¿Dónde está Avinash cuando se le necesita?

27 Nov 2018 | IoT Analytics

No todo lo que es de oro reluce, ni toda la gente errante anda perdida

Tras mi estancia en Texas este año, me he dado cuenta que en lo que respecta al entorno de la analítica digital, entre España y Estados Unidos no existe tanta diferencia como en principio parece. Pero cuando hablamos de Internet of Things Analytics (IoT Analytics), este paradigma cambia.

Y es que el análisis de los datos que proviene de sensores, dispositivos y otros equipos de almacenamiento y transmisión de información, se están convirtiendo en el Goliat de empresas tanto españolas como americanas que intentan, con mayor o menor éxito, beneficiarse de ello. Aunque es cierto que la variedad de datos que ofrecen estos dispositivos es menor, la cantidad de Terabytes con la que se puede trabajar es muy aprovechable. Pero para poder sacar el máximo beneficio a esta información, es importante contar con una buena infraestructura en IoT Analytics que ayude a agrupar qué datos son los verdaderamente útiles relacionado con el negocio.

Un ejemplo de cómo hacer un buen uso de IoT Analytics lo encontramos en Tesla. La multinacional americana de coches autónomos realiza un tratamiento de datos completo. Es decir, integran todos los datos que reciben de diferentes fuentes como sensores, datos de los coches autónomos, Smart Cities, etc.; y lo suman a una red de datos con la que son capaces de tomar decisiones de negocio mucho más precisas.

Este tipo de cultura del dato en España aún es difícil de ver, y aquéllas que lo hacen no lo comparten ya que no les interesa publicitarlo. Por suerte, se conocen algunos ejemplos de aplicaciones de IoT Analytics en algunos sectores como en gestión de residuos o el vinícola.

En estos casos, el uso que se está dando del IoT está directamente relacionado con su core business. Pero, ¿qué pasa cuando lo que se necesita medir no corresponde con el objetivo de negocio principal? En estos casos, también puede ser de gran ayuda.

Pongamos como ejemplo una empresa del sector retail cualquiera. Conocer cómo es el comportamiento de los usuarios en tiendas físicas o saber qué local es el más óptimo para alquilar dependiendo de la afluencia de personas que pasan por delante, son el tipo de datos ofrecidos por dispositivos IoT que, agregados a los obtenidos por otros canales, hacen que la foto del cliente sea mucho más nítida. De esta manera, se puede conseguir una estrategia de customer experience más personalizada y, en definitiva, un impacto con el usuario mayor.

Este es el tipo de integración de datos que ofrece IoT Analytics, es decir, una verdadera transformación digital.

Estas empresas también tienen que hacer frente a otro tipo de variables con las que por su modelo de negocio aún están sin explotar, pero que necesitan poner el foco para aprovechar todo lo que los datos ofrecen:

Saber que todos los datos bien estructurados pueden ayudar al negocio.
La analítica las alertas. Al igual que en el online, también se puede aplicar modelos predictivos para anticiparse a posibles problemas que puedan surgir. Es decir, hacer un uso de un Data Science de IoT.

Ante estas dos situaciones, son los analistas digitales los que tienen la oportunidad de demostrar todo su potencial y ayudar a estas empresas a seguir creciendo favoreciéndose de su expertise.

La inversión en infraestructura no lo es todo

Si una empresa quiere beneficiarse de todo el universo IoT Analytics, se puede encontrar con una traba ya conocida por las empresas: los costes. Y es que a día de hoy toda esta maquinaria exige un elevado volumen de inversión, sobre todo en lo que a redes, desarrollo y hardware se refiere. Pero gracias a la rápida evolución que se está empezando a vivir, se prevé que en pocos años esto ya no se considerará un problema.

Dejando el problema de los costes aparte, no hay que olvidar la parte del negocio. En El Arte de Medir siempre estamos insistiendo en esto, pero si no se tienen claros cuáles son los verdaderos intereses de negocio, toda esa inversión en infraestructuras de extracción de datos será inútil. Volviendo a Estados Unidos, aun llevando la delantera en IoT Analytics, también hay empresas que desconocen cómo gestionar los datos de manera exitosa. Al indagar en el porqué de este problema, la realidad es que en la fórmula les faltaba un elemento fundamental: herramientas de visualización capaces de mostrar las variables de negocio, o en otras palabras, un dashboard que refleje sus KPI’s.

