Inteligencia de datos en la era del aprendizaje automático.

 El aprendizaje automático diferenciador competitivo. El Machine learning, ML, es la capacidad de que las
máquinas aprendan sin estar programadas explícitamente.
 Una herramienta radica en que las empresas creen modelos y hagan predicciones en tiempo real a partir
de ellos.
 Para lograr esto se debe contar con:
 Desarrollar una base sólida en gestión y análisis de datos, como la adopción de la tecnología de la nube.
 Las herramientas basadas en la nube brindan las bases necesarias que les permiten a las organizaciones
capturar, preparar y analizar datos de manera fácil y económica.
 Se puede establece como una ventaja competitiva en la cadena de valor.
 ML años no era considerado por los directivos, pero en los últimos años ha tomado gran relevancia. Por
otra parte, el aprendizaje automático se ha implementado para las recomendaciones predictivas, el
reconocimiento de patrones, la detección de fraude, la gestión de flujos de trabajo y la personalización.
 Para que las empresas tengan éxito en la era del cliente, deben anticiparse a lo que ellos quieren, y el
aprendizaje automático es absolutamente esencial para esto.
 Empresas como ebay, Netflix, Google usan ML, para otorgar recomendaciones de búsqueda a sus
clientes.
 Mientras que los análisis tradicionales operan con un modelo estático, los modelos de aprendizaje
automático se iteran a medida que se recopilan más datos, lo que fortalece el análisis al mejorarse
automáticamente.
 Las empresas de petróleo y gas están usando el aprendizaje automático para identificar nuevas fuentes
de reservas o predecir el desgaste y las fallas de máquinas y sensores. (saesa líneas de tención, laboratorios
médicos recopilan información a través de sensores y otras técnicas para diseñar soluciones, a alugnas
enfermedades).
 El aprendizaje automático es la única manera en que un desarrollador puede analizar los datos de
cookies y presentar la publicidad adecuada para un cliente específico en 15 milisegundos.
 La nube es el lugar ideal para que las organizaciones realicen el “entrenamiento” de aprendizaje
automático, es decir, el proceso continuo e intensivo de computadora que consiste en agregar datos nuevos a un
algoritmo para convertirlo en un modelo que funcione.
Ética del big data
 Según Potter “la ética consiste en conocer la deferencia entre lo que tienes derecho y lo que es correcto
hacer”.
 El almacenamiento de grandes cantidades de datos por parte de las empresas puede trasgredir lo ético.
Una empresa puede acceder al correo, mensajes, redes sociales, etc, esto ralla el borde de lo legal, sin embargo,
dicha información puede ser usada como una ventaja para la creación de nuevas técnicas de gestión.
 Se acusa de trasgredir la privacidad de las personas.
 Las empresas utilizan las informaciones para crear una matriz de relaciones humanas dentro de la
organización, las relaciones están dadas por los stakeholders.
 Estas practicas suponen para empleado, inquietud y una fuerte sensación de estar siendo vigilado,
además el empleador puede hacer supuestos erróneos de sus trabajadores.
 Es deber de cada País, poner leyes que apunten en pos de un buen manejo de los datos.
 Big data es una herramienta muy potente, que puede ser usada para fines muy provechosos, sin
embargo, el mal uso de los datos puede ser desastroso.
Big data

 Económica:
 Modelo de negocio
 Rendimiento
 Código libre
 Modelos de despliegue.
 Precio de la información.
 Ej. de económica mudar los datos a la nube,
considerando el costo que este considera a largo plazo.
 Social:

 Comportamiento del usuario.

 Impacto social.
 Colaboración.
 Ej. aplicaciones que permiten crear cuenta, a través de
los datos de Facebook. Esto benéfica a ambas empresas.
 Legal:
 Dueños.
 Derechos de autor.
 Responsabilidad.
 Insolvencia.
 Privacidad.
 Ej. Cambridge analítica fue muy cuestionada por el uso de los datos, de usuarios de Facebook de manera
poco ética.
 Aplicativa:
 Decisiones en base a datos.
 Manejo de riesgos.
 Inteligencia competitiva.
 Internet de las cosas.
 Industria 4.0.
 Ej, internet de las cosas, podemos verlo en la conexión de los objetos cotidianos de internet para
obtener información y tomar decisiones.
 Ej. Industria 4.0 nuevos medios de producción para tener fabricas inteligentes.
 Tecnología:
 Procesamiento de datos escalables.
 Tiempo real.
 Lingüística.
 HCI/ visualización.
 Ej. La incorporación de procesos paralelos hace posible el escalamiento de los procesos de manera mas
simplificada, pues si se poseen más servidores la capacidad para procesar los datos es mayor.
Cadena de valor del big data
 Ej. una empresa de
buses urbanos utiliza datos
del clima para predecir la
demanda de uso de sus
buses.

