Categoría: Analista Web

17 May 2017 | Analista Web

Sin problemas el hombre no hubiese evolucionado y la herramienta clave ha sido la creatividad

La disciplina del analista digital es relativamente nueva. Este hecho nos lleva a que no esté claro sobre cómo se puede evolucionar bajo este rol, y que resulte complicado asímismo definir el camino a seguir para configurar un plan de crecimiento.

Además, se caracteriza por la amplitud de ámbitos hacia los que permite enfocarse: desde el análisis puro, big data, temas de optimización, marketing y captación, etc…

Tampoco hay que olvidar que un analista puede traer consigo experiencia en otras áreas muy distintas como marketing y publicidad, contenidos, business intelligence o data mining, negocio… , lo que le aporta cierta ventaja frente al resto de potenciar aquello en lo que tiene background.

Diferentes fuentes afirman que un analista debe disponer de las siguientes tres competencias: visión de negocio, un importante perfil técnico, y una capacidad analítica bien musculada.

Sin embargo, la perspectiva es distinta:

– En el caso de una persona que accede por primera vez al mundo de la analítica digital: debe pensar hacia qué lado inclinarse. Es difícil encontrar una persona con las tres disciplinas muy desarrolladas.

– En el caso de una persona que ya haya caminado como analista, se habrá dado cuenta de cómo esas tres habilidades deben estar presentes en su día a día, de tal forma que sea necesario buscar evolucionar en aquello en lo que se sienta cómodo, reforzando aquello que le motiva.

Hace unos años, la figura del analista consistía en trabajar sólo, pero con el tiempo ésto ha cambiado y ha evolucionado: ha pasado a trabajar en equipo, de tal forma que logre encontrar el equilibrio más fácilmente. Por ejemplo, en caso de no ser fuerte en alguna de las tres parcelas nombradas anteriormente, es posible buscar personas que cubran esa carencia y hacer que el equipo se complemente.

También es importante trabajar en los llamados soft skills:
– El trabajo en equipo
– Roles basados en el liderazgo, capaces de impactar en las distintas áreas de la empresa proporcionando valor
– Disponer de capacidad de síntesis y comunicación, de tal forma que sea capaz de poner orden y lógica hasta los más altos mandos

Los Analistas Digitales en España son considerados agentes de cambio, ya que ayudan a evolucionar a las organizaciones o empresas para que el dato esté en el centro de la toma de sus decisiones. Les ayuda a ir un paso más allá. Hay que decir también que en otros países este recorrido está más avanzado.

Sin duda, la forma de evolucionar que tiene un analista, es ir buscando lo que a uno le gusta, no cerrando las puertas a nada, ya que el camino se va viendo con lo que se va construyendo. De hecho, es habitual que el analista digital no disponga de responsabilidades fijas, sino que éstas varíen en función de la empresa que trabaje, pudiendo tener unas atribuciones u otras.

Una vez que el analista digital ha identificado lo que le gusta, existen diversos métodos que le pueden ayudar a avanzar en ese camino. Por ejemplo, accediendo a cursos de distintas plataformas, eventos, vídeos de youtube, libros, blogs, etc…

Puede suceder también que se encuentre que no haya nada escrito sobre un tema novedoso, y esto le lleve a una labor de investigación. No hay duda de que todo analista debe mantenerse en formación continua de las distintas técnicas, metodologías o tendencias, haciendo pruebas de concepto. Lo que vale hoy, habrá que ver si funciona mañana.

Adicionalmente, el aprendizaje está muy vinculado no sólo a negocio sino también a las nuevas tecnologías. De hecho, la finalidad última se basa en entender cómo los datos ayudan a evolucionar el negocio.

En definitiva, la labor fundamental del analista debe centrarse en dar respuesta al negocio a partir de las preguntas adecuadas, y dichas preguntas han de venir acompañadas de grandes dosis de sentido común. La empatía del analista con el negocio es imprescindible: un análisis muy potente que no cambia algo, de poco sirve.