Si te gustaría conocer más sobre IoT Analytics, te invito a que me acompañes junto con Eduardo Sánchez en formato podcast. Además, también puedes consultar este glosario de términos por si tienes alguna duda.

Glosario

Internet of Things (IoT): También conocido como Internet de las Cosas, es la red de dispositivos físicos que se encuentran interconectados entre sí a través de software, sensores, etc., generando así una gran transitoriedad de datos entre ellos.

IoT Analytics: Es la aplicación de análisis de datos y procesadores para comprender el valor de grandes volúmenes de datos generados por los dispositivos conectado de IoT.

Smart Cities: Todo tipo de desarrollo urbano capaz de responder adecuadamente a necesidades básicas de instituciones, empresas y habitantes, en diferentes aspectos. Uno de los proyectos más conocidos es el de Fukushima, cuando se repartieron aparatos de IoT para medir los niveles de radiación.

06 Nov 2018 | Analista Web

Recuerda mi amigo, el conocimiento es más fuerte que la memoria y no debemos confiar en lo débil

Hola, soy analista y me encanta mi trabajo, pero necesito ir más allá. ¿Cómo lo hago?

Esta afirmación cada vez la escucho más en el ámbito del análisis digital. Y no es para menos ya que el abanico de especialidades dónde puede desarrollar su carrera un analista es muy amplio. Y aún hay más. Cuando decides ser analista, sabes que vas a tener que estar al día en herramientas, modelos y conocimientos. En otras palabras, estar en un modo “aprendizaje on” constante. Ante este paradigma, ¿cómo es el modus operandi de un analista digital para estar al día sin morir en el intento?

El comienzo de todo analista es muy parecido: empiezas analizando datos de una sola fuente, por ejemplo de Google Analytics o Adobe. Pero un día necesitas profundizar más, es decir, buscas sacar todo el jugo a los datos. Para ello, no sólo es suficiente querer ser mejor, sino que significa tienes que adquirir:

El conocimiento global de la empresa y del negocio. Es vital saber qué es lo que estás analizando para que tus recomendaciones estén basadas en datos reales. Y por eso es muy importante conocer el negocio.
El conocimiento sobre las herramientas técnicas para poder realizar un buen tratamiento de los datos. No puedes limitar tus análisis de datos a una única herramienta, porque no tendrías una visión completa. Tienes que saber cómo incorporar nuevos datos a los ya obtenidos con el fin de conseguir una visión más cercana a la realidad.

Teóricamente todo esto está muy bien. Pero en la práctica, ¿cómo pasa el analista de ser un traductor de la herramienta a convertirse en un punto de intersección de datos, información y conocimiento del negocio?

Al principio, cuando necesitas incluir datos de fuentes externas de tu herramienta, (como datos offline o transaccionales); la primera opción a la que recurrir es Excel. Es muy útil para saber qué ocurre con los datos, pero no llega a ser suficientemente incisiva como para responder a cuestiones más profundas. Entonces investigas y descubres términos como data science, R y Python, modelaje de datos… y entras en un mundo del que no puedes (ni quieres) salir.

En esta etapa de desarrollo de nuevas aptitudes y conocimientos, existen vías indispensables para formarse. Una de éstas son los portales MOOC como Coursera, que aunque sus niveles entre módulos pueden estar un poco desajustados, ofrecen cursos especializados a un módico precio. Es un aprendizaje muy exigente ya que tienes que invertir mucho tiempo y esfuerzo, pero al final cuando eres capaz de hacer cosas como modelaje de datos y correlaciones, te das cuenta que merece la pena.

A partir de aquí descubres que la figura del analista puede ir mucho más allá y que puede aprender otros lenguajes, como R, sin miedo a lo que la estadística en sí implica. Y es que R es una buena solución para el analista. Es cierto que al principio no es una herramienta atractiva, con una apariencia bastante retro y una curva de aprendizaje difícil, pero cuando avanzas en su funcionamiento te das cuenta que vale la pena, ya que ofrece una flexibilidad en el tratamiento de datos que Excel no da. Cuando te implicas con este lenguaje, cada vez que realizas un análisis completo es imposible no hacerlo sin él. Y no sólo en el de tratamiento de los datos, sino también en el modelado, la visualización, etc…

Otra de las vías en las que poder desarrollar conocimientos es en las clases presenciales y en los libros. Uno muy recomendable para analistas y científicos de datos es Data Science For Business, que además de abordar la ciencia de datos aplicada al negocio; también da a conocer los tipos de algoritmos que hay, cómo funcionan, los tipos de aprendizaje, etc… Y todo ello sin mostrar líneas de código.

