escena la figura del gestor del servicio. Además de ser el responsable de gestionar la relación entre clientes y proveedores, también es el responsable de trasladar a su equipo el conocimiento del negocio en el que están trabajando. Para ello el desarrollo de soft skills tales como la empatía son una de sus mejores herramientas. Esto no significa que esta labor sea solo responsabilidad suya. Cada analista tiene la tarea de hacer suyo el servicio y conocer tanto el contexto como la estrategia, para así poder hablar el mismo lenguaje del negocio con los stakeholders.

La evolución de la analítica: del Web Analytics al Digital Analytics

Día a día se observa que la evolución continua de analítica digital y su efecto en el negocio hace que el profesional de esta rama adquiera un mayor protagonismo dentro de las empresas, lo que se traduce en un trabajo cada vez más complejo para los profesionales que se dedican a ello.

Sin ir más lejos, esta evolución se ha visto reflejada en la denominación de la especialidad a lo largo de los últimos años. Con el aumento de las fuentes de datos, en menos de diez años la disciplina ha pasado de ser analítica web (datos procedentes de web) a denominarse analítica digital (datos procedentes de diferentes fuentes digitales). Y seguimos avanzando. En el nuevo ecosistema analítico en el que nos encontramos, la labor del analista ya no se limita únicamente en el análisis de datos digitales, sino que también se incluyen otro tipo de fuentes para conseguir un impacto más significativo en el negocio. Se podría decir que es un analista de datos.

Gran parte de esta evolución no se estaría dando sino fuera por la cultura de las empresas. Son ellas las que aprovechan la oportunidad que ofrece el análisis de sus datos de cara a la toma de decisiones de negocio. Sin duda, se ha unido la labor de evangelización del analista, motivada por la pasión hacia los datos, con el ecosistema de madurez del mercado actual.

El aprendizaje en un entorno analítico

Como hemos comentado antes, los profesionales que trabajan en analítica viven día a día la evolución vertiginosa de esta disciplina. Esto hace que la adquisición de nuevos conocimientos casi a diario se convierta en una necesidad. ¿Y cómo se puede avanzar en dicho aprendizaje? Existen diferentes fuentes que sin duda son de gran ayuda:

Una de ellas es sin duda el entorno laboral. El analista digital es una pieza dentro del engranaje que conforma un proyecto, por ejemplo, el cual está compuesto de diferentes departamentos: Customer Experience, CRO, Programática… Todos analizan sus propios datos, pero la posibilidad de trabajar en conjunto es una buena oportunidad de crecer ya que se aprende de cada área. De todos el analista aprende y a todos el analista aporta.
Otras de las fuentes de aprendizaje son las propias herramientas de analítica. En el caso de consultoría, cada proyecto es una herramienta diferente, y eso significa que al trabajar con diferentes clientes al analista se le abre la posibilidad de incorporar nuevas habilidades y conocimientos tanto de la herramienta como de los diferentes sectores.
Y por último, el autoaprendizaje fuera del horario laboral también es un ejercicio necesario que se repite en muchos profesionales de la analítica para seguir evolucionando en su carrera. Aunque es tiempo personal, al final es un paso imprescindible.

Como podemos ver, la profesión del analista requiere de mucha dedicación ya que tiene a su alrededor una gran cantidad de agentes que están actuando simultáneamente con él: el área de DMP, el área de programática, el área de CXO, el área de IT, etc… , y para poder trabajar en conjunto con todos ellos, es necesario conocer su lenguaje para así trasladar los insights del negocio de manera correcta. Y esta es una labor la cual debe desarrollar.

La realidad es que el analista digital tiene que esforzarse mucho ya que el mundo de la analítica está en continuo crecimiento. Por eso es importante saber adaptarse al momento y estar dispuesto a aprender continuamente. De cara a su crecimiento, tenemos la suerte de que dentro de la disciplina existen muchas vías de especialización en las cuáles seguir evolucionando como profesional. Pero para escoger el camino que mejor convenga a cada uno, es importante tener en cuenta saber elegir cuál es el más idóneo.

A continuación, te invito a que te unas a la conversación que tuve con Roberto en este episodio del podcast.

¿Qué ha pasado en el último mes?

