¿Dónde está Avinash cuando se le necesita?

Soy Gemma Muñoz (@sorprendida). Avinash Kaushik es mi ídolo. Y este es mi blog de analítica digital, mi trabajo y mi pasión.

| Analista Web

No siempre puedes conseguir lo que quieres, pero si alguna vez lo intentas, podrás conseguir lo que necesitas

Cuando necesito comprar un mueble, una de las opciones a las que acudo es Ikea. Y es que desde que llegara a España en los años 90, ha sabido hacerse un hueco en las casas de los españoles. Por eso la pregunta es obligada: ¿cuál es la clave de su éxito? Sin duda una de ellas es que el modelo de negocio en el que se basa la compañía sueca es customer centric, es decir, cada decisión que se toma es en pro de los clientes.

Este modelo de negocio es muy interesante, sobre todo para un analista digital. ¿Y por qué? Cuando una compañía tiene al cliente como epicentro de su negocio, el primer paso es conocerle y saber qué es lo que necesita. Para ello, es imprescindible aglutinar todos los datos disponibles y trazarlos. Y teniendo en cuenta que Ikea cuenta con datos online y offline de sus clientes, ¿cómo los relacionan?

Por eso, mi gran amigo Javier Riestra, Analista Digital en Ikea Ibérica, tiene la medición de la satisfacción del cliente como base de su trabajo. Cuando se habla de satisfacción, medir los datos de la parte online no requiere mucho problema. El verdadero reto está en incluir el entorno offline. Este desafío es afrontado en Ikea por el equipo de Business Intelligence, que es el encargado de trabajar la trazabilidad que ayuda a entender el comportamiento del cliente tanto en el entorno online como en el offline.

El comportamiento del consumidor

Para Ikea, acercarse a su consumidor es lo más importante. Por eso, la transformación hace dos años de su página web al ecommerce que conocemos hoy es el mejor de los ejemplos. Sin duda esto les ha ayudado a mejorar el servicio hacia sus clientes, aunque su mejor arma de venta sigue siendo la tienda física, el lugar donde el cliente puede establecer una conexión más emocional con sus productos.

Con la transformación de la página web a ecommerce, es interesante ver cómo el comportamiento de sus clientes también se ha visto afectado, generando un efecto ROPO (Research On-Line and Purchase Off-Line) en ambos sentidos. Este efecto ofrece una información tan valiosa que se ha convertido en una de las herramientas de medición más importantes para el departamento de análisis. De este modo, se tienen en cuenta todas las experiencias de compra del cliente, independientemente de donde se realice la venta final. Y gracias a la recopilación de datos de otros canales como el programa de fidelización y el análisis del customer journey, consiguen una fotografía mucho más completa de su cliente.

Cómo se mide la satisfacción del cliente

La analítica en Ikea Ibérica es transversal. Es decir, aunque el ecommerce es una parte muy importante, existe otras áreas dónde la inspiración, el branding y la comunicación también juegan un papel muy destacado. Por esto se recaban todo tipo de datos desde todas las secciones. Así parten de la segmentación de clientes, para luego realizar una trazabilidad lo más ajustada posible del offline con el online.

A nivel análisis, existe una comunicación continua entre los equipos de analítica de todos los países donde Ikea tiene presencia. Así es más fácil compartir experiencias y, sobre todo, casos de éxito.

De cara a las herramientas, la satisfacción del cliente es medida desde dos vertientes:

  • Online: las herramientas con las que trabajan son las estándar de medición, analíticas y de voz de cliente digital.
  • Offline: a través de estudios e investigaciones, y por supuesto, el NPS (Net Promote Score), que es un indicador para medir directamente la satisfacción del cliente. Lo utilizan tanto en tienda física como en tienda online, e incluso en el centro de atención al cliente. Lo que se busca es medir esa satisfacción en todos los puntos de contacto para identificar áreas de mejora.Experiencia de cliente on y off

En cuanto a la medición, todas las directrices parten del equipo global de analítica, ubicado en Suecia. Desde allí marcan los KPIs a tener en cuenta para que todos los países midan de la misma manera. Con esto facilitan el benchmarking entre los diferentes países y el análisis de la calidad del dato. Además, en cada país también se tienen en cuenta las métricas propias tanto de sus tiendas como de sus páginas web.

