Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Misael Lazo
@misaellazo
misaellazo
Agosto 2020
¿Quién soy?
• Formación Ingeniero Estadístico de la UNI
• Master of Business Administration Centrum PUCP
• Gerencia con Liderazgo – INCAE
• Data Science and Big Data Analytics – MIT
• Máster (c) Big Data & Business Analytics - UCM
• Docente de Data mining & Machine Learning
• Interesado en Data & Analytics
• Me encanta viajar
Experiencia profesional
Agenda
1 Contexto Data & Analytics
Transformación de la
implementación
Unknown
Expanding
Innovation
Understanding
and Exploration
and Investigating
QUESTIONS
Known
Foundational Establishing
Core Value
Known Unknown
DATA
7 © 2019 Gartner, Inc. and/or its affiliates. All rights reserved.
3 libros sobre la tendencia de Data & Analytics
• Cómo empezar: alineamiento de tecnología y • Hoja de ruta para convertirse en competidor analítico • ¿Qué se necesita para convertirse en una organización
Stakeholders del negocio. • Talento humano analítico y tecnológico basada en datos?
• El modelo de centro de excelencia: el riesgo de no • Nuevas herramientas informáticas en la nube y BigData. • Aprender a recopilar los datos correctos
tener un COE, los mejores candidatos para un Big • Casos de éxito: Amazon, Google, Netflix, Capital One. • Conformar equipos con el perfil Data Discovery
Data COE. • Herramientas de visualización y storytelling.
• Errores que no se deben cometer en el proceso de
transformación de Big Data.
Agenda
1 Contexto Data & Analytics
AI
Minería de Datos
Habilidades Técnicas
• Estadística / Matemáticas
• Programación (tecnológica)
• Analítica de negocio
Habilidades Blandas
• Comunicación
• Creatividad
• Intuición
• Flexibilidad
• Curiosidad
• Empatía
• Pragmatismo
Andrew Ng
CEO / Fundador Landing AI; Cofundador,
Coursera; Profesor adjunto, Universidad
de Stanford; ex científico jefe, Baidu y
líder fundador de Google Brain
Risk Analytics
DJ Patil
Ex Chief Data Scientist of USA
CEO de Devoted Health
Miembro principal de Harvard Kennedy School
Ex Chief Security Officer at LinkedIn
Risk Analytics
Agenda
1 Contexto Data & Analytics
Proceso de CAMBIO
Enfoque Pasado Enfoque Actual
Centralizado Descentralizado
“…nuestros clientes no compran nuestros productos, compran Un solo equipo manejaba las Muchos equipos construyen
nuestra cultura” demandas requeridas. modelos y herramientas
(SQUADS).
https://www.slideshare.net/luisgustavomonedasantos/ml-meetup-28-nubank-data-science-past-present-and-future-sandor-caetano
Uber: Referencia World Class Advanced Analytics & AI
La columna vertebral de todo el sistema integrado es el ML e IA. Michelangelo allana el
camino para la personalización
ML-as-a-service
https://eng.uber.com/scaling-michelangelo/
Center of Excellence
Lleva a una organización de cero conocimiento a tener una
práctica completamente funcional de procesos de Big Data para
ofrecer resultados comerciales sólidos.
Big data
Big Data
system
Software
engineering
8 Machine Learning
Hadoop/ and system Engineer
Engineer / Spark/ NoSQL design
Data Architect
https://eng.uber.com/scaling-michelangelo/
Amazon: Ciencia de datos
Metodología: Team Data Science Process
Ágil e iterativo para mejorar la colaboración y el aprendizaje en equipo
1 2 3 4
1 / Individuos e interacciones 3 / Colaboración con el Cliente
Sobre procesos y herramientas Negociación por exceso de contrato
2 / Software de trabajo 4 / Respondiendo al cambio
Sobre la documentación completa Cambio de plan
36
Beneficios de Agile
1. Innovación continua
4. Resultados confiables
Design
Thinking
Creatividad e innovación
“
38
Challenge
3 minutos
Convierte la mayor
cantidad de círculos
en algo reconocible
39
Challenge
¿más de 20?
¿más de 15?
¿Alguien dibujo fuera del
circulo?
40
Challenge
¿A alguien se le ocurrió combinar círculos?
41
Challenge
¿A alguien se le ocurrió combinar MUCHOS círculos?
42
¿Por qué es
importante
innovar?
44
Casos locales
Estudio de mercado
• Será mejor que la chicha de sobre por ser lanzada por Inka Kola.
• Jamás iba a superar una chicha morada casera hecha por una madre o abuela.
“Existen sabores sagrados como la chicha morada, que tocan fibras muy sensibles en el consumidor peruano.”
Alfredo Quiñones
Gerente de Marketing – The Coca Cola Perú
45
¿Cómo abrías
esta lata hace 4
o 5 años?
46
¿Cómo abrías
esta lata hace 4
o 5 años?
47
Diseño pensado
en el usuario
48
Bloqueos
conceptuales
James L. Adams
Autor: “Conceptual Blockbusting –
A Guide to better ideas”
Bloqueos conceptuales:
“Barreras mentales que bloquean al
solucionador de problemas de percibir
correctamente un problema o concebir su
solución.”