Hablo de esto con Ana Soplón y Gema Mora en el podcast de OndaCRO en PRNoticias:

Esta semana pasada salimos en la Revista Capital hablando sobre lo importante que es invertir en que los datos sean un activo más de la empresa, no solamente invertir en Tecnología: Artículo Capital

22 Mar 2017 | Analista Web

La varita escoge al mago, recuérdalo…

Un tema que me llama poderosamente la atención en los tiempos que corren es precisamente la soberanía de datos en las empresas. Esto es muy importante, puesto que si la herramienta es gratuita… ¿cabe preguntarse si entonces el producto es uno mismo?

Las grandes empresas que están triunfando en la última década (y no existían antes del año 2005), casi en su totalidad tienen en sus DATOS un activo muy importante tanto para su desarrollo de negocio como para su relación con el cliente.

Por lo que… los datos… o mejor dicho… la INFORMACIÓN, es un elemento clave para una empresa. ¿Tiene sentido que tengamos nuestra información en sistemas que no nos pertenecen?

La audiencia de nuestros sitios puede convertirse en el producto por el que a una empresa le puede interesar desarrollar una herramienta gratuita. Y aquí empieza el problema. ¿Por qué unos nos dan una herramienta gratis y otros no?

Empecemos por el principio. Hay dos grandes escenarios en las herramientas gratuitas que hay en el mercado:

El escenario de los que buscan hacer publicidad y vender algo
El escenario de los que buscan audiencia para colocar la publicidad

En el fondo, muchas empresas todavía no consideran que se han convertido en medios de comunicación. Si mi audiencia es el producto… ¿Quién la paga y quién la compra? Nosotros tenemos datos sobre nuestro público, su experiencia, incluso sobre los clientes y productos/servicios… en herramientas de analítica, de remarketing, etc… La potencia de esto es la información.

Tenemos mucha información en nuestras herramientas que a su vez se cruzan con otra información que tienen estas grandes compañías en sus sistemas para tener un nivel máximo de información. Información que puede ser utilizada en tu contra, incluso se puede en un futuro cercano convertir en competidor tuyo.

Hay un elemento interesante: se puede vender la audiencia a los competidores de forma indirecta, uno compra también por ella haciendo campañas de publicidad. Por lo que al final, el proveedor de publicidad tiene datos reales que le permite ir optimizando lo que uno ya está pagando. El gran componente de la soberanía de datos, que al final depende de los directivos de la empresa es precisamente uno de los activos más importantes del negocio: La información. Sus datos.

Es importante dar información, pero es imprescindible saber en qué condiciones, a quién, sobre qué tipo de audiencia. Sobre todo es información delicada toda aquella que atañe a nuestros clientes, a nuestra base fidelizada. Además, si no tenemos la soberanía de datos probablemente no podremos actuar sobre la información de la forma que realmente necesitamos. El punto importante es ser capaces de decidir qué parte de la información podemos compartir.

¿Y cuál es el papel del analista entonces?

El enfoque de la analítica tradicional ya no es suficiente, lo que se hacía al principio de nacer esta disciplina no sirve. Antes el analista se dedicaba a generar una serie de informes y distribuirlos en la organización, rezando para que alguien les hiciera caso y tomara decisiones en base a las conclusiones de dichos informes. Ahora el proceso ha mejorado ya que ahora los informes son específicos, ligados a un punto del negocio como puede ser un embudo de conversión, el rendimiento de una determinada campaña, etc…

Se hacen análisis sobre algo específico y se distribuye en la organización. El problema es que este no debe ser el objetivo. La promesa de la analítica no debe ser hacer un informe para solamente poder tomar decisiones sino ser capaces de interactuar con el usuario de manera personalizada basándonos en datos.

El foco ya no es el entorno, ahora es el usuario o el cliente. Las herramientas avanzadas de analítica ahora sí son capaces de identificar a la persona y poder actuar en tiempo real. El rol del analista cambia radicalmente, vamos a ser parte activa de la solución más que simplemente señalar un problema. Se puede actuar sobre un determinado segmento de clientes o incluso sobre un determinado cliente, un ejemplo característico es el recomendador de productos según su historial de visitas o compras.