Cadena de valor nuclear

 les llegan datos del clima a través de un proveedor, los procesan para predecir la demanda y ajustan las
frecuencias de los buses de acuerdo con eso a través de sus canales de información.
Cadena de valor extendida.
 Requiere diversos proveedores de datos y tipos de tecnologías. En el ej las empresas del pronostico
solicitan mediciones a otras empresas, dichos datos tienen que ser consistentes y legibles para su
procesamiento.
 Para procesar los datos puede que se necesiten servidores externos especializados en análisis de datos.
 El valor se genera al interactuar con los usuarios directos e indirectos de los datos. En el ej son los
pasajeros.
Ecosistema del big data.
 En el ecosistema intervienen organizaciones gubernamentales, reguladores, inversionistas, académicos,
etc.
 En el ej la empresa debe rendir cuentas al ministerio de transporte, lo que significa que las propuestas
tendrán una regulación estatal.
 Contar con el apoyo de los elementos del ecosistema permite el desarrollo de una estrategia big data
sostenible y sustentable en el tiempo al ser capaz de estar constantemente mejorando y modernizando sus
soluciones.
Transformación de una empresa basada en datos.
 Muchas empresas gastan muchísimo en renovar su sistema de información, sin dar frutos debido a que
el tiempo es demasiado prolongado y tampoco se ven los resultados. El éxito de la transición se basa en un
enfoque ágil, centrado en los resultados y manejable.
Estrategia de 3 pasos.
1. Usar quick wins (triunfos rapidos) para aprender y financiar la transformación.
2. Diseñar una transformación para toda la organización
3. Organizarse para un desempeño sostenible.

Usar quick wins (triunfos rapidos) para aprender y financiar la transformación.

  Se identifican los esfuerzos rápidos y discretos que generen impactos en el desempeño de
alguna área.
 Características de los proyectos.
 Corto periodo de implementación.
 Evitar cambiar las bases de datos de la empresa.
 Debe generar retornos en un corto plazo.
 La organización aprende el valor del big data. Los retornos permiten continuar con el financiamiento del
proceso de transformación.
 Ej. El mundo bancario al inicio de su transición comenzó a hacer créditos personalizados a los clientes
con tasas de interés de acuerdo con su comportamiento bancario (que ya tenían guardado). Esto minimizaba
el riesgo de no pago y aumentó el crédito pedido por lo clientes en más de un 5%.
 Este tipo de proyectos se le llama fruto al alcance de la mano, pues son fáciles de realizar y generan
retornos significativos. Al lograr todo lo anterior la organización se beneficia y aprende del valor de los
proyectos de Big Data. A su vez, los retornos proveen financiamiento para continuar el proceso de
transformación.

Diseñar una transformación para toda la organización.

 Se debe definir una hoja de ruta que marque los hitos de transformación.
 Los hitos se pueden basar en proyectos concretos.
 Poner atención a los posibles obstáculos y cuellos de botella que bloqueen la transformación. Ej Un
proceso clave para la empresa utiliza un programa no compatible con la base de datos, por lo que es
necesario o adaptar la base de datos para que pueda integrar el programa o reformar el proceso para que
use otro programa más amigable con los datos
 Si los cuellos de botella no se solucionan a tiempo, algunas áreas no se sumarán al cambio.
 Es necesario comunicar la visión de la organización respecto a la transformación a todos los agentes que
puedan verse involucrados en el proceso.
 Si los procesos de análisis no están bien definidos, los datos que se requieren y que se obtienen deben
ser analizados y reinterpretados innecesariamente.
 Estos procesos deben ser replicables, confiables y centralizados para que sean utilizados por toda la
empresa. Ej, el proceso de predecir el potencial beneficio de afiliar un cliente debe ser utilizable para todo
tipo de consumidores.
 Esquema con los distintos niveles de profundidad en la transformación de una organización en Big Data.

Visión: ¿Por qué nos interesan los datos?, ¿Qué

queremos lograr?, ¿Mejorar prácticas actuales o
transformación radical?
Casos de uso: ¿Cuál es el caso general?, ¿Cuánto valor
esperamos extraer?, ¿Restricciones y requerimientos?
Analytics: ¿Tenemos un equipo con las capacidades
necesarias?, ¿Implementamos las funciones analíticas
apropiadas?, ¿Tenemos un proceso de analíticas
acabado?
Gobierno de datos: ¿Tenemos definidos y medidos
indicadores de calidad de datos?, ¿Implementamos una
organización para el manejo de datos?, ¿acciones básicas
de higiene de datos?
  Infraestructura: ¿Tenemos una infraestructura adecuada a nuestra visión y futuros casos de uso?,
¿Usamos la tecnología adecuada?, ¿Nuestro modelo operacional es el más adecuado?

Organizarse para un desempeño sostenible.