Para Ikea también es importante el entendimiento de los procesos. En la tienda online, por ejemplo, no se tiene un camino marcado en el suelo y esto hace muy difícil tener una medición de la satisfacción como se hace en tienda física. Por eso, el uso del NPS también se incluye en toda la experiencia online, incluyendo tanto la compra como la entrega final.

En definitiva, no existen diferentes herramientas para cada ámbito. El objetivo principal es acercarse a los gustos de sus consumidores y toda la información es útil para mejorar día a día. Un ejemplo es la apuesta de Ikea por las nuevas tiendas locales situadas en el centro de las ciudades, las cuales están dotadas de más herramientas tecnológicas para medir lo que hace el usuario en la tienda. Esto es posible gracias al equipo de transformación digital, que están trabajando en adecuar la experiencia en tienda física al nuevo cliente omnicanal.

Si te has quedado con ganas de conocer más sobre Ikea y la medición de la satisfacción del cliente, te invitamos a que escuches el episodio del podcast dedicado a este tema:

| Marketing

Las personas tienen la capacidad de ver las cosas de forma diferente. El problema es que no quieren

Por mi experiencia, el sector del marketing es sin duda una de las áreas donde el tratamiento de datos y la toma de decisiones del negocio van más de la mano. Por ello, existen muchas herramientas en el mercado capaces de gestionar nuestros datos, pero, ¿se está haciendo de forma correcta?

Manuel Delgado Tenorio, Co-Fundador de Leads Origins lo tiene claro: “La principal carencia no son los sistemas, sino son los datos”. La realidad es que actualmente hay a disposición de las empresas mucha tecnología y profesionales preparados, pero existe cierta escasez de recursos de cara a solucionar problemas de negocio por parte de los propios datos.

Aunque hay una sobreabundancia de sistemas tecnológicos creados por grandes marcas relacionados con marketing, estos van acompañados de elevados costes de instalación y mantenimiento. Y claro, cualquier empresa ante esta inversión, espera resultados dirigidos directamente a la mejora de su negocio, pero la realidad es bien distinta.

Los datos de marketing y la toma de decisiones

La inmensa mayoría de las compañías tiene el 95% de su camino por recorrer en lo que a estrategia de datos de marketing se refiere. El primer paso para que una estrategia basada en datos sea efectiva es hacer de éstos un activo de negocio. Pero en el fondo son un pasivo ya que se invierte mucho dinero en recopilarlos y almacenarlos, pero al no tener una estrategia dirigida, todo este tratamiento de datos no sirve de mucho.

Tratamiento de datos en marketing

Es más, llegado el momento de realizar una práctica de análisis en la línea: “vamos a sacarle a estos datos que recopilo un poquito de jugo”; es importante hacer de esta información un activo manejable de manera ágil y cuasi inmediata, pero por ahora no se está haciendo. Menos mal que ante la necesidad de las empresas de sacar provecho de toda esta información de cara a su negocio, se está demandando cada vez más una mayor responsabilidad al tratamiento de datos.

Diferentes almacenes de datos, ¿un mismo análisis?

Para poder realizar un buen tratamiento de datos, es muy importante centrar esfuerzos en el almacenaje. Hay empresas que tienen sus datos internos almacenados en un CRM, pero los que corresponden al Data Management Platform (DMP), que son los que realmente aglutinan toda la estrategia de marketing, están alojados en servidores de terceros. En otras palabras, no son suyos. Esto es así porque durante años, toda la información relacionada con la publicidad online ha sido gestionada por un gran número de players divididos en:

  1. Agencias de publicidad y DMPs
  2. Empresas intermediarias que han creado una red de conexiones en torno a los datos que venden a sus clientes. Este tipo de empresas mantienen sus datos ocultos y nadie tiene acceso a ellos, ni siquiera los propios clientes que les contratan.