51
Bloqueadores de percepción
• Estereotipar – Detectar lo que ya esperas
• Dificultad en identificar el problema
• Tendencia en delimitar pobremente el área del problema
• Incapacidad de ver el problema de distintos puntos de vista
Bloqueos
conceptuales Bloqueadores culturales
• Tabús
Bloqueadores del entorno
• Ambiente adecuado
• Razón si, intuición no • Aceptar e incorporar críticas
• Lo digital es mejor • Jefes autocráticos
• La tradición es preferible al cambio • Poco soporte
Bloqueadores de creatividad
Bloqueadores de creatividad
55
El camino de innovador
Ciencia Arte
56
¿Qué es innovación?
57
El skill: Innovación
Mentalidad de diseño
[…] se trata de centrarse en los valores humanos y desarrollar una
comprensión profunda de las personas que más le importan al problema
que estamos tratando de resolver.
A través de la práctica de la empatía.
Entender a tu
stakeholder de una
manera distinta:
Empatía!
60
Design Thinking: Empatizar
¿Quiénes son
sus personajes?
Mapa de Empatía (herramienta) 62
Lo que piensa
Lo que dice
Lo que siente
Lo que hace
63
Design Thinking: Definir
¿Cuánto ¿Cuánto
conoces del sabes del
problema? usuario?
Solución
64
Design Thinking: Idear
Los principios ágiles se aplican a los proyectos de Advanced Analytics para maximizar
el valor en todas las etapas del proyecto.
El mapeo de historias
altamente colaborativo y las
sesiones de planificación de La metodología Agile for
sprint aumentan la Analytics enfatiza la entrega
comprensión de la tecnología iterativa para obtener un valor
y las prioridades comerciales comercial
Plan de proyecto de caso de uso típico 70
Este plan ilustra un flujo de trabajo típico de caso de uso.
Proceso de Caso de Uso 71
• Lluvia de ideas / Identificar y comprender • Revisar y auditar los conjuntos de datos. • Declaración exacta del problema comercial
problemas e hipótesis comerciales • Evaluar y abordar cualquier problema de calidad • Enfoque analítico del esquema
• Definir factores de éxito de alto nivel. de datos. • Realice el análisis inicial, determine cualquier
• Comprender el proceso comercial actual • Identificar valores atípicos y determinar su fuente de datos que deba eliminar el alcance
• Determinar el cumplimiento necesario tratamiento. • Proporcionar información necesaria para la
• Identificar cualquier restricción técnica, • Determinar el manejo de valores perdidos validación del modelo; Inicio de cumplimiento de
analítica y regulatoria; plan de contingencia para • Ingeniería de características, si es necesario riesgos
ellos • Determinar la definición del comportamiento • Determinar la estructura conceptual del Marco
• Inventario de datos y solicitud de datos de objetivo y crear una característica variable Analítico y realizar análisis de tarjetas de
diseño. objetivo puntuación.
• Prepare el conjunto de datos analíticos (ADS) • Realizar reducción de funciones
• Determinar las decisiones clave que se • Finalización del preprocesamiento de datos. • Declaración de decisiones clave de diseño del
tomarán para el modelo. • Creación de ADS marco analítico
• Declaración del alcance del proyecto • Hipótesis para evaluar la segmentación y la • Hipótesis para evaluar la segmentación y la
• Datos extraídos y cargados en el entorno. creación de variables. creación de variables.
• Declaración de las decisiones clave de diseño • Plan definido para el desarrollo del marco
del marco analítico. analítico.
Proceso de Caso de Uso 72
• Desarrollar algoritmo (s) por población definida • Determinar cómo el proceso de toma de • Presentaciones a las partes interesadas para
• Definir la lista final de entradas para el modelo. decisiones consumirá el resultado del modelo. obtener comentarios y aprobaciones finales.
• Refinar ajustes variables; transformar, definir el • Realizar Swaps Analysis w.r.t. Proceso BAU • Resultados de validación de producción
manejo de valores perdidos, pisos y tapas si es para comprender los impactos de KPI de los confirmados para igualar las expectativas
necesario cambios en las decisiones • Desarrollar herramientas de monitoreo de
• Realice una validación de rendimiento fuera de • Determinar los requisitos de monitoreo del decisiones.
tiempo, si es posible para garantizar que no desempeño del modelo y la toma de decisiones. • Documentación completa del modelo y la
haya un ajuste excesivo • Finalizar la estrategia y completar el borrador de estrategia que integra los comentarios de las
• Finalizar el modelo. la Documentación de Decisión y Estrategia partes interesadas clave
• Codificar las especificaciones del modelo y • Aplicar los duros recortes necesarios desde la
entregarlo al servicio de implementación perspectiva política
• Creé un modelo final • Estrategia de riesgo completada • Modelo y marco de decisión que cumple con
• Especificaciones completas para la • Requisitos y especificaciones para el desarrollo las necesidades de política y regulación
implementación de producción de herramientas de monitoreo. • Documentación que satisfaga las necesidades
• Documentación sobre el desarrollo del modelo. • Material para socializar con el cumplimiento de de cumplimiento de riesgos.
riesgos y las partes interesadas.