Estuve en el evento «El País con tu futuro», organizado por El País donde tuve la gran oportunidad de acercar la analítica digital a un público muy especial: jóvenes estudiantes de bachillerato.

17 Dic 2019 | Analista Web

Y yo digo, hey Joe, date una vuelta por el lado salvaje

A principios de agosto, Google lanzó en beta una nueva versión de Google Analytics. Se trata en realidad de un nuevo tipo de Propiedad que permite medir de manera unificada Web y Apps móviles, y que están basadas en el motor de “Google Analytics for Firebase” (GA4F), la solución que Google venía ofreciendo para la medición de Apps móviles.

Aunque este lanzamiento ha pasado bastante desapercibido más allá de los profesionales de la medición digital y la analítica de datos, Google ha dado un gran paso que todos estábamos esperando. Por un lado, da un re-impulso y lavado de cara al clásico Google Analytics, que ya acusa los años y comienza a ser un problema para medir muchos entornos (los SDK para Apps, p.ej. llevaban años sin actualizarse).

Por otro, ofrece de nuevo una solución para medir de manera unificada Apps y Webs, algo que echábamos en falta tras la decisión de dejar de apostar por Universal Analytics como una solución para la medición de Apps. Esto es algo fundamental en el escenario actual, donde en muchos negocios las diferencias entre App y Web son sólo una cuestión de gustos, momento o dispositivo que el usuario tiene en las manos. El canal técnico deja de ser importante, y se recupera así la medición unificada del usuario a la hora de interactuar con los canales digitales de la compañía.

Impacto en la medición digital

Y es que, aunque para muchos pase por una novedad puramente técnica, la llegada de las nuevas propiedades tendrá un fuerte impacto en el área digital a varios niveles:

A nivel Estratégico, la llegada de las “Propiedades App + Web” implican replantear la medición unificada de los entornos App y Web. Ya no sólo a nivel de nombrado de eventos, si no para hacer posibles y comprensibles los análisis entre plataformas, donde más que nunca, el comportamiento del usuario es el verdadero protagonista, y no tanto la medición de clics o eventos de una página/App. También obligará replantear KPIs, equipos y procesos, como veremos más adelante.
A nivel Técnico, lo anterior implica que habrá que rehacer o reajustar los etiquetados de las Webs actuales para alinearlos con los objetivos de negocio, y con los análisis que el negocio necesitará.
A nivel de Análisis de los Datos, la nueva tecnología de Google Analytics supone la llegada de un nuevo modelo de datos totalmente diferente al que estamos acostumbrados a ver las Propiedades “clásicas”. Desaparecen métricas tan míticas como el rebote o las páginas vistas, y a cambio, todo se “eventiza”, simplificando la medición de entornos peculiares como las Webs híbridas o las páginas SPA. Además, la tradicional interfaz de Google Analytics cambia considerablemente, y es sólo el principio, a tenor de todo lo que Google indica que está preparando. Esto supone formación de equipos, y adecuación de muchos procesos actuales.
A nivel de Cuadros de mando y Reporting, todo lo anterior obligará a replantear KPIs y formas de extraer los datos. P.ej. por ahora Google ha centrado sus esfuerzos en potenciar BigQuery como el almacén de datos en bruto del que extraer los datos que necesitemos. Es decir, por ahora no hay API (como si hay con Universal Analytics), pero sí tenemos la opción de obtener datos sin muestreo. Eso sí, esto obligará a conocer bien el modelo de datos, y aprender a trabajar al menos con DataStudio & BigQuery, y con SQL avanzado cuando necesitemos consultas muy complejas.

Nuestra experiencia

Casi desde el mismo día del lanzamiento de la beta, pusimos en marcha la medición de un par de entornos reales y, aunque aún estamos evaluando todo, las primeras impresiones han sido muy positivas.

Es cierto que en la interfaz muchos echarán de menos la infinidad de informes “por defecto” que ofrece Google en su versión clásica, pero a cambio tenemos la nueva herramienta de “Análisis de datos” para montar los informes (y flujos) a nuestra medida, así como la posibilidad de acceder a los datos en bruto vía BigQuery (sin necesidad de contratar GA360). Esto supone que, si sabemos lo que queremos, el nuevo entorno es en realidad mucho más potente y flexible que el clásico, que en cierta forma limita mucho la extracción de información en ciertos momentos.