En definitiva, poder diseñar uno mismo dónde focalizar sus esfuerzos para el desarrollo de una carrera profesional, es la mayor ventaja que ofrece la analítica. No existe una única ruta a seguir, sino que hay tantas vías como disciplinas. Además, gracias a internet se puede encontrar mucho de lo que necesita el analista, pero siempre con precaución e informándose bien. Para no caer en cursos que a corto plazo no merecen la pena, es importante marcarse un objetivo. Así disminuyes el peligro de invertir mal tu tiempo.

El analista y el científico de datos

Desde el punto de vista profesional, es bueno que el analista incorpore a su conocimiento ciertos elementos para tener una visión más completa de la analítica digital, pero no es necesario que tenga que convertirse en un data scientist.

Ambos forman parte del engranaje de la empresa, y todo el equipo (analíticos, big data, data scientist) tienen que dar respuesta a sus requerimientos. Ya no hay límites entre la analítica digital y el data scientist, aunque hay mucho miedo a este término, aunque lo único que hace es impedir al analista digital ir más allá. Esto es un error. No se trata de ser una cosa u otra, sino de ir avanzando poco a poco para seguir adquiriendo conocimiento y facilitar la comunicación entre profesionales.

Aunque los límites entre el trabajo del analista y del data scientist cada vez son más difusos y las tareas se entremezclan entre sí, son roles diferentes. Al data scientist, por ejemplo, se le asemeja con la figura del unicornio ya que tiene que tener conocimiento de muchos campos. El analista no tiene que llegar hasta ahí, pero si necesita tener la inquietud de seguir avanzando con los datos, que unida a cierta dosis de creatividad, crea la fórmula perfecta que le hará plantearse ideas y modelos que, aunque no pueda resolver como analista, sí le servirán de ayuda para trasladar sus necesidades a las personas indicadas.

El futuro de la analítica

El día a día nos deja poco tiempo para la investigación, pero se está avanzando a pasos agigantados en todos los campos. Como por ejemplo, en todo lo relacionado con redes neuronales e inteligencia artificial, que gracias a los nuevos avances en machine learning, está en el punto de mira de la innovación.

En el ámbito empresarial también hay áreas de investigación, como en el desarrollo de sistemas de recomendación enfocados a cliente y que sean capaces de combinar métricas más avanzadas que ayuden a saber qué es lo que verdaderamente es importante.

Tampoco hay que olvidarse de las herramientas de blockchain analytics y todas sus aplicaciones, donde todavía hay un mundo por descubrir.

Ante tanto avance y nuevas ramas de desarrollo, es imposible para cualquier profesional abarcar todos los campos con profundidad. Incluso intentar saber de todo se convierte en un handicap dentro de una carrera profesional. Pero es recomendable contar con un background general como punto de partida.

Aquí te dejamos un listado de libros y cursos que te serán de mucha ayuda para avanzar en tu carrera profesional:

Libros:

Data Science For Business. Foster Provost y Tom Fawcett

R For Data Science. Garrett Grolemund & Hadley Wickham

An Introduction To Statistical Learning. Gareth James, Daniela Witten, Trevor Hastie & Robert Tibshirani.

Applied Predictive Modeling. Max Kuhn & Kjell Johnson.

Machine Learning for Hackers: Case Studies and Algorithms to Get You Started. Drew Conway & John Myles White.

Cursos:

Programa especializado Data Science – Coursera

Machine Learning Engineer Nanodegree – Udacity

Si quieres saber más de cómo seguir avanzando en la analítica digital, escucha este episodio con el que comparto mesa con dos grandes amigos: José Luis Loren, Digital Analytics Lead de Amway y José Ramón Cajide, Data Scientist de El Arte de Medir.

02 Jul 2018 | Estrategia

No es nada fácil cuando estás perdido, escuchar la música entre tanto ruido

A la hora de medir el branding y la estrategia de una marca, el storytelling es una herramienta que ayuda a traducir la historia que se quiere contar a cada cliente para conectar con ellos. Y por supuesto, medirlo en consecuencia.