La analítica digital está cambiando constantemente y ahora mismo se debe centrar en trabajar con la información almacenada en las herramientas a nivel de usuario y usarla para generar negocio. Si la tecnología no permite llegar a este punto, el analista está vendido.

Una nueva visión de la regla 90/10 (90% del presupuesto en personas por el 10% en tecnología) de Avinash Kaushik que hemos comentado en anteriores ocasiones. Ya que sin la tecnología adecuada no se puede ir más allá. El analista está limitado si en la empresa no existe una apuesta por la tecnología por lo que un 90/10 no parece lo más adecuado para cumplir los objetivos de la empresa. ¿Hemos cambiado el 90/10 por un 75/25? ¿Qué opinas?

Hablo de estos temas con Diego Semprún en el podcast de PRNoticias en Ondacro:

También estuve de invitada para hablar de Data Science en Capital Radio hace un par de semanas, aquí os dejo el link por si os interesa: (a partir del minuto 39)

16 Ene 2017 | Análisis Completo, Analista Web

El camino verdadero pasa por una cuerda, que no está extendida en alto, sino sobre el suelo. Parece preparada más para hacer tropezar, que para que se siga su rumbo.

Seguimos con la explicación del método MAMBO para el trabajo del analista o científico de datos. Ya explicamos hace unos días la (M) de Meditar sobre el negocio, la (A) de Adquisición de datos y hoy tenemos por delante explicar la (M) de Manejar los datos. ¿Preparados?

Esta fase es la que tiene más miga desde hace unos cuantos años. Hasta ahora, el analista tomaba los datos de la herramienta de analítica que tocara, Google Analytics por ejemplo, y empezaba a buscar insights directamente en dichos datos. Ahora no, ahora es más complicado pero mucho más divertido 🙂

Desde que entró en escena el Big Data, no basta con tomar los datos de la herramienta como si en ellos estuviera la verdad absoluta. Ahora toca extraer los datos de todas las herramientas disponibles, tratarlos, cruzarlos, limpiarlos y dejarlos listos para empezar a trabajar. Es una parte del proceso absolutamente decisiva, pues será el momento en el que detectemos si la calidad de los datos es suficientemente buena para seguir avanzando. Además, exploraremos la información para descubrir si ofrece lo que necesitamos para los siguientes pasos y validaremos que tenemos todos los datos para el análisis. Esta clase de operaciones, en general, están más cerca de perfiles ‘data scientist’ (científicos de datos), que están más cerca de la capa técnica que los analistas, que están más cerca de la capa de negocio.

De ahí que no me vaya a centrar ahora en hablar de herramientas para la preparación de los datos, sino en las diferentes operaciones que vamos a llevar a cabo sobre estos datos para poder avanzar en nuestra metodología. Por tanto… ¿Qué se plantea el analista, cuando tiene que enfrentarse a un análisis y encontrar respuestas a las preguntas de negocio? Lo primero que realizamos es un análisis exploratorio de los datos. Este análisis consiste en la comprobación de los formatos de las distintas variables que tenemos en nuestro conjunto de datos, se visualizan las primeras y las últimas filas y realizamos una descripción básica a nivel estadístico, valores medios máximos, mínimos y desviaciones.

El siguiente paso sería comprobar los ‘outlier’, es decir, los valores atípicos o valores extremos. Tendremos que buscar los valores extremos o atípicos, para que estos valores pueden ocasionar un análisis erróneo. Podemos hacerlo con algún método exploratorio básico, incluso graficando los datos, o con un modelo matemático que los detecte automáticamente en base a cálculos sobre desviaciones típicas o dispersión.

Otra de las situaciones con las que nos encontramos, es la de la existencia de valores anómalos, que no tienen por qué corresponderse con valores extremos. Estos valores muchas veces están enmascarados en nuestros datos y son una fuente de información muy valiosa.