Además, nos parece un gran avance el hecho de contar por defecto con medición automatizada de páginas, scroll, enlaces, uso de vídeos o descargas. Esto simplifica al límite la implementación si sólo buscamos centrarnos en lo más importante, y se alinea con la tendencia actual de las herramientas de medición, donde se busca la mínima cantidad de código en pro de la máxima automatización.

Quizá lo más radical sea la parte estratégica y de análisis, donde el reto para evolucionar es bastante grande. Hasta que las nuevas Propiedades se hagan realmente populares y se estandaricen, hay mucho trabajo por delante del que nos gusta a todos los analistas: evangelizar, probar y explorar.

Próximos pasos

Con el tiempo, Universal Analytics acabará desapareciendo y dejando paso al nuevo modelo, pero por el momento la nueva propiedad “App + Web” está sólo en beta: faltan funcionalidades que se irán sumando en los próximos meses, y ni siquiera la documentación está completa.

Sin embargo, ya podemos comenzar a experimentar con las nuevas propiedades, algo altamente recomendable ya que Google Analytics dejará de recoger datos de apps móviles dentro de poco, por lo que si aún no hemos hemos migrado a Firebase, puede ser una buen idea pasar directamente a una nueva propiedad de “App + Web”

En todo caso, junto los retos de ITP, esta nueva tecnología de medición en conjunto con Análisis de Datos/BigQuery (para explotar los datos en bruto) y DataStudio (para visualizar la información), promete traernos momentos muy interesantes al mundo de la analítica, abriendo nuevas posibilidades de análisis e integración de fuentes en negocios de todos los tamaños.

A continuación, puedes escuchar el episodio especial que le dedicamos Eduardo Sánchez y yo a esta nueva propiedad.

Información adicional

Anuncio oficial de Google y una sección que recoge las preguntas más frecuentes.
Serie de artículos que Krista Seiden sobre las principales novedades, el nuevo report ‘Pathing Analysis’ y el nuevo ‘Streamview’ que viene a sustituir el ‘Realtime’ de Universal Analytics.
Finalmente, si quiere saber cómo configurar la nueva propiedad ‘App + Web’ y hacer tus primeras pruebas te recomendamos este artículo de Simo Ahava y este otro de Krista Seiden.

03 Dic 2019 | Metodología

La marea es fuerte y nos desvía… Hay que remar con más fuerza… Hay que luchar contra la corriente

Nuestro mantra es que la analítica digital es útil si habla el lenguaje del negocio e impacta directamente en él. Y para hacer de este mantra una realidad, cuando afrontamos un nuevo proyecto en El Arte de Medir, antes de ponernos manos a la obra hacemos un trabajo previo, que denominamos desembarco, el cual se compone de diferentes fases:

Identificación de los stakeholders
Comprensión de los datos
Conocimiento de la tecnología del cliente
Creación de data lakes
Interpretación de las fuentes de datos

El desembarco

El primer paso del desembarco es conocer cómo es la relación de cada uno de los departamentos con los datos. Para ello, nos sentamos con los stakeholders para profundizar en dos aspectos: entender el uso que les dan a sus datos y el objetivo que tienen con ellos.

Ventas, atención al cliente, marketing, etc., todos ellos hacen uso de los datos día a día, y buscamos saber cómo lo hacen. Este mismo proceso lo hacemos también con el departamento de IT, ya que al ser los encargados de dar soporte a los datos de cada una de las áreas, nos ayudan a tener una visión más concreta de las fuentes que manejan, su calidad, como son obtenidos, con qué velocidad se actualizan, etc.

Tras recopilar toda esta información, llega el momento de estudiarla para poder llegar a conclusiones. Y a partir de aquí:

Planteamos mejores prácticas.
Normalizamos las fuentes de datos.
Y si fuera necesario, construimos data lakes (lago de datos) lo más simples posible pero que nos ayude para impactar en el negocio.

