Tenemos un sueño

Ayudar a nuestros clientes a ser Data

Driven y que co-creemos productos
de datos que den valor a nuestra
relación.
Objetivo Administrar los datos como un activo
organizacional, proporcionando un marco de
trabajo con principios, políticas, procesos,
métricas y vigilancia para lograr asegurar
la integridad, consistencia y calidad de los
activos de información, el entendimiento
común de los datos, tener fuentes oficiales
de la información, garantizar la seguridad y
privacidad del dato su uso efectivo y la
creación de productos de datos que
garanticen el futuro de la organización.

This Photo by Unknown Author is licensed under CC BY-NC-ND

Design
Thinking for
Data Science
 • Cuál es el mayor reto que enfrenta tu organización?
Cuéntame todo lo que consideres al respecto
• Cuánto tiempo llevas en esta situación?
• Cuánto tiempo llevas tratando de resolverlo
• Cuánto ha costado?
Preguntas • Que pasa si no hacemos nada?
• ¿Del 1 al 10 qué tan importante es para ti resolver
esta situación?
• ¿Esto cómo te hace sentir?
• Si tú pudieras construir la solución ideal ¿cómo
sería?
 • ¿Qué problema, si hay alguno, les resuelve WeKall
para su organización o sus aliados?
• De 1 a 10 que tan probable es que nos recomiendes
a un colega o amigo
• Si no es 10, que podemos hacer para mejorarlo
• Si es 10, conoces otra organización que se pueda
beneficiar de nuestros servicios
Satisfacción • ¿Cuál sería tu grado de decepción si WeKall dejara
de existir mañana?:
• Muy decepcionado
• Un poco decepcionado
• Nada Decepcionado
• Ya no lo uso
 Efectividad y optimización
Business
• Dashboards de seguimiento (por región, campaña,
Intelligence línea de servicio)
• Optimización de campañas (tiempos, recursos)
• Análisis de rutas de consumidores
Segmentación
Customer
intelligence LTV Life Time Value
Optimización de campañas, Fidelización, Abandono
• Reducción de la inasistencia a las citas médicas
• Apoyar la segmentación de clientes para campañas
dirigidas
Text Mining
• Campañas proactivas de citas de PyP para evitar
cambio de EPS

Canal Optimizaciones de Telemarketing

Riesgos • Porcentaje de palabras (asesor/usuario) 
Fraude
• Rapport (concordancia del sentimiento)
• Asignación óptima de asesor (mujeres atiendan
hombres)
• Guion óptimo
• Frases y palabras que incrementan el éxito y cierre
 Dashboard de la eficacia de su sistema.

https://www.egain.com/ivr-analytics/
Dashboard de la eficacia de su sistema.

Dashboard
 Que Brinda información
sobre la efectividad y la
optimización

•https://www.dialpad.com/blog/call-center-optimization/
 Que Brinda información
sobre la efectividad y la
optimización

Dashboard

•https://www.dialpad.com/blog/call-center-optimization/
Costumer Journey
 El reto técnico de trabajar con lenguaje
• NLP es considerado uno de los grandes
retos de la inteligencia artificial ya que
es una de las tareas más complicadas y
desafiantes: ¿cómo comprender
realmente el significado de un texto?
¿cómo intuir neologísmos, irónias,
chistes ó poesía? Si la
estrategia/algoritmo que utilizamos no
sortea esas dificultades de nada nos
servirán los resultados obtenidos.
• Nuestro lenguaje está lleno de
ambigüedades, de palabras con
distintas acepciones, giros y diversos
significados según el contexto. Esto
hace que el NLP sea una de las tareas
más difíciles de dominar.

https://towardsdatascience.com/https-medium-com-vishalmorde-humanizing-customer-complaints-using-nlp-algorithms-64a820cef373
Live Call Analytics

