Inmersos en pleno siglo XXI, nos estamos dando cuenta de la enorme implicación e importancia de saber implementar y desplegar herramientas para el procesamiento y análisis de datos, pues, nos encontramos ante un prometedor escenario en el que confluyen las necesidades de mejora continua de mercados y compañías, todo ello, sumado a las infinitas posibilidades que ofrece el procesamiento matemático de ingentes cantidades de datos, nuestro gran aliado, el Big Data.
Asunción Vázquez, matemática en Merkle: “el futuro es, más apasionante todavía, con aplicaciones basadas en el procesamiento del lenguaje natural (chatbots, traducción automática, reputación online, etc.), el reconocimiento de imágenes, análisis de expresiones faciales o la información geoposicionada, las cuáles, forman parte ya de algunos de los casos más disruptivos”.
Para poder depurar y limpiar las bases de datos, y descartar toda la información irrelevante que puedan contener, para finalmente poder llegar a extraer inteligencia y obtener valiosos insights, el científico de datos se apoya del uso de machine learning y estadística, de esta manera puede preparar los datos para su uso en modelos predictivos y prescriptivos.
La teoría está bastante clara, pero lo cierto, es que, no tenemos todavía la madurez necesaria (hablando de la amplia red de empresas a nivel nacional), para poder realizar una analítica de datos eficaz en distintos niveles. Lo primero que deberíamos hacer es ser capaces de identificar donde se encuentra nuestra empresa dentro del llamado “Data Journey”.
- Data Resistant, donde la organización resiste de manera activa, las fuentes de datos importantes no se colectan ni almacenan y falta datos para realizar proyectos de analítica.
- Data Aware, no data warehouse, es el principio de una cultura data-driven donde se realizan algunos informes en hojas de cálculo, ligero uso de Google Analytics, pero con ciertas limitaciones debidas a budget y tecnología. No existen como tal definiciones o procesos estandarizados.
- Data Capable, se tratan los datos dentro de alguna plataforma analítica para reporting a una escala más grande. Se suele gastar mucho tiempo preparando los datos y la actuación basada en los “insights” es lenta. No existe una única fuente de verdad, lo que provoca decisiones erróneas y pérdidas de recursos y tiempo.
- Data Adept, se mantiene una buena ejecución de los “pipelines”, se empieza a crear una visión de data compartida por toda la organización, nos encontramos con la unión de al menos dos fuentes de datos, para tener una vista más completa del cliente, se crean modelos a medida para descubrir nuevos “insights” y se toman decisiones basadas en el análisis del dato.
- Data Informed, utilizan datos en tiempo real para construir productos y dar soporte a los equipos, los proyectos de datos ya están operacionalizados y cuentan con un nivel muy alto en madurez de data crítica para llegar a conclusiones acertadas.
- Pioneers, ofrecen una experiencia muy personalizada para cada usuario, están centrados en automatizar y mantener la infraestructura, los datos se pueden descubrir o usar de una manera sencilla. Se permiten encontrar a las personas con las habilidades adecuadas y gozan de una seguridad prácticamente total en sus datos.
En la escuela Gen/D, abordamos la formación del científico de datos desde una perspectiva muy concreta, pasando del Big Data al Small Data, formamos a auténticos “ninjas del dato”, agilizando el desarrollo de técnicas de Analítica Avanzada, operativizando Modelos Predictivos de Machine Leraning a corto plazo, para así, dar respuesta a las necesidades de negocio concretas de empresas reales, de una manera mucho más rápida que usando Big Data convencional.
Con el Máster DATA Science Ninja, aprenderás a desarrollar modelos que ayuden a la activación del dato para la creación y personalización de verdaderos productos digitales.