Para nosotros, todo este proceso de calidad del origen de los datos es muy importante ya que son la herramienta para la toma de decisiones. Por ejemplo, hacer previsiones de ventas a partir de datos erróneos provenientes de métricas medidas de forma diferente, perjudica directamente al negocio. Por eso primamos el garantizar la calidad de los datos y normalizarlos de manera transversal a toda la compañía para después montar un data lake, si fuera necesario, del cual poder acceder para cualquier consulta de negocio.

Herramientas para el desembarco

En estos momentos nos encontramos en un escenario donde a nivel tecnológico, se está facilitando el trabajo del analista. Incluso no sólo de herramientas de pago, sino también a nivel gratuito. Los tiempos en los que se manejaban los datos de ventas con Google Analytics se han quedado atrás. Ahora este mismo trabajo se puede hacer con el dato real, como podemos ver con la Suite de Google.

Cuando trabajas día a día con datos, la integración de todas las fuentes en un mismo sitio es complicado. Pero gracias al auge de tecnologías como BigQuery, el proceso es más ágil. ¿Cómo? Gracias a herramientas de extracción, tratamiento y carga de datos como Stich Data. Con este tipo de herramientas se puede conectar una base de datos MySQL, pedirle que cada x tiempo consulte la base de datos de cualquier plataforma (Magento, WordPress…), detectar los cambios y trasladarlos a una tabla de BigQuery. En esta tabla, además, también se pueden volcar otro tipo de datos, como CRM, Analytics, etc. Así es como se puede montar un data lake de una forma más fácil para que puedan ser explotados desde el lado del analista o de la persona que necesite los datos con cierta facilidad.

Acabamos de comentar la creación de un data lake con BigQuery, pero si queremos pintar un cuadro de mandos, por ejemplo, también tenemos la posibilidad de integrar datos de muy diversas fuentes gracias a su herramienta de visualización Data Studio. Y es que la apuesta de Google por la visualización de datos se ve claramente reflejada en la evolución de Data Studio. Ahora cuenta con una serie de recursos que hace que sea muy potente. Si bien es cierto que no resuelve todos los problemas a nivel de cuadro de mandos, no requiere una gran inversión ni contar con una gran cantidad de conocimientos técnicos. ¿Y cómo podemos sacar partido a esta herramienta? En El Arte de Medir, primero creamos un Mínimo Producto Viable vía Data Studio para empezar a trabajar rápidamente con quick wins. Con esto buscamos dar un servicio de calidad suficiente para empezar a trabajar con los insights sin tener que esperar un tiempo razonable. Más adelante, y si Data Studio no es suficiente para el proyecto, buscamos en otras herramientas, pero gracias al trabajo previo, la construcción se hace de forma más rápida.

Cómo podemos ver, el analista ya no sólo depende de una herramienta para poder realizar su trabajo. Él es la conexión entre los datos y el negocio a través de su fuente de uso: la analítica digital. Y para poder realizar bien su trabajo, es imprescindible entender los datos, el marco de uso y, sobre todo, qué respuestas de negocio se necesitan contestar.

Si quieres ampliar la información, aquí tienes el episodio del podcast en donde Edu y yo hablamos de la fase del desembarco:

29 Oct 2019 | Herramientas

Nuestras vidas se definen por las oportunidades, incluso las que perdemos

Las métricas son el instrumento con el que el analista digital mide, compara y da respuesta a las preguntas de negocio. Gracias a ellas se puede conocer el rendimiento de una campaña de marketing o los visitantes mensuales de una web. Y cómo cualquier elemento dentro de la analítica digital, también son vulnerables a variaciones imprevistas. Cuando esto sucede, el analista digital no puede evitar hacerse una pregunta: ¿qué es lo que pasa alrededor de las métricas?

Iñaki Mediavilla lleva más de diez años como analista digital y conoce bien esta pregunta. Antes de co-fundar SweetLabs, consultora de analítica de optimización, Iñaki siempre había trabajado en el lado del cliente final con empresas 100% digitales. Fue durante estos años donde experimentó de primera mano que en relación con el negocio, existen muchos eventos que suceden a su alrededor donde se cree que la monitorización está controlada, pero se pueden perder de vista dos puntos claves que afectan directamente a las métricas:

Lo que hacemos nosotros.
Lo que están haciendo otros actores en torno a nosotros.

