Prueba 1 Sistemas de Información

The Four Key Pillars To Fostering A Data-Driven Culture

En lugar de ver una mayor transformación digital, estamos viendo una regresión digital
decepcionante.
Si no tiene una cultura basada en datos, ¿qué puede hacer para fomentar una?
Desafortunadamente, a pesar de todos los materiales de marketing que indican lo contrario, una
cultura basada en datos no se puede comprar o fabricar, se debe fomentar y desarrollar,
centrándose en los siguientes cuatro pilares:

1. Shift the MINDSET: uno de los desafíos más difíciles es cambiar la mentalidad colectiva de su
gente para adoptar los datos (tener paciencia). Los siguientes pasos contribuyen a cambiar la
mentalidad:

● Patrocinio Ejecutivo: si su líderes no creen en el uso de datos, va a ser muy difícil

que otros adopten una mentalidad basada en ellos. Liderar con el ejemplo es una
de los métodos más poderosos para construir una cultura basada en datos.
● Ganancias rápidas: una de las mejores técnicas de gestión del cambio. Cuando su
gente ve y experimenta los beneficios del uso de datos, es más difícil resistirse a la
necesidad de un cambio. Su impulso basado en datos crece con cada nueva
victoria.
● Experimentación (Test & Learn): las empresas basadas en datos (como Amazon),
no tienen miedo a probar ideas, cometer errores y seguir tratando. Cuando se
prueba de todo, se inculca una disciplina de confianza en los datos para informar la
toma de decisiones y ayudar a innovar más rápido.

2. Fortalecer el CONJUNTO DE HABILIDADES: para tener éxito, los empleados van a necesitar
conocimientos y habilidades específicas relacionadas con los datos. Las siguientes áreas de enfoque
pueden ayudar a impulsar las habilidades de los empleados con datos:

● Alfabetización de datos: “La mejor biblioteca del mundo no es valiosa para alguien
que no puede leer”, por lo que debe asegurarse que sus empleados reciban
capacitación básica sobre cómo leer y comprender los datos que se espera que
consuman y usen.
● Narración de datos: Las personas necesitan comunicar a otras las ideas clave que
encuentran en los datos. Van a tener que poder combinar datos, narrativa y efectos
visuales de manera efectiva para garantizar que los conocimientos se entiendan
fácilmente y puedan impulsar la acción.
● Analistas de recursos: algunas organizaciones no han podido contratar un número
adecuado de expertos en datos. Ahora carecen de entrenadores de datos que
puedan ayudar al resto de sus compañeros a ser mejores conocedores de lo datos
(data-savvy).
3. Afilar HERRAMIENTAS: Con el tiempo, las organizaciones pueden acumular una variedad de
sistemas y herramientas de datos que puede obstaculizar envés de ayudar al desarrollo de una
cultura basada en datos. Las siguientes áreas de enfoque pueden garantizar que tengan una base
tecnológica sólida para establecer una cultura basada en datos:

● Única versión de la verdad: independiente al número de sistemas que tenga su

organización, debe establecer un lenguaje de datos común.
● Modelo de autoservicio: al democratizar los datos a más usuarios del negocio, no
solo libera a analistas y científicos de datos para que se centren en proyectos más
estratégicos, sino que además permite a sus empleados aprovechar los datos de
manera regular.
● Automatización: de muchas tareas de análisis de datos.
● Integración de procesos: las herramientas de análisis pueden ser aún más
eficientes cuando se integran a procesos y sistemas existentes.

4. Solidificar la BASE DE DATOS: Los datos son el medio para un fin. La relevancia y calidad de los
datos determinan si son aceptados o no por personas dentro de la organización. Las siguientes áreas
de enfoque aseguran que sus datos sean útiles, confiables y protegidos:

● Alineación estratégica: muchas organizaciones no logran definir ni comunicar de

forma clara sus prioridades. Sus datos solo van a ser útiles si están estrechamente
vinculados a la medición de rendimiento del negocio. Las herramientas de análisis
deben permanecer alineadas con su estrategia comercial a través del tiempo o los
datos serán cada vez menos útiles.
● Gobierno de datos: si ve los datos como un activo comercial, va a querer
protegerlos y mantener su calidad. Sin embargo, es importante mantener en
equilibrio la supervisión con la accesibilidad para que el deseo de cumplimiento no
opaque la capacidad de las personas de crear valor con los datos.
● Privacidad & seguridad de los datos: para mitigar el riesgo potencial, asegurar que
se respeta la privacidad de los datos y de que estos se usan de forma segura. Los
usuarios deben estar completamente capacitados sobre las consecuencias que
podrían ocurrir en caso de que los datos no estuvieran protegidos. Parte de
establecer una cultura basada en datos es ayudar a todos a darse cuenta de que
juegan un rol importante en la protección de estos.g everyone realize they play a
role in securing these digital assets.