El siguiente paso consistirá en añadir nuevos datos a nuestro ‘dataset’, incorporar nuevas variables fusionando distintas fuentes de los mismos. Del mismo modo, una de las partes que más tiempo consume al analista es la relacionada con la integración de datos de otras fuentes. En ocasiones, nos enfrentaremos a la necesidad de unir datos de nuestra herramienta de analítica con el back up interno de la empresa, que puede ser un CRM, RP u otra fuente de datos disponible. Estas operaciones pueden ser tan sencillas como hacer una unión entre tablas, el problema surge cuando no tenemos identificadores, variables o claves únicas por las que poder relacionar conjuntos de datos distintos.

El objetivo de esto es poder realizar análisis más ricos y potentes, creando cuanto más contexto mejor y obteniendo una foto mucho más completa de lo que necesitamos para empezar a buscar insights.

Por último, no hay que olvidar la ordenación de los datos y la limpieza de los mismos. Ordenar entiendo el concepto como poner todos los datos en un formato común para poder trabajar con ellos desde la herramienta de procesamiento elegida (R, Python…). Estas herramientas funcionan de manera más eficiente con datasets simplificados con pocas columnas pero muchas filas.

En resumen, el objetivo de esta clase de técnicas como comprobar los valores atípicos o incorporar nuevas fusiones de datos u ordenar el dataset o simplificarlo, no es otro que el de preparar los datos que extrajimos en el paso previo para comenzar a Buscar en los datos, que es el paso siguiente de nuestra metodología MAMBO.

Si quieres profundizar más en el concepto del manejo de los datos, puedes escuchar este podcast en PRNoticias sobre este tema 🙂

25 Nov 2015 | Analista Web, Big Data

Las ideas no tienen importancia alguna. Las ideas son el uniforme vistoso que se les pone a los sentimientos y a los instintos. Una costumbre indica mucho más el carácter de un pueblo que una idea.

Vivimos en un tiempo en que estamos engañándonos con todo el auge de Big Data y las empresas haciendo alarde de su cultura orientada a datos. Como dice el director de research de Google Peter Norvig «No tenemos mejores algoritmos, simplemente tenemos más datos». Por eso creo que el salto diferencial en estos tiempos no está tanto en la tecnología como en los sistemas de integración y tratamiento de los datos, que es lo que realmente cambia la forma de hacer las cosas.

Es mucho más interesante y accionable decir «Vamos a analizar conjuntamente los datos de CRM y los de la experiencia de usuario para poder entender mejor la relación que el cliente tiene con nosotros» que «Vamos a hacer Big Data».

Al principio, la analítica trataba de gestionar la información tradicional y dar soporte a las decisiones internas. El Big Data es algo diferente ya que en lugar de hacer informes y presentaciones que permitan tomar decisiones a los sakeholders, los científicos de datos normalmente profundizan en diferentes tipos de datos por medio de algoritmos para poder optimizar servicios y productos, encontrar nuevas líneas de negocio, etc…

Un analista toma un histórico de datos, lo prepara y analiza, encuentra un modelo que le permite elaborar una o varias hipótesis y según los resultados obtenidos recomienda una acción o varias acciones al stakeholder. Los analistas trabajan en todas las fuentes posibles de datos para encontrar nuevos patrones de comportamiento, alertar sobre las anomalías y los cambios y ser capaces de actuar en consecuencia.

Sin embargo, en Big Data, los datos no es tanto un bloque de histórico sino que se asemeja más a un continuo flujo de información. Los científicos de datos trabajan con la tecnología, más que para encontrar la estabilidad y conformar una estrategia, para descubrir nuevos métodos de interacción con las máquinas y poder tratar todos los datos disponibles por otros medios. Aunque sigue siendo necesario practicar un análisis y actuar sobre los datos para entender qué hacer no se debe proceder de la misma forma. Básicamente porque no es posible 🙂

Se ha generado y se está generando tal cantidad ingente de datos que no hay tiempo suficiente para analizarlos, por lo que el objetivo es analizar los datos con la mínima intervención humana, para poder llegar a tener la agilidad suficiente como para ser capaces en el mínimo tiempo posible de encontrar vías de afrontar lo que nos vamos encontrando.

