Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
https://huggingface.co/spaces/coqui/CoquiTTS
Porque fallan los
proyectos de datos
• 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
• 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
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
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
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
https://www.filecenter.com/blog/what-is-metadata-and-how-do-
you-manage-it/
Estandarizar y traer datos de la campaña
Etiquetas