business intelligence

Los científicos de datos y los ingenieros de datos pueden ser nuevos títulos de trabajo, pero los roles de trabajo centrales han existido por un tiempo. Tradicionalmente, cualquier persona que analice datos se llamaría "analista de datos" y cualquier persona que crea plataformas de respaldo para respaldar el análisis de datos sería un "Desarrollador de inteligencia empresarial (BI)".

Con la aparición de Big Data, comenzaron a aparecer nuevos roles en corporaciones y centros de investigación como científicos de datos e ingenieros de datos.

Aquí hay una descripción general de las funciones del analista de datos, desarrollador de BI, científico de datos e ingeniero de datos.

Analista de datos

Los analistas de datos son profesionales de datos con experiencia en su organización que pueden consultar y procesar datos, proporcionar informes, resumir