Los 4 pilares sirven como un marco útil para evaluar posibles lagunas que pueda tener la
organización en su estrategia general de datos.

Desarrollar una cultura de datos requiere tiempo y esfuerzo.

Introduction to Business Analytics, Cody Baldwin
Business Analytics usa técnicas y herramientas para convertir datos útiles (de distintas partes) en
percepciones comerciales significativas (Bussiness insight).
Good data/messy data/garbage data: de esto se puede sacar “noise” o business insight. Hay que
tener cuidado y limpiar los datos para no obtener “noise” porque además de no ser útil, podriamos
terminar tomando decisiones erradas.
Tipos de Análisis:
1. Descriptivo: ¿Que paso? Análisis de datos de ventas entre 2 fechas.
2. Predictivo: ¿Que podría pasar? Usar modelos estadísticos.
3. Prescriptivo: ¿Que debemos hacer? Basándose en los análisis anteriores para poder tomar
decisiones.
El valor agregada de cada una, aumenta de arriba hacia abajo en la lista, siendo prescriptive analytics
la con mayor valor.

Buzz words:
Tienen el mismo objetivo que el business analytics: “using tools and techniques to turn data into
business insights.
- Business intelligence
- Decision science
- Data science
- (...)

Metodología (Proceso):
1. Parte con un “business problem” que se tratará de resolver (optimizar precios, segmentar a
los consumidores para la oferta, errores en la cadena de suministros, etc), para aprovechar
las oportunidades del mercado.
2. Se hace un plan de trabajo (planning the work): antes de partir, ver si es posible hacer el
análisis y cuantificar el nivel de esfuerzo y plata que va a necesitar el trabajo, para no
comprometerse con algo que no se puede cumplir. Entonces, ver si la data está disponible,
su calidad, el nivel de detalle de almacenaje de información, frecuencia, etc.
3. Business case: analizar costos y beneficios de hacer el análisis, para presentar al superior. No
avanzar con el trabajo hasta estar aprobado por la gerencia. Dar diferentes opciones, tiene
más valor.

Proceso
Una vez que se identificó el problema, la solución posible, estimación de costos y beneficios, y la
aprobación, se puede empezar a trabajar:
1. Tomar los datos
2. Guardarlos (store)
3. Limpiarlos
4. Analizar
5. Visualizar
 6. Interpretar

Arquitectura de muestras
Como se ve técnicamente.
Ejemplo 1: Análisis tradicional. Más rígida, un grupo chico se dedica a esto, son pocos los que se
manejan con los datos. Se hace para mantener un nivel de control. (p.e: sales → ETL→ data
warehouse, se guardan→ Usando herramientas como excel, se pueden ver gráficos, modelos, etc)
Ejemplo 2: Big data analytics. Para estructuras grandes, poco estructuradas. Con mucha demanda, se
puede hacer muy rápido. (p.e: facebook, twitter→ Hadoop cluster→ se guardan→ graphs)
Ejemplo 3. excel power. Más económico, para número de usuarios limitados, más fácil.

Caso de Estudio
Caso real. Ejemplo de los créditos. Toman información pública demográfica, hacen modelos para
segmentar a los consumidores y ver que productos ofrecerles; observan dónde viven, ingresos,
historial de créditos, para saber qué compran ese tipo de personas y poder personalizar las ofertas
futuras.

Desafíos:
1. Limpieza de los datos: es difícil limpiar datos y luego obtenerlos en el formato que se quiere
para hacer un análisis.
2. Estructura: los datos pueden no estar estructurados en bases o hojas de cálculo; como
películas, imágenes, etc.
3. Volumen: los datos crecen rápido; el 90% de los datos del mundo han sido creado en los
últimos 2 años y van a seguir creciendo. Por lo que tenemos que ser capaces de producir
ideas de forma más rápida para mantenernos en la competencia. Producir insights más
rápido.
4. Poor data: Un buen análisis no va a resolver una mala data. No tiene salida, mejor no usarla.
5. Análisis: un buen análisis no resuelve un mal proceso de negocio.