• Accurate streaming transcription with support for personally

identifiable information (PII) redaction and custom vocabulary
• Sentiment detection
• Automatic scaling to handle call volume changes
• Call recording and archiving
• A dynamically updated web user interface for supervisors and
agents:
• A call list page that displays a list of in-progress and completed calls, with
call timestamps, metadata, and summary statistics like duration, and
sentiment trend
• Call detail pages showing live turn-by-turn transcription of the caller/agent
dialog, turn-by-turn sentiment, and sentiment trend. And now the new
Agent Assist feature provides additional in-line messages to help agents
respond to callers’ needs.
• Integration with your contact center using either:
• Standards-based telephony integration with Session Recording Protocol
(SIPREC)
• Audiohook integration for Genesys Cloud contact centers
• Amazon Connect ContactLens (New!)
• A built-in standalone demo mode that allows you to quickly install
and try out LCA for yourself, without needing to integrate with your
contact center telephony
• Easy-to-install resources with a single AWS CloudFormation
 template
 TTS / STT • https://github.com/coqui-ai

https://huggingface.co/spaces/coqui/CoquiTTS
Porque fallan los
proyectos de datos

• Y yo quiero que volemos juntos,

pero debemos arrancar del suelo.
• Estamos realizando el análisis de
la información para garantizar la
calidad y la recopilación de los
datos
“Si las empresas Las mejores
cuidaran su dinero oportunidades para el
como cuidan sus crecimiento de su
datos, muchas de organización están en
ellas quebrarían en sus datos.
pocas semanas” 
James Bryce
 Beneficios Riesgos
No es tangible, pero es Datos inexactos, incompletos
perdurable y anacrónicos generan
información de baja calidad
Es fácil de copiar y Los datos se pueden
Los datos transportar, pero dificil de
reponer si se pierde
malentender si se utilizan
incorrectamente
como un Se puede utilizar para
distintos propósitos por
Los datos pueden ser poco
confiables para la toma de
activo distintas personas al mismo decisiones
tiempo

Se puede expresar en Los datos pueden ser

terminos económicos, se utilizados inapropiadamente si
convierten en dinero no se tienen las adecuadas
medidas de seguridad
Objetivos Específicos
• Catalogo de datos: Inventario “Completo” de activos, definiciones, taxonomías y linajes
• Data Governance
• Adoptar lenguaje común (¿Que es Calidad?)
• Privacidad y cumplimiento (GDPR, 27001)
• Reducir silos de información y duplicidad de esfuerzos

• Sandbox (Data Analyst, Data Scientist and business analyst tengan independencia de
Sistemas)
• Crear el data lake de la compañía con tecnologías Big Data
• Desarrollar el gobierno de datos manteniendo el balance entre lo urgente y lo
importante
• Corresponsabilidad: Calidad y analítica es responsabilidad de todos
• Alcanzar autonomía/AutoServicio a través de la democratización de los datos para la gestión del negocio y la toma de decisiones
en base a una única verdad.
• Confianza en los datos e indicadores
• Reducción costos operacionales

• Desarrollar modelos analiticos que apoyen la estrategia de negocio

Necesidad de Gobierno de datos
No hay documentación
• ¿Cómo definir y calcular indicadores?
• ¿Cómo hacer nuevos procesos?
• Estandarizar convenciones y
nomenclatura, glosarios, diccionarios
de datos empresariales
El data lake huele a pantano
lake.
Existen inconsistencias en
KPI, diferentes criterios para
definir KPI (distintos
conceptos detrás de los
indicadores)
Silos de información
Cuál es el dato “más”
confiable.
Cálculos desde muchas Datos inconsistentes y sucios.
fuentes • campos vacíos
• No consistencia en  los campos (textos
• Descargar, unificar y algo que debería Procesos con orígenes
tomar un par de consultas se hacen almacenados como números.
desconocidos.
muy complejo
Dependencia de otras áreas
Múltiples áreas generando para acceder a datos Inconsistencias: “Cuadrando”
informes manuales (excel) (manualidad y datos.
codependencias)
Datos duplicados (principio
Hoja de vida del dato, de
de BD, eliminar las
donde procede.
redundancias)
Data Governance

• Consiste en la formulación y
cumplimiento de políticas para
optimizar, asegurar, y potenciar Ios
datos como activos organizacionales
mediante Ia alineación de los
objetivos de diferentes funciones
organizacionales; por su naturaleza, el
gobierno de datos requiere
cooperación interdepartamental para
entregar oportuna y fielmente datos
con el máximo valor para Ia toma de
decisiones en la organizacionales
Soares (2014)
Otras razones de fracaso
• Construir sin pagar deuda de datos
• No tener prácticas básicas
• No tener calidad en los datos o modelos
• No contar con la disponibilidad de los datos
• No tener claras las definiciones (metadatos técnicos, operacionales y de negocio) y glosarios
• Darle prioridad a la tecnología sobre al caso de uso y cliente
• No construir cultura, procesos de datos antes de la tecnología
• Reintentar la rueda
• Ciencia de datos no es modelos
• No comunicar adecuadamente
 Ciencia de Datos (ML, IA, Discovery, prosprectivo y prescriptivo)