 El éxito de la transformación digital se mide por resultados sostenidos. Se deben tomar en cuenta los
siguientes puntos.
• Definir nuevos roles y reglas de gobernanza.
• Cultura “Data-Primero”.
• Adopción de metodologías ágiles.
• Cultivar talento y capacidades.
• Modelo de construir-operar-transferir.
 Se deben definir nuevos roles y reglas de gobernanza.
 Es necesario tener las responsabilidades claras y los roles bien definidos: De esta manera se evita
la creación de datos duplicados y los problemas se enfrentan más fácilmente.
• Fomentar la estrategia top-down: Esto es una estrategia para definir procesos de manera general e ir
descomponiendo en subprocesos hasta tener una.
• Comprensión total de cada uno de los componentes del proceso: De esta manera, toda la información
necesaria y obtenida queda clara.
• Incorporación de Data Champions y Chief Data Officer: aquellos que velan por las buenas prácticas de uso
de datos y un directivo que defina la estrategia de datos. Estas personas son cruciales para mantener
ordenados los procesos y tener una orientación en la estrategia de datos.
 Cultura data-primero.
 Encontrar nuevas formas de utilizar datos.
 Aprender, fallar.
 Fomentar estructuras tipo startup internas.
 Colaboración entre distintas unidades.
 Adopción de metodologías ágiles.
• Es clave para un desarrollo sostenible el tener una capacidad de adaptarse rápidamente.
• Una metodología conocida es Sprint, en donde se crean metas a corto plazo que evita el estancamiento de
los proyectos. En cada iteración del Sprint se debe mostrar una nueva meta cumplida.
 Cultivar talento y capacidades.
• Es necesario encontrar a la persona adecuada para cada tarea.
• También se deben reestructurar los planes de carreras dentro de la empresa.
Lógica del big data.
 Sentir: saber lo que pasa afuera.
 Captar datos del entorno.
 Qué datos tengo.
 Pensar:
 se consideran experiencias anteriores.
 Ver:
 Qué puedo hacer con los datos.
 Cómo los muestro y/o despliego.
 Esto es lógica o inteligencia.
 Activar:
 Cómo puedo emplear lo aprendido. * Estos elementos son el actuar de la IA y de
 Qué medidas o acciones tomar. big data.

Definiciones de big data.

 No existe una única definición, esta depende de lo
que se quiere hacer o para que se quiere ocupar
(contexto).
 Primera definición: GRANDES VOLUMENES DE
DATOS
 Existen muchos datos, los cuales son difícil de
procesar.
 Es cuando hay grandes volúmenes de datos y donde se procesa.
 Segunda definición: MENOS DATOS, RESPUESTA EN TIEMPO REAL.
 La cantidad de datos es menor, pero se obtienen respuestas en tiempo real.
 Ej. Wase.
 Tercera definición: DATOS COMPLEJOS.
 Los datos que se analizan son de difícil procesamiento, audios, fotografías, videos.
 Ej. En una fotografía los pixeles son casi una fuente infinita de información.
 Cuarta definición: UNA LINTERNA.
 Una linterna que ilumina datos que estaban escondidos, antes limitados por la tecnología.
 Se puede ocupar como un predictor del futuro que lleva a una buena toma de decisiones.
 Quinta definición: CALIDAD DE DATOS VRIBÑES AFECTA A LOS RESULTADOS.
 La calidad de los datos puede variar mucho y afectar el resultado del análisis.
Ejemplo de lógica del big data.
 Problemas cardiacos, cómo se detectan, buscar un método que no sea complejo.
 Sentir: Radiogramas, análisis químicos, electrocardiograma, holter.
 Pensar/ver: síntomas, recolección de datos, analizar. Se escoge el electrocardiograma por su bajo costo
y su fácil uso.
 IBM Watson, recolecto los datos de los electrocardiogramas de la población de un país, durante un
periodo y establece parámetros con la ayuda de IA para definir, si una persona está sana o padece algún
problema cardiaco.
  Actuar: se pueden hacer predicciones para prevenir estas enfermedades en hospitales y a un bajo costo
se puede decir si una persona tiene algún problema.
Tipos de datos (atributos importantes).
 Volumen: cantidad de datos.
 Velocidad: que tan rápido puedo acceder a los datos.
 Veracidad: certeza y confianza en la fuente de datos.
 Variedad: diversidad de datos.
 Valor: permite tomar decisiones y hacer estrategias.
 Nota: data chile es una herramienta de big data, donde se encuentran diversos datos del país.

Tipos de procesamiento.
 Procesamiento compartido.
 Un equipo puede trabajar con más.
 Tiene cuellos de botella.
 Procesamiento distribuido:
 Varios equipos.
 El trabajo se divide.
Resumen
Variedad Velocidad Veracidad
Volumen
(diversos
(escala tipos de datos) (análisis del flujo de datos)
de datos) (incertidumbre en los datos)
 Cuellos de botella.
  Sistemas
Estructurado.
 Semi estructurada.  Discos
compartidos.  Información
duros.
  Sistemas
No estructurada.
estructurada: info
 Memoria.
distribuidos. almacenada de forma
 Procesado
res. ordenada, ej SQL son bases
de datos relacionadas.
 Información
semiestructurada:
estructura de datos más simples, ej Excel.
 Información no estructurada: audios, videos.