Tips:
- Proporcionar recomendaciones y no solo información. El valor real viene cuando se puede
dar a la empresa con esos datos, recomendaciones para su negocio.
- Dar a la empresa la libertad de explorar los datos, dejando que se involucren en el análisis,
proporcionarles orientación y derecho para que se usen las herramientas que les permitan
hacer descubrimientos.
- Tomas en cuenta el consejo de un experto y los instintos, lo que reflejan las personas y los
datos se complementan.
- Dividir los problemas en piezas pequeñas y entregar esa información puede ser más útil que
entregar todo de una. Facilita la resolución del problema y evita demorarse mucho en el
análisis de la información,
- Tener un diccionario de data.
- No ser rígido con la arquitectura de los datos, tener distintos formatos.
- Asegurarse de saber algunas herramientas para explorar los datos recolectados; Estadística
en Excel.
BIG DATA: Hoy en día la capacidad de generar datos es tal, que la capacidad de procesamiento de
un smartphone es mayor que la de la NASA cuando el hombre llegó a la luna (solo a nivel de
usuario).
El auge de internet de las cosas provoca que los dispositivos están constantemente enviando datos
desde sus sensores.
Big Data: hace referencia cantidades de datos con tal nivel de volumen y complejidad que no
pueden ser tratados por el software común.
Sus características se han definido en torno al volumen de los datos, velocidad con que estos se
reciben, procesan y se usan para la toma de decisiones y la variedad de fuentes de las que
provienen los datos. Filtrando los datos veraces de aquellos que no sirven y del valor, sacando a la
luz los datos relevantes para cada uso concreto y poder rentabilizarlos.
Distribuyendo datos de gran tamaño (proveniente de distintas fuentes; tanto estructuradas como
no) de forma más pequeña en distintos procesadores, buscando datos a una mayor velocidad.
Para abordar el análisis de todos estos datos, el Big Data usa la lógica basada en algoritmos usando
distintas ramas de la IA (modelos predictivos y prescriptivos)
Finalmente se extrae la forma de los datos analizados en forma de patrones de comportamiento,
predicciones de compra, identificación de nuevas oportunidades de negocios, etc.
Se ha convertido en un medio imprescindible para empresas y gobiernos, aplicando sus beneficios al
marketing y las ventas, optimización de tráfico en las ciudades, en política dando a conocer las
preocupaciones de los ciudadanos, decodificando cadenas de ADN en minutos, etc.
La era del Big Data y IA está recién partiendo, queda mucho por desarrollarse.

Competing on Analytics, Thomas Davenport.

Ante la dificultad de ganarle al competidor basándose solo en los productos.
¿Cómo adelantarse a la manada?
Convertirse en un competidor de análisis utilizando tecnología sofisticada de recopilación de datos y
análisis para extraer todo el valor de los procesos comerciales.
- Análisis completo
- Competidores analíticos de Liderazgo.
- Tecnología como Arma estratégica.
- “Aplicaciones asesinas” de Potencia en el área que promete crear la mayor ventaja
competitiva.
- Análisis de fortaleza industrial.
- Empresas deben competir en análisis.
- En un momento en que las empresas en muchas industrias ofrecen productos similares y
utilizan tecnologías comparables, los procesos comerciales se encuentran entre los últimos
puntos de diferencia restantes
- Coordinación
- Muchas organizaciones han adoptado la analítica, solo pocas han alcanzado nivel de
competencia.
- 32 organizaciones que se han comprometido en el análisis cuantitativo basado en hechos.
 · 11 Competidores analíticos completos de Alta gerencia habían anunciado que el
análisis era clave para sus estrategias.

Anatomía de un competidor analítico: Marriott International.

En los últimos 20 años, la corporación ha perfeccionado a una ciencia en su sistema para establecer
el precio óptimo para las habitaciones. El programa Total Hotel Optimización de Marriott ha
expandido su experiencia cuantitativa a varias áreas; creando sistemas para optimizar las ofertas a
los clientes frecuentes y evaluar la posibilidad de que esos clientes abandonen la competencia.
“Si desea exprimir al máximo su inventario, el enfoque de Marriott es el boleto”
- 3 atributos clave entre los competidores de análisis:
1. Uso generalizado de modelado y optimización:
· Competidores analíticos miran mucho más allá de las estadísticas básicas. à
Modelos predictivos para identificar a los clientes más rentables, mayor potencial
de ganancia, etc.
· Agrupan datos generados internamente y datos adquiridos de fuentes externas
para una comprensión integral de sus clientes.
· Utilización de experimentos sofisticados para medir el impacto general o
“levantar” las estrategias de intervención y luego aplican los resultados para
mejorar continuamente los análisis posteriores.