DWH
BI
No tener las
practicas Prácticas fundamentales
• Gobierno de datos 

básicas •
•
Calidad ed datos
Metadatos
• Arquitectura de datos
• Modelado y diseño de datos
• Seguridad de datos
Reinventar la “Rueda” • CRISP DM: Cross Industry Standard Process for Data Mining. El ciclo vital del modelo contiene seis
fases con flechas que indican las dependencias más importantes y frecuentes entre fases. La
secuencia de las fases no es estricta. De hecho, la mayoría de los proyectos avanzan y retroceden
de DAMA y CRISP entre fases si es necesario.

DM • DAMA: Data Managment: Define una visión industrial estándar de las funciones de gestión de
datos, la terminología y las mejores prácticas, sin detallar métodos y técnicas específicas.
 Es un campo que relaciona la estadística, la computación
Ciencia de datos no es y el conocimiento de negocio que, apalancado en el
correr modelos método científico descubre y automatizar la extracción
de valor los datos sin importar su tipo.
No se comunican
adecuadamente
• Los hechos simplemente presentan datos; En
cambio, la narración de una historia proporciona
un contexto que aumenta nuestra comprensión y
nos aporta valiosas ideas.
 Construir sin • + tiempo
• - valor
pagar la deuda • + costos
de datos • + riesgos
 Querer correr antes que
caminar
• Expectativas desalineadas
Calidad de datos,
metadatos, glosarios y
modelado
• GIGO: Gargabe In - Garbage Out
 “Datos! Datos!
Datos! … no
puedo hacer • No disponibilidad de los datos
• Subestimación de tiempo
ladrillos sin • Dependencia de terceros
arcilla” exclamó • Errores imprevistos
Sherlock
Holmes
Iniciar desde la tecnología

CASO DE USO DATA & TECNOLOGÍA

ANALYTICS
 Ca
so
de
us
o
Datos y
analítica

Tecnología

Proceso

Personas
 9 mamás no
tienen un hijo
en un mes • La cultura de datos, la estandarización de procesos
y el entendimiento de negocio toman tiempo
Por donde
empezar

This Photo by Unknown Author is licensed under CC BY

 Elegir prioridades, mi propuesta

https://dataninjago.com/2021/09/15/what-is-data-management-actually-dama-dmbok-framework/
Data Quality
management 

• Nulos y atípicos
• Estadísticos básicos
• Análisis longitudinal
• Coherencia entre
variables
 Tipos de Metadatos
Técnicos Operacionales Negocio Social
• Características de • Capturan información del • Definiciones de términos • Metadatos sobre el
estructuras y formado de proceso de Negocio contenido generado por los
datos • Tiempo de ejecución • Nombre de tablas, vistas, usuarios
• Nombre • Resultados de ejecución reportes • Conocimiento de los
• Descripción • Linaje del dato • Reglas de Negocio usuarios de la empresa
• Tipo de Dato • ETL • Formulas de cálculo de KPI
• Esquemas y modelos • Relaciones con el negocio
Beneficios metadatos

Lenguaje Común: Se necesitan para que los usuarios de distintos

departamentos se entiendan

Democratizar los datos: Es una variable clave para que los usuarios accedan a
la información que requieren

Autoatención: Permiten que los usuarios decidan por si mismos si las fuentes
disponibles responden a sus inquietudes de negocio

Data Driven: Sin metadatos no hay organizaciones data driven

Meta Data Management.
• Entender el dato y tener más unidades de desagregación para análisis 
• Usuarios (CC) y extensiones 
• Ubicación Geográfica, línea de negocio,  sexo 
• Metadatos de campañas
• Proceso/Negocio/Frente
• Unidad de negocio
• Público
• ID de radicado
• Región
• Fecha
• SAP
• Tipo de campaña
• Glosarios
• Fichas de indicadores

https://www.filecenter.com/blog/what-is-metadata-and-how-do-
you-manage-it/
Estandarizar y traer datos de la campaña

Etiquetas