El Big Data nos puede ayudar mucho en la parte de tomar mejores decisiones, ya que el valor primario es añadir nuevas fuentes de datos para encontrar modelos descriptivos y predictivos. Es decir, si tenemos datos de lo que nos compran los usuarios, seguramente podemos añadir los datos del servicio al cliente, los datos de devolución de productos, los datos de lo que comentan los compradores en redes sociales, etc… Lo que quiero decir con esto es que la clave para tomar mejores decisiones es ir añadiendo contexto e información a los datos primarios. Si solamente tenemos una fuente de datos, nuestras hipótesis van a ser más básicas que si contamos con otros tipos de datos que nos ayudan a entender la situación y a predecir qué puede pasar si realizamos esta acción o esta otra.

Un ejemplo de la importancia de añadir más información a los datos primarios es el caso de Amadeus, la compañía de sistemas de viajes online. Sacó hace unos meses un servicio llamado «Featured Results». Tomaba en cuenta el ratio look-to-book, el número de búsquedas por reserva de vuelo, precios en las distintas aerolíneas, además de los registros de ventas Estamos hablando de varios cientos de millones de filas de datos. En base a todos estos datos, Amadeus presenta los 4 mejores itinerarios en que el usuario puede estar interesado y se los presenta de forma personalizada. La agencia en la que probó este nuevo servicio mejoró un 20% el ratio de reservas como resultado de búsquedas. Este servicio es solamente posible tratando la información con algoritmos que permitan en el momento de la búsqueda encontrar opciones que se ajusten a la petición del usuario. Tanta cantidad de datos solamente puede ser tratada por un científico de datos con la tecnología adecuada.

El Big Data nos da la oportunidad de crecer, de llegar a optimizar muchas decisiones puesto que nos permite conocer de manera más profunda el entorno del negocio. Lo que está sucediendo ahora es que se utiliza tanto los análisis realizados por especialistas como los automatizados como base, pero esto puede cambiar en los próximos años puesto que cada vez vamos a recoger más datos y los sensores están para quedarse. La diferencia estará en saber qué hacer con esos datos, no en recolectar datos de forma ambigua sin que lleguen a tener nunca un impacto en el negocio.

¿Y cómo lo hago? Lo primero, al igual que con la analítica es sentarnos para determinar la mejor estrategia en Big Data. Lo importante es tener claros nuestros objetivos. De ahí el comienzo de mi post de centrar las acciones y las preguntas que queremos contestar. ¿Qué es lo que necesita la empresa? En los negocios se busca tener datos para aportar tres tipos de valor: reducción de costes, tomar mejores decisiones y la optimización en productos, servicios y entornos. ¿Dónde entramos nosotros?

Los negocios que suelen adoptar mejores estrategias a la hora de pasar de análisis de los datos a Big Data empiezan como comentaba anteriormente, cuando se pretende aportar al análisis básico nuevas variables de sistemas no estructurados y de fuentes totalmente distintas a las transaccionales, para así tener hipótesis mucho más enriquecidas y que den lugar a la toma de decisiones más sólidas.

El objetivo sigue siendo el mismo: tomar decisiones, pero las herramientas son diferentes.

Ahora mismo se pueden utilizar tecnologías que analizan sentimientos de usuarios o llamadas al callcenter y transforman la información que antes no se podía procesar de manera eficiente en datos que sí pueden servir para identificar a los clientes descontentos, por ejemplo. O ser capaces de entender el uso de diversos canales y dispositivos que el cliente utiliza antes de comprar. Este análisis incluyen datos estructurados, semiestructurados y completamente desestructurados y eran complicados de gestionar en empresas que disponen de muchos potenciales clientes. Cada vez es más fácil ahondar en esta maraña de datos, con la tecnología adecuada y los perfiles adecuados.