El problema: la desviación de las métricas

En las empresa se recoge mucha información y son los analistas los que deben traducir esa información en conocimiento para la toma de decisiones. Y esto conlleva una inversión importante en el dato como activo y pasivo del negocio. Por ello, cuando una métrica ‘se descontrola’, el deber del analista es saber qué es lo que ha pasado. Para encontrar respuestas, en la mayoría de los casos no es tanto bucear en la complejidad del análisis, como en conocer los factores, tanto internos como externos, que puedan estar afectando directamente a esa métrica. ¿Cuántas veces está relacionado el incremento o decremento de una métrica monitorizada de un deploy a producción con el lanzamiento de una campaña de email marketing que no ha sido notificada? ¿O cuántas otras puede ser causa de actores fuera de nuestra organización, como por ejemplo la actualización del algoritmo de Google?.

Sin duda, el ecosistema digital es muy complejo y hay muchas variables a tener en cuenta que no son controlables. Además, con la metodología Agile, la dependencia entre los equipos es menor por lo que existe mucha gente implicada en el proyecto que le llega al usuario final. Esto significa que existen múltiples causas que pueden estar afectando a las métricas. Por eso, una de las labores del analista es estar en contacto con estos equipos. Recopilar información es una forma de dar con la solución, aunque al haber tanta gente implicada, puede llevar mucho tiempo. Por eso, la mejor manera de tener un control es hacer uso de herramientas de anotación.

La solución: anotaciones automáticas

Existen procesos más o menos definidos para llevar el control de todo lo que sucede en el día a día de una organización. Anteriormente era con un CSV, pero ahora existen herramientas compartidas como Google Spreadsheets, las anotaciones de Google Analytics o Mixpanel. Todas estas anotaciones se hacen de forma manual pero, ¿y si se pudiera automatizar el proceso de recogida? Para poder resolver esto, desde SweetLabs crearon Context, la herramienta para automatizar directamente anotaciones de Google Analytics.

Context da un valor añadido a equipos que trabajan directamente con Google Analytics y que habitualmente se encuentren con variaciones en métricas de las cuáles no saben muy bien el por qué. Para poder crear este proceso, el primer paso que siguió el equipo de SweetLabs fue conectar los datos y automatizar su recogida para centralizarlos en un único lugar. Con esto lo que consigue es que cada vez que un ingeniero despliegue algo en producción, quede registrado con metainformación relevante para todos los equipos.

El segundo paso fue vincular la automatización a las métricas. En un primer momento, el equipo planteó la posibilidad de montar una interfaz para relacionar las anotaciones con las métricas, conectándose vía API con Google Analytics. Pero esto suponía contar con más herramientas, así que al final se optó por desarrollar una extensión para Google Chrome, la cual se conecta con el repositorio de anotaciones que luego son insertadas dentro de Google Analytics. Así se puede ir navegando por la Suite de reports o hacer análisis más en profundidad.

La cadena de valor del dato dentro de una organización es larga. Todo empieza en la recogida del dato y sigue con su procesamiento, limpieza, calidad y visualización para que llegue al consumidor final. Desde SweetLabs son conscientes de que con Context solucionan una parte muy específica dentro de la cadena de valor del dato. Pero para seguir avanzando, es importante incorporar en el ADN de las empresas la necesidad de tener un histórico registrado, ya que para el analista digital, todo cuenta. Un buen ejemplo se puede ver en empresas donde tienen el proceso de desarrollo externalizado. Para estos casos, contar con un proceso donde dejar todo registrado es vital. Y como no, en lo concerniente a las subidas de producción. En definitiva, es necesario invertir recursos en transformar procesos que son relevantes dentro de la cadena de valor del dato y adaptarlo a los tiempos que corren para generar eficiencias que permitan trabajar el dato más a escala.