2. Un enfoque empresarial:
· Los competidores analíticos entienden que la mayoría de las funciones
empresariales pueden mejorarse con técnicas cuantitativas sofisticadas.
· UPS à Ejerce su habilidad estadística para rastrear e movimiento e paquetes
y unificar e influir las acciones de las personas, evaluando la probabilidad de
atracción del cliente e identificando las fuentes de problemas.
· “Estrategia basada en información” à Liderazgo común, tecnología y
herramientas comunes.
· Inteligencia de negocios à Generalmente es administrada por los
departamentos, capacitación, etc. à Caos à Muchas hojas de cálculo y base
de datos desarrolladas por múltiples usuarios à Errores à Entre 20% y 40%
de las hojas de cálculo cometen errores à Cuantas más hojas de cálculo en
una empresa, mas posibilidad de que existan numerosos errores.
· Los competidores analíticos organizan grupos centralizados en el campo
para garantizar que los datos críticos y otros recursos estén bien
administrados.

3. Defensores ejecutivos senior

· La adopción de análisis en toda la empresa impulsa cambios en la cultura,
procesos, comportamiento y habilidades para muchos empleados à
Requiere el liderazgo de ejecutivos que tengan pasión por el enfoque
cuantitativo.
· Principal defensor es el CEO.
 · “En Dios confiamos. Todos los demás aportan datos”.
· CEO que lideran el cargo de análisis requieren tanto una apreciación como
una familiaridad con el tema. Entender teoría detrás de varios métodos
cuantitativos para así reconocer las limitaciones de los métodos.
· Necesidad de encontrar a alguien que pueda explicar las cosas en un
lenguaje sencillo y se pueda confiar en que no haga girar los números.

Fuentes de fuerza
- Competidores analíticos dirigen energías hacia la búsqueda del enfoque correcto,
construcción de cultura correcta y contratación de las personas adecuadas para hacer un uso
óptimo de los datos que constantemente generan.
- El enfoque correcto
· Decidir dónde dirigir los esfuerzos intensivos en recursos.
· Cuán susceptibles son ciertas funciones para un análisis profundo.
- La cultura correcta: la cultura es un concepto suave, el análisis de una disciplina difícil.
· Inculcar un respeto de toda la compañía por medir, probar y evaluar la evidencia
cuantitativa à Se insta a los empleados a basar sus decisiones en hechos
concretos.
· Es normal que, en una cultura analítica, a veces haya tensión entre los impulsos
innovadores o empresariales y el requisito de evidencia.
· Hay casos en que la decisión de cambiar algo o probar algo nuevo debe hacerse
demasiado rápido para un análisis exhaustivo o cuando no es posible recopilar
datos de antemano.
- Las personas adecuadas à Las empresas analíticas contratan personal analítico y, como todas
las empresas que compiten en talento, buscan lo mejor.
· Los buenos analistas deben tener la capacidad de expresar ideas complejas en
términos simples y tener las habilidades de relación para interactuar bien con
los tomadores de decisiones.
- La tecnología adecuada à Competir en análisis significa competir en tecnología. Análisis serio
requiere:
· Una estrategia de datos a Accesibilidad.
· Software de inteligencia empresarial à Amplia gama de procesos y software
utilizados para recopilar, analizar y difundir datos à Para así tener una mejor
toma de decisiones à Permiten extraer, transformar y cargar datos para el
análisis y luego hacer que estos estén disponibles en informes, alertas y cuadros
de mando
· Hardware informático à Procesadores que producen grandes cantidades de
datos rápidamente.

What is Artificial Intelligence?