Por lo que la diferencia está clara, el análisis tradicional se basa más en la optimización y el análisis de Big Data se basa más en el descubrimiento. Y la cultura del dato está presente en ambas puesto que es la base tanto de la producción como del descubrimiento. Ambos análisis parten de una pregunta relacionada con el negocio, pero los métodos de tratamiento de datos son diferentes y por supuesto el resultado de ambas son distintos.

El descubrimiento termina en una idea de un nuevo producto, servicio o de un factor que identifica mejor un nuevo camino. Sin embargo el análisis basado en la optimización es básicamente dar con mejores maneras de actuar, de cambiar las cosas. En el descubrimiento la intervención humana debe ser para dar con el algoritmo o modelo más sólido y en la optimización la intervención humana debe ser para unir las piezas del puzzle y dar con la mejor estrategia para afrontar un problema.

Y ahora mismo lo mejor que puede hacer una organización es hacer trabajar la optimización y el descubrimiento de manera conjunta para beneficiarse del conocimiento que de los datos tendrán ambas estructuras. Con el tiempo estos dos perfiles tomarán lo mejor uno del otro y el analista podrá usar la tecnología para optimizar y descubrir y el científico podrá usar el conocimiento del negocio para descubrir y optimizar. Ahora mismo están lejos de tener el mismo perfil pero a la vez están muy cerca en la manera de pensar y de llegar a accionar en base a los datos.

¿Qué ha pasado en Octubre y Noviembre?

Montamos un evento junto a Mercanza en el que hablé sobre la toma de decisiones en base a los datos.

Participé en el evento en Manager Business Forum en Madrid donde hablé de lo que supone mi profesión.

Hablé en Infoempleo sobre qué hace un experto en analítica web.

Estuve en el programa EL RESPETO hablando y debatiendo sobre los datos.

He participado en la Universidad Autónoma de Madrid en una clase sobre analítica digital.

Hemos abierto un nuevo máster de Analítica Web en KSchool Madrid para los alumnos que no llegaron a entrar en el grupo de octubre. ¡Aún quedan plazas pero empieza el viernes!

01 Oct 2015 | Analista Web, Big Data, Metodología

El flamenco siempre es una pena, el amor es una pena también. En el fondo, todo es una pena y una alegría

Me encuentro que en la mayoría de empresas con las que trabajo almacenan muchos datos, incluso los tratan con nuevos lenguajes de analítica… pero no se toman decisiones de negocio asociadas a los datos.

El problema real es que estamos generando tantos datos que no tenemos capacidad ni tiempo para procesarlos de manera inteligente. Los analistas, los científicos de datos no dan abasto y mucho menos las empresas. Y los datos únicamente son señales, por sí mismos no aportan conocimiento. De hecho lo que me llama la atención es que la mayoría de los datos que estamos recogiendo lo hacemos con una idea en la cabeza y al final lo que hacemos es usarlos para otro propósito. Por eso hemos de tener sí o sí flexibilidad para poder usarlos en muy diferentes contextos. Y ahí entramos los analistas y los científicos de datos, debemos empezar definiendo problemas, preguntas de negocio y lo que se espera de nosotros es ser capaces de diseñar caminos e hipótesis para encontrar soluciones y cambiar las cosas. Pero de esto he hablado en multitud de ocasiones, hoy quiero ir un poco más allá.

Pero… ¿cómo lo hacemos? Los que me conocéis sabéis que me gusta mucho asociar todo a metodologías, entender bien los pasos que puedo seguir y cómo seguirlos. Hace unos meses accedí a una charla de Carlos Somohano, el fundador de Data Science London y me abrió los ojos.