Si la estrategia que se quiere medir es en redes, ¿cómo puede el storytelling ayudar al analista a conectar con los stakeholders; es decir, con las personas a las que puede ayudar a tomar decisiones, en base a contar dicha historia?

¿Quién soy? Comienzo del storytelling

Para poder hacerlo, el punto de partida es definir quién eres como marca. O en otras palabras, lo que vas a aportar a los demás en el foco emocional. Cuando esto lo tienes claro, lo siguiente es preguntar a tu cliente potencial quién es y dónde se encuentra. Es importante no hacerlo de una manera superficial, ya que es imprescindible conocer la historia que el cliente te cuenta. Cuando esté bien definido, es fácil conocer en qué puntos de contacto te vas a encontrar con él.

Aquí es cuando entra en juego el storytelling. Esta es la herramienta que te ayudará a diseñar la estrategia en cada uno de esos puntos de conexión. Para entenderlo mejor, es cómo poner a tu cliente en un tablero donde tú como marca, eres el guía. Tu misión es impactarle por diferentes vías: campañas offline, internet, redes sociales, etc; y la finalidad del tablero es facilitarte la narración de tu historia en cada uno de los puntos de conexión.

¿Y en qué momento necesitamos a la figura del analista? Justo ahora. Pero dependiendo de lo que precise el proyecto, hay dos vías por las que guiarse: verificar el comportamiento del cliente final; y contar el storytelling que la marca tiene con el stakeholder.

1.Todo lo que conecta tu marca con tu cliente, verifica que el comportamiento del éste está vinculado con lo que esperas.

Cuando hablamos de vinculación con un cliente, nos referimos a preestablecer cómo será el comportamiento de éste cuando llega a tu plataforma. Es importante verificar que navega por los caminos que le facilitas, para que así haga lo que quieres que haga.

Recopilada toda esta información, es el momento de trazar la estrategia. Ésta tiene que estar definida para todas las áreas implicadas. Por un lado el departamento creativo, quiénes centran la estrategia en buscar el lenguaje para conectar con las personas; y por otro el departamento analista, quienes construyen la estrategia a partir de los datos. Esto servirá para actuar en el tablero que estableciste previamente.

Cuando el analista le pasa la información al creativo, éste tiene que construir una historia con la que dar solución a sus necesidades. Y sin una estrategia, esto no es posible. Y no nos podemos olvidar de as métricas, cuantitativas y cualitativas. Éstas también juegan un papel fundamental dentro de la estrategia. Es muy importante observarlas, ya que muestran comportamientos que en muchas ocasiones no son verbalizados por los clientes; (como, por ejemplo, leer un diario o ver un programa de televisión que les da vergüenza reconocer).

Toda esta información es muy importante. Por eso, hay que contar con las herramientas adecuadas para medir tanto lo que dicen cómo lo que no. Por ejemplo, si necesitas saber quién habla con quién, Twitter es muy útil ya que tiene herramientas que se conectan entre sí como si fueran un mapa neuronal.

También existen herramientas que analizan como se distribuye la información en grupos más cerrados que usan lenguajes encriptados, como en casos de redes pro anorexia y bulimia. En este ejemplo, y gracias a la combinación de herramientas, se pudo indagar en el sentimiento real de un tweet que previamente parecía inofensivo. En este punto no hay que olvidar que, aunque se cuente con muchas herramientas, siempre tiene que haber una mente detrás que sepa lo que hay que analizar para poder realizar acciones. Si ponemos como ejemplo un análisis semántico de comentarios, como en el caso anterior, no hay ninguna herramienta a día de hoy 100% fiable.

Y es que la semántica es un punto clave en todo proceso de branding. Siempre hay que contar con alguien que monitorice, no sólo la cantidad de veces que hablan de una marca, sino también lo que se dice de ella. La clave de la creatividad es unir puntos inconexos, y a día de hoy eso es imposible automatizarlo. Otro factor a tener muy en cuenta es el Real Time. Un gran ejemplo se puede ver en los analistas de medios. En su trabajo necesitan ver lo que está sucediendo en el mismo momento de la acción. Esto es vital en la toma de decisiones sobre la estrategia que están analizando. Por esto, siempre es preciso contar con una tecnología capaz de ayudar a la estrategia.

2.Storytelling de mi marca con el stakeholder.