¿Quieres que continuemos la conversación? Acompáñanos a Iñaki y a mi en este episodio de El Arte de Medir Podcast:

08 Oct 2019 | Análisis Predictivo

La inspiración desbloquea el futuro

¿No has pensado alguna vez lo fácil que sería tener una bola de cristal (que funcione de verdad), para predecir el futuro? En analítica digital, aunque no tenemos una ni contamos con profecías capaces de ver que va a pasar de aquí a 10 años, sí tenemos acceso a modelos estadísticos que nos ayudan a conocer la tendencia de ciertos eventos a corto-medio plazo: los modelos predictivos.

¿A qué nos referimos cuando hablamos de modelos predictivos? Esta ecuación está directamente ligada al análisis predictivo, definido como “un tipo de análisis que agrupa una variedad de técnicas estadísticas de modelización, aprendizaje automático y minería de datos que analiza los datos actuales e históricos reales para hacer predicciones acerca del futuro o acontecimientos no conocidos” *. En otras palabras, es un modelo que emplea datos históricos y patrones conocidos para predecir eventos futuros.

Con la llegada del Big Data y las estrategias data-driven, las empresas cuentan con uno de los elementos más importantes para trabajar con modelos predictivos: los datos. Y es que tener un histórico de datos es indispensable a la hora de emplear este tipo de modelos para que impacten directamente en el negocio. Para ayudarnos a conocer este impacto, cuento con la experiencia de Alejandro Doncel, CEO de KSchool; y de Chema Martínez-Priego, CEO de Rommel & Montgomery.

Prediciendo el negocio

Los modelos predictivos se están convirtiendo en una de las tendencias más populares dentro del mundo empresarial. Algoritmos, ciencia de datos y aprendizaje automático son conceptos que ya forman parte del imaginario de las empresas. Pero es importante partir de la premisa que el futuro es impredecible, sobre todo si analizamos un entorno tan caprichoso como es el corporativo. Por mucho que lo intentemos, conocer el porcentaje de crecimiento de una empresa de aquí a X años es imposible, ya que existen multitud de variables externas que afectan directamente al negocio y que no se pueden controlar.

Como es lógico, las organizaciones buscan incorporar este tipo de modelos dentro de sus análisis de datos, pero el problema es que hay entornos que son difíciles de predecir, aunque se parta con fuentes de datos bien trabajadas. No por medir más se obtiene más información. Por eso es importante tener claro qué se quiere medir, por qué se mide y con qué finalidad, ya que así se irán respondiendo paso a paso las preguntas de negocio.

Pero existen otros entornos dentro de las empresas, habitualmente más cerrados y controlados, donde los modelos predictivos sí son de gran ayuda, como en el caso de predecir una tendencia futura en base a un histórico, siempre y cuando se tengan muy claros los objetivos de negocio marcados. No es igual predecir el crecimiento de una empresa en la que el objetivo sea buscar un beneficio a partir de cubrir costes, que el de aquella que parte de un esquema de crecimiento lineal donde el riesgo dentro de la predicción es mucho mayor. Es por esto por lo que hacer un buen uso de los modelos matemáticos implica conocer cuáles son sus limitaciones. No sólo vale con recopilar la información y hacer el modelo, es necesario trabajar desde la fuente de datos. Al final, los modelos y sus predicciones serán tan precisos según sean los datos y los entornos en los que se basan.

Analítica predictiva y alertas

Como hemos estado viendo, la analítica predictiva es una gran aliada para detectar tendencias y pronosticar eventos, siempre y cuando se hayan establecido unos parámetros previos. Y también son una buena herramienta para la detección de anomalías. Por ejemplo, cuando se traza una predicción, en el momento en el que es detectada una singularidad, las métricas son las encargadas de avisar de que algo va mal y que es el momento de revisar el modelo.

En todo lo que implica los modelos predictivos, solo estamos viendo la punta del iceberg. Gracias a los constantes avances en analítica predictiva y en aprendizaje automático, este campo aún está por explorar y seguiremos pendientes de todos los avances de cara a la mejora del negocio de las empresas.

A continuación, acompáñame junto con Chema y Alejandro en este episodio del podcast de El Arte de Medir.

*Fuente: Wikipedia

¿Qué ha pasado en el último mes?

Estuve en el I Encuentro Social Business, organizado por la editorial Anaya Multimedia, en el cuál algunos autores de la colección Social Business compartimos conocimiento sobre el futuro del marketing digital, el negocio y mucho más.