Así, mientras los resultados de campaña sean positivos, no se cuestiona nada. Pero en el momento en el que la compañía intenta tomar el control y la responsabilidad de dónde está su cliente final para impactarle, el acceso a estos datos es muy complicado.

Para cambiar esta situación, las empresas tienen que partir de una estrategia de tratamiento de datos bien diseñada desde el principio, para que éstos constituyan un activo de negocio y no un pasivo. Aquí es donde el papel de las consultoras es de vital importancia, ya que ayudan a las compañías a ser conscientes de lo que se están perdiendo y lo sencillo que sería su negocio si hicieran un buen uso del tratamiento, activación y análisis de sus datos. Hay muchos casos de éxito de empresas que se han dado cuenta de la ventaja competitiva que existe haciendo un buen uso del dato de marketing. Pero para eso, el conocimiento del negocio tiene que quedar en cada empresa.

¿Y ahora qué?

Para cualquier compañía que quiera transformar su negocio y hacer del dato un activo más, primero tiene que entender cuál es su situación actual. Por ejemplo, aunque el entorno de una startup es muy diferente al de una compañía más consolidada, ambas deben partir con la intención de realizar un análisis y plantearse su “objetivo ambicioso”, o en otras palabras, su objetivo final. Hoy día el objetivo ambicioso relacionado con los datos de marketing pasa por la automatización sí o sí. Por eso es importante contar con herramientas que te ayuden a ello, como el Customer Data Platform (CDP), una plataforma única donde se encuentran unidos los datos del CRM y el DMP, imprescindible para modelar y dirigir la estrategia.

Activo de negocio

¿Y por qué un CDP? El CRM se ha devaluado mucho como concepto. Aunque es una herramienta donde se almacenan los datos de contacto de los clientes, no es un lugar vivo. Es por ello que muchas empresas, cuando han querido salir al mundo online, se han ido con terceros ya que el sistema de su CRM estaba desfasado con respecto al negocio. Con estos datos, el único indicador para medir el éxito de una campaña es la tasa de conversión, pero lamentablemente no es suficiente. Es necesario hacer foco en el cliente tipo y qué es lo que pasa después con él. En las compañías falta una verdadera estrategia Customer Centric.

Es necesario crear una cultura que ponga al cliente en el centro de la estrategia. Pero en estos momentos, las empresas trabajan demasiado por el informe trimestral y olvidan el objetivo ambicioso de progresar. Repetir el plan del año pasado no debería ser suficiente, sino que se tendría que ir mucho más allá.

A continuación, puedes escuchar la conversación que mantuve con Manuel en el podcast de El Arte de Medir:

| Gemma

No hay nada tan estable como el cambio

En post anteriores ya he tratado cómo trabajar con Learning Analytics. Pero hoy de la mano de Daniel de la Mata, Responsable Técnico de NeuroK en ASPGems, ahondaremos un poco más en las entrañas del funcionamiento de esta plataforma de formación online colaborativa que está basada en los principios de la Neurodidáctica.

Cuando nos enfrentamos a un proyecto de medición de learning analytics como sucede en NeuroK, los KPI’S que hay para evaluar el aprendizaje son: la gestión de la motivación, el aprendizaje colaborativo y la evolución del contenido.

Partiendo de esto, ¿cómo se puede abordar un proyecto en que las KPI’S están directamente relacionadas con el aprendizaje?