Cómo analistas, nosotros vemos al cliente de la marca como un stakeholder al que facilitarle la información que necesite para hacer su trabajo. Y esa información se la tengo que entregar de forma que la entienda. Para facilitar el trabajo al resto del equipo, tenemos que transformar los datos y extrapolarlos a un lenguaje que cuente las historias de las personas que están detrás de esos datos. En otras palabras: hablar un mismo idioma de negocio y de análisis.

Para ello es necesario que todos las implicados en el proyecto conozcan su rol. Así será más fácil llegar juntos a un fin común. Y en el caso del storytelling hay que entender:

El proyecto.
A tu cliente.
Al potencial cliente de este cliente.

El storytelling sirve para dar vida a esos números dentro de una historia que es lo que la gente recuerda.

A continuación, puedes escuchar la conversación que mantuve con Ana Álvarez, consultora creativa.

18 Jun 2018 | Análisis Completo

Cuando al punto final de los finales no le siguen dos puntos suspensivos

Cómo analistas, cuando afrontamos una campaña offline, uno de los grandes desafíos al que nos enfrentamos es conocer su repercusión e impacto y reportarlo al entorno online. En El Arte de Medir estos desafíos son los que más nos gustan. Por eso hoy queremos presentar junto con nuestro cliente Waynabox, un Business Case sobre la optimización de una campaña publicitaria (offline); y su impacto en el tráfico a la web (online).

El reto

Waynabox es una empresa que organiza viajes sorpresa a través de internet. Para darse a conocer, concertaron una campaña en televisión de captación y branding destinada a la acción, la cual se iba a traducir en el tráfico a su web y a su aplicación móvil. Nuestra misión: ver el impacto real de esta campaña offline en su entorno online.

Antiguamente se montaban las campañas teniendo en cuenta el impacto del tráfico directo en las métricas más habituales. Pero en El Arte de Medir queríamos conocer el impacto real y ponerle cifras; (o hacer la estimación más cercana posible). Así que la primera pregunta con la que empezamos fue: ¿qué datos son los verdaderamente importantes?

La labor del equipo Data Science

Establecer una línea base de comportamiento

Antes de empezar con nuestro análisis, Waynabox llevaba midiendo el comportamiento de los usuarios de su web desde hacía varios meses. Esto se convirtió en una fuente inestimable de valor, ya que se pudimos establecer un histórico de patrones de conducta. Esto permitió sentar una línea base de comportamiento con la que analizar como los usuarios habían interactuado en campañas anteriores.

Con este flujo de datos, y teniendo en cuenta de antemano lo difícil que es etiquetar el tráfico offline que llega a una web; la primera aproximación que se hizo fue filtrar todo el tráfico para saber cuáles eran los principales canales por los que aterrizaban los nuevos usuarios a la web. Una vez identificados, se estableció la línea base de comportamiento y se comparararon los datos que llegaban de la campaña de publicidad. Esta acción estimó el impacto que la campaña publicitaria estaba ejerciendo en la web de Waynabox. Es importante destacar que no sólo se midió el tráfico, sino que también intervinieron otras métricas a nivel de negocio, como el engagement con los usuarios, las transacciones, etc.

Correlación y medición de variables: el efecto recuerdo

Al conocer los datos de navegación de los usuarios y los datos proporcionados por la presión publicitaria en televisión (franja horaria, audiencia alcanzada, número de anuncios del bloque, el tipo cadena, etc.); se pudo correlacionar todo con el impacto de las métricas online. Ya lo dice el refrán: cuantas más variables haya, más rico es el resultado.

Todo este proceso se realizó a través de un modelado estadístico que trasladó los datos a una fórmula que nos ayudó a: explicar el tráfico de la web, los usuarios interesados en los productos, las reservas de viajes, etc. En este punto hay que añadir un paso intermedio muy importante; la visión del analista como parte integrante del negocio para ver qué variables son las que pueden afectar a la consecución final y decidir cómo hay que modelarlas.

En nuestro caso, hubo una variable decisiva. Partiendo de la premisa que un anuncio no se puede correlacionar en tiempo directo de la emisión en televisión con el acceso del usuario a internet, tiene que existir un efecto recuerdo, el cual que tiene que ser modelado.