La inteligencia artificial está en el contexto del ser humano, después de que todos los
humanos son las criaturas más inteligentes que conocemos.
El objetivo de la ciencia de IA es crear sistemas que puedan funcionar de manera inteligente
y de forma independiente a los seres humanos.
Los humanos pueden hablar y escuchar para comunicarse a través del lenguaje, este es el
campo de reconocimiento de voz, gran parte de ese reconocimiento se basa en la
estadística por lo tanto se llama “aprendizaje estadístico”, pueden escribir y leer el texto en
un idioma, ese es el campo de PNL o lenguaje natural. Los humanos pueden ver con sus ojos
y procesar lo que ven, esto es el campo de la computadora de visión, que cae bajo la forma
simbólica para procesar información.
Recientemente ha habido otra manera que vendrá más tarde, los humanos reconocen las
escenas a su alrededor a través de sus ojos que crean imágenes de este mundo (el campo de
imagen), procesamiento que a pesar de que no es, requiere directamente una relación con
la IA para tener la visión requerida por la computación.
Los humanos pueden entender su entorno y moverse fluidamente (campo de la robótica),
los humanos tienen la capacidad de ver patrones como una agrupación de objetos similares
(campo de reconocimiento de patrones), las máquinas son incluso mejores en el patrón de
reconocimiento porque pueden usar más datos y dimensiones, este es el campo de
aprendizaje automático.
El cerebro humano, es una red de neuronas que usamos para aprender sobre cosas y poder
replicar la estructura y la función del ser humano, tiene capacidad cognitiva este es el
campo de redes neuronales, si estas redes son más complejas y profundas las usamos para
aprender cosas más complejas, este es el campo de aprendizaje profundo donde hay
máquinas que son esencialmente diferentes y sirven para replicar lo que hace el cerebro.
Si conseguimos una red que la escanee imágenes de arriba a abajo, de izquierda a derecha
sería una red neuronal de convulsión (CNN): se usa para reconocer objetos en una escena,
es como la visión por computadora encaja en un reconocimiento de objetos a través de la
IA. De la misma forma que los humanos recuerdan el pasado (Ej: qué comiste ayer en la
noche), esto es una red neuronal para recordar un limitado pasado, “una red neuronal
recurrente” Hay dos formas de un ojo; uno funciona de manera simbólica y el otro se basa
en datos para el lado de la “base de datos” llamado una máquina de aprendizaje que
necesitamos alimentar con muchos datos antes de que pueda aprender.
Ejemplo: si tuvieras datos para ventas vs gastos publicitario, puedes trazar esos datos para
ver algún tipo de patrón y si la máquina aprende este patrón entonces puede hacer
predicciones en base a lo aprendido. Las máquinas pueden aprender en muchas más
dimensiones que el ser humano, por lo que pueden ver datos de alta dimensión y
determinar patrones, una vez que aprenden sobre estos patrones pueden hacer
predicciones que ni siquiera los humanos podemos acercarnos, podemos clasificar o hacer
predicciones como cuando usar alguna información sobre clientes para asignar nuevos
clientes a un grupo como adultos jóvenes.
Existe otra forma de pensar en algoritmos de aprendizajes utilizados para IA: si entrenas un
algoritmo con datos que contienen las respuestas, entonces esto se llama aprendizaje
supervisado (Ej: entrenar a una máquina para reconocer a tus amigos por nombre).
Si entrenas un algoritmo con datos donde quieres que la máquina averigüe los patrones
entonces es aprendizaje no supervisado (Ej: usted podría querer alimentar datos sobre
objetos celestes en el universo y esperar que la máquina presente patrones en esos datos
por sí mismo).
Si uno le da un objetivo a cualquier algoritmo y espera a que la máquina a través de prueba
y error lo logra, entonces eso se llama aprendizaje reforzado.
Un intento de robot escala el muro hasta lograr el éxito.

Códigos de R
* R Scritp es un archivo de texto con un comando de R
1.Crear una variable

2. Eliminar una variable

3.Compradores

4. Class me dice lo que son las cosas

5.Números

6.Palabras
7. Fechas

8. Vectores
8. Vectores con nombres asignados

9. 8. Vectores seleccionando partes

9. Eligiendo partes del vector y tomando elementos aleatorios

10. Escribir los vectores

11. Not asigned

12. Muchas funciones

13.Union de vectores
14.Secuencias

15. Tablas

16.Mostrar solo una columna o fila

17.Promedio de fila o columna

18. Crear nuevas columnas

19. ls (), muestra todas las variables creadas

20.If else
21. Funciones
22. any("r" == letters) r esta en letters
23.Instalar un paquete:
install.packages("tidyverse")
library(tidyverse)
para ver si esque esta- require(tidyverse)
24. Tidyverse
-Rowsum( data) :es la suma de todos los valeres de una fila
-mean(Rowsum(data ) ):promedio de la suma de las filas
-Esto es lo mismo que usar un %>%:
Data %>% rowsum %>% mean
25. Para importar una tabla: La apreto y pongo import data después pongo
Nombre de mis datos que invento = read_xlsx("recargas.xlsx")

26. ggplot2
1.Data: son los datos
2. Aestheticas: es la estética, que quiero meter
específicamente dentro del grafico, que coleres le
voy a asinar, ect
3. Geometries: si es un grafio de punos, líneas, ect
4. Facets: Hacer gráficos diferentes dentro de un
mismo grafico
27. Estadísticas