En el caso de NeuroK es más sencillo ya que siendo una plataforma de e-learning, los datos que se recopilan ayudan a poner en relieve el proceso de aprendizaje de alumnos y profesores. Además, estos datos son de gran ayuda para los desarrolladores para saber cómo trabajar en la optimización continua de la plataforma.Medición proceso de aprendizaje

¿Y cómo lo hacen? Es muy interesante ver que a la hora de fijar los KPI’s, no sólo se tiene en cuenta qué aprende el alumno, sino que se miden otras variables cómo la comunicación entre los alumnos, la relación de éstos con los profesores, la adaptación al contenido de los cursos y la usabilidad con la plataforma de aprendizaje. Esta última es la que más interesa desde el punto de vista del desarrollador ya que está directamente relacionada con las mejoras propias de la plataforma. Así, toda esta información es recopilada en una BBDD que, junto a logs y otras métricas, es analizada en su propia herramienta de medición para poder seguir evolucionando.

La medición Grafo social

Como hemos comentado antes, la comunicación entre los usuarios es muy importante. Por eso en NeuroK cuentan con un grafo social que muestra las relaciones que se establecen entre alumnos-profesores y alumnos-alumnos. La información resultante de este gráfico arroja datos tan relevantes como:

  • La centralidad que tiene cada alumno en el grafo social del curso.
  • La influencia en base a comentarios, valoraciones, favoritos y menciones, que es lo que más cuenta. Cada una de estas mediciones tiene un peso, y sus relaciones 1 a 1 crean una línea que de pendiendo del uso que el alumno haga de ellas, va aumentando o disminuyendo.

Este grafo también es muy útil para saber qué es lo que está pasando en el curso. Si un alumno se encuentra fuera del grafo es porque no participa por alguna razón, y ahí el profesor puede saber qué es lo que pasa. En definitiva, este tipo de métricas ayudan a tomar conciencia de cómo está funcionando el curso en real time.

Learning Analytics para alumnos

Uno de los valores añadidos de NeuroK es que los alumnos también tienen acceso a datos relevantes para su aprendizaje. Por ejemplo, cuando acceden al curso, lo primero que ven es su puntuación en comparación con el resto de sus compañeros. Esta es una métrica que está directamente relacionada con la motivación, indispensable en todo tipo de formación online.

Optimización del proceso de aprendizaje

Existen otras KPI’s relevantes que pone NeuroK a disposición del usuario, como:

  • Las relativas a su propio aprendizaje.
  • Los contenidos que cada alumno aporta al curso.
  • La participación del alumno y sus compañeros

Todos este learning analytics está al alcance de los alumnos para que puedan incorporar el conocimiento de sus compañeros. No sólo se aprende de lo que el profesor aporta, también de la comunidad.

Nube de palabras: la herramienta para profesores

Hay que tener en cuenta que el curso en sí es un agregado de unidades de aprendizaje, que a su vez es un agregado de contenidos. Estos últimos son, además de contenidos en sí mismos, también comentarios y valoraciones. En NeuroK, todos estos contenidos son marcados para luego analizarlos en una nube de palabras.

¿Y por qué es útil? Para el profesor lo es ya que mientras está en el curso puede ver si los alumnos siguen el planteamiento de keywords inicial con el que había arrancado o, por el contrario, tiene que cambiarlo. Pero no sólo es útil en el curso en general, sino que este tipo de segmentación se puede hacer a diferentes niveles y así comparar en cada caso la coincidencia de nubes. Se puede comparar:

  • Por curso completo.
  • Por cada unidad de aprendizaje.
  • Por usuarios.

Sin dudas, con la nube de palabras, el profesor también aprende y adapta su enseñanza dependiendo de cómo sus alumnos vayan adquiriendo conocimientos, sin necesidad de seguir un guion marcado. Así es la nueva evolución en el aprendizaje: ser capaces de medir lo que funciona gracias al learning analytics para poder hacer cambios en el mismo momento en que se detecta. Esta es una de las claves para poder construir algo sólido. Así es como se optimiza y personaliza el proceso de aprendizaje.

A continuación puedes disfrutar de la charla que mantuvimos Daniel y yo:

| 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.

Iotización de las cosas

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.Desafíos para el ioT

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.

| 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.

análisis digital

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.