La idea es simplificar las métricas pasando de millones de datos a las métricas clave de nuestro negocio y partir de preguntas clave para obtener las hipótesis. En un momento dado tendremos el equilibrio perfecto entre métricas necesarias y las hipótesis en base al análisis de las mismas que nos permita accionar. He traducido libremente y cambiado alguna cosilla de lo que propone Carlos, el resultado es el siguiente:

*Metodología de estrategia de data science*

Tendremos la DICHA de pasar de millones de datos en bruto que al ponerlos en contexto nos permitirá establecer relaciones y nos dará señales de lo QUE HA PASADO. Podremos así describir a través de la información que nos dan estos datos y su evolución generar unos informes que nos permitan establecer nuestro Conocimiento, el cómo ha pasado. Mediante la experiencia, y el testing aprenderemos y automatizaremos muchos procesos que nos permitan entender el pasado, saber el por qué ha pasado. Encontrando la causa y probando las hipótesis podremos generar modelos y algoritmos que iremos combinando para intentar saber lo que aún no sabemos. Finalmente intentaremos actuar sobre el futuro, con análisis predictivos en base a los modelos e hipótesis y con la optimización en marketing, en el entorno, en el negocio. Solamente así, aplicando el conocimiento, seremos capaces de seguir creciendo.

Resumiendo, esto es lo que sabemos que sabemos, entramos en la zona de lo que sabemos que no sabemos y la dicha nos pillará cuando exploremos más allá, cuando lleguemos a saber lo que no sabemos que no sabemos 🙂

La parte estratégica está clara, verdad? Entonces pasemos al proceso real, lo que nos encontramos en nuestro día a día. Tenemos que intentar tener claras las respuestas a estas preguntas:

Qué sabemos de nuestros productos, de nuestros servicios, de nuestro negocio?
Qué podemos intuir en base a nuestra experiencia?
Qué hipótesis podemos realizar?
Dónde no nos hemos aventurado aún?

El proceso está claro, partimos de los datos brutos, por ejemplo las transacciones, ingresos, intentos de fraude, llamadas al call center… de todas las fuentes de origen propias y ajenas que tengamos a nuestra disposición. Extraemos los datos por medio de queries o de Mapreduce o de Lenguaje R o Python que también permiten análisis y generamos un dataset.

Este dataset será nuestra herramienta de trabajo, sobre la que buscaremos entre todos los datos las correlaciones que nos deriven en causalidades, en distintas formas de segmentación de clientes, de nuestros productos, y que nos permitan realizar un análisis de predicción potente.

El tratamiento está claro, hay que explorar los datos, representarlos visualmente, descubrir y aprender. Datos Información Conocimiento de nuevo. Para tener los insights que tendremos que presentar de manera visual y que llamen a la acción. Solamente así garantizamos que tendremos impacto directo en el negocio.

Los procesos implicados es partir del qué está sucediendo, dónde hacemos los descubrimientos y la exploración (sistema descriptivo), intentar entender el por qué sucedió por medio del análisis de las métricas clave, qué pudo haber sucedido o va a suceder con el análisis predictivo y la construcción de modelos y finalmente qué acciones debería tomar con la foto completa sobre la mesa y qué es lo que he aprendido para mejorar mis sistemas cognitivos.

Mi experiencia es que no tenemos por qué saberlo todo pero sí deberíamos tener una idea general que nos permita identificar qué optimizar y cómo. Para esto tenemos sí o sí que encontrar la metodología correcta para conectar el problema o la pregunta que queremos resolver con los datos correctos. Porque esto es el mundo real, el objetivo final es resolver problemas: No ser parte del problema, sino parte de la solución.

Como resumen me gustaría compartir un esquema que utilizo siempre que me preguntan la diferencia entre un analista de datos y un científico de datos. Básicamente todo se reduce a las preguntas que realizamos y las que no sabemos o no podemos realizar aún basándonos en las cosas que sabemos teniendo en cuenta las que podemos no saber 🙂 (via @AppliedDataLabs)

*Diferencias Analista y Científico de datos*

Si estáis aplicando otro marco de metodología en los proyectos de análisis me encantaría que comentaráis y las incluiré en el texto para enriquecerlo con vuestros comentarios. Gracias!

¿Qué ha pasado en Septiembre?

Lancé junto a muchos compañeros de profesión la guía de INKS de las profesiones de internet

Participé en RNE en una tertulia sobre blogs

Estamos cerrando las últimas plazas para el master de Analítica que empieza en 15 días, date prisa si te apetece convertirte en analista digital (quedan 2 plazas)