Así, con este efecto recuerdo, se modelamos una variable que calculó el ratio de recuerdo que tenía para los usuarios el anuncio, teniendo siempre en cuenta la oscilación en función de la fecha y hora de emisión. Una vez obtenida esta variable, se incluyó en el modelo global para correlacionarla a alto nivel de lo que sucede entre el offline y en el online. Ante este punto, el gran trabajo fue determinar qué se iba a incluir.

Recomendaciones a nivel de negocio

El análisis previo de los datos fue vital. En todo proceso de modelado estadístico, surge una gran cantidad de información muy importante a nivel de negocio que hay que saber correlacionar. En nuestro caso, y gracias al efecto recuerdo, se pudo contar con una base con la que poder optimizar de cara a futuro.

Al tratar de estimar el impacto de la campaña publicitaria, incluimos variables como las horas de los anuncios, la posición, el día de la semana, etc.; lo que nos permitió evaluar cuales eran las mejores horas y días de emisión. Estas recomendaciones estaban directamente relacionadas con el impacto y las conversiones.

La labor del equipo de Data Analysis

Gracias a la elección de las variables adecuadas, cuando llegó el momento de realizar el análisis, el trabajo fue mucho más fácil. Se pudieron exprimir los datos de una manera óptima para sacar conclusiones muy claras relacionadas con las horas de emisión y días de la semana que mejor funcionaban. A su vez, se correlacionaron estos datos con las visitas a la web, y lo que era más importante, el número de accesos al proceso de compra.

Transmisión de conocimiento

Un punto a parte fue el relacionado con la transmisión de conocimiento; es decir, lo que proporcionaba el modelo estadístico con recomendaciones de negocio. Esto se llevó a cabo con periodicidad diaria debido a la fluctuación del perfil del usuario. (Por ejemplo, el público que ve la televisión por la mañana no es el mismo que el que la ve por la noche).

En base al modelo global y los datos que proporcionó Waynabox, se pudo establecer qué días de la semana funcionaba mejor un anuncio determinado. Además, constatando todos estos datos con los reflejados por Google Analytics, se realizaron diferentes recomendaciones acerca de qué franjas horarias y qué posición en la parrilla de anuncios eran los más óptimos para invertir.

Conversión a futuro

Por último, otra de las variables a tratar fue la conversión a futuro. Waynabox es una web de viajes diferente y en este caso la variable recuerdo jugó un papel fundamental. El modelo realizado por el equipo de data science estimó la previsión en cuanto a tráfico web y conversiones que se esperaba si no hubiera habido campaña, y cuál era la real.

Nuestro análisis determinó que tras la campaña hubo:

Un aumento del tráfico de visitas a la página web.
Un aumento del tráfico de visitas al proceso de compra.
Un ligero aumento de las ventas, pero no significativo.

Ante esto se concluyó que la campaña no se vio traducida inmediatamente en conversiones, cómo sí se vio beneficiada en sesiones. Esto fue debido a que los usuarios de Waynabox tienen un proceso de maduración de compra más largo en comparación con otros productos.

Si quieres conocer más detalles de este Business Case, puedes escucharlo a continuación de la mano del equipo de El Arte de Medir, José Ramón Cajide, Data Science & Big Data Analyst; y Jorge Llorente, Digital Analyst.

04 Jun 2018 | Talento

A veces no basta con saber qué significan las cosas, a veces tienes que saber que no significan

En plena transformación digital, los modelos educativos centrados en el contenido se están quedando obsoletos. Es por ello que cada vez están tomando mayor relevancia los modelos dónde la colaboración y las emociones son los pilares principales para una adquisición del aprendizaje más efectiva y acorde a las nuevas tecnologías. Para ahondar en este tema, hoy os doy a conocer Neurok, un proyecto liderado por Agustín Cuenca, CEO de ASPgems, el cual viene a presentar un nuevo concepto: la NEURODIDÁCTICA.

El modo de aprender está cambiado y las necesidades de formación están en aumento. Antiguamente, el modelo de educación se basaba en pasar una media de 22 años de nuestra vida formándonos; pero hoy día, aunque seguimos estudiando los mismos años, si no empleamos un 15% más de nuestros esfuerzos en seguir aprendiendo cada día, a la velocidad de conocimiento en la que se mueve la sociedad, en 3 años nos quedamos obsoletos. Ahora nos encontramos con la posibilidad de aprender cuando queramos sin tener que desplazarnos, aunque siempre contando con alguien que reflexione sobre nuestro proceso educativo.

Si nos ponemos a recapacitar en el modelo de aprendizaje que se usa en la mayoría de colegios, este está basado en la figura del aprendiz, es decir, por imitación. Pero con el avance de la sociedad y la evolución del aprendizaje y los medios digitales, el modelo se está quedando obsoleto. Existe una necesidad inminente de adaptar el método educativo a estas nuevas tendencias.

Para dar respuesta a esta necesidad nace Neurok; una plataforma de formación online que dista del concepto de aprendizaje e-learning conocido hasta ahora. En Neurok no se pretende digitalizar la enseñanza, sino que se centra en aprobar el impacto digital para transformar el proceso educativo bajo unos principios neurocientíficos.

¿Y cuáles son estos principios? El principio básico es que el aprendizaje es un cambio de estructura del cerebro. En el proceso de aprendizaje, se refuerzan o se debilitan conexiones neuronales a través de la “mielina” (grasa encargada de reforzar dichas conexiones). Por lo tanto, estos procesos de cambio son puramente fisiológicos y requieren de una determinada estructura. Evolutivamente, nuestro cerebro está diseñado a sobrevivir en un entorno hostil. Esto hace que las emociones y el aprendizaje estén íntegramente relacionados. Pero a día de hoy no existen herramientas que empleen las emociones como proceso de aprendizaje. Todo está centrado en el contenido.

Y aquí es donde innova Neurok. Mide la participación, los niveles de engagement y de posicionamiento grafo social dentro de la comunidad de aprendizaje para dar al profesor herramientas que gestionen todo este proceso. Con estas métricas, el stakeholder es el propio profesor, el cuál es el encargado de diseñar el método de aprendizaje más efectivo para cada uno de sus alumnos.

En otras palabras, lo que tiene en cuenta Neurok es:

La gestión de la motivación: La motivación para aprender es un elemento sustancial. Ninguna herramienta tiene métricas de motivación ni de participación, y eso hay que cambiarlo.
El aprendizaje colaborativo: Nuestro cerebro está diseñado para aprender en equipo. El sistema empleado en los colegios de individualizar el aprendizaje va a la contra de la capacidad de colaboración. Hay que diseñar la colaboración como parte sustancial del proceso de aprendizaje
“Aprender haciendo”: Es un elemento que no se está teniendo en cuenta por el protagonismo que tiene el contenido.

Por esto, el cambio que propone Neurok es el basado en la filosofía “Lifelong learning”, es decir, hay que aprender toda la vida. Y la mejor plataforma para ello, tanto por costes como por alcance, es el e-learning.

Compartir crea valor

Uno de los problemas a los que se enfrentan las herramientas de e-learning es su desprestigio. Existe mucho contenido de fácil disposición que no aporta valor. Pero para salir de esta generalización, el quid está en la diferenciación a través de todos los aspectos anteriores que hemos comentado.

Una de las mejores propuestas para solventar este cambio son las comunidades de aprendizaje por colaboración. En analítica web, por ejemplo, se están generando comunidades de miles de usuarios que comparten información de herramientas, como R. En estos casos, son sus miembros los que hacen evolucionar a la propia herramienta, poniendo a disposición del resto de usuarios su conocimiento, ayudando así a que todos los componentes de dicha comunidad evolucionen conjuntamente.

¿Cuáles son los planes de evolución de Neurok?

Actualmente, las dos líneas a seguir son:

Mejorar las métricas. Es muy complicado medir el aprendizaje, por lo que se está intentando extraer el tipo de contribuciones de cada alumno. Para ello, el conocimiento que tiene el profesor de sus alumnos es la función que se quiere trasladar a una máquina. Esto es posible gracias, por ejemplo, a las herramientas de analítica de aprendizaje, las cuáles sacan los datos en base al análisis de texto a través de tags cloud.
Las métricas de redes sociales. O en otras palabras, saber identificar al usuario adecuado del cual extraer el conocimiento. Este aspecto se basa en el posicionamiento social de cada alumno: dependiendo de sus comentarios, la frecuencia de estos, las reacciones que obtiene,… Así, se busca desarrollar métricas para averiguar si existe correlación entre el posicionamiento de un alumno en la red y su nivel de aprendizaje.

Aquí es donde entra en juego el learning analytics, el cuál nos ayudará a percibir si realmente se está produciendo el aprendizaje.

A continuación puedes escuchar toda la conversación que mantuvimos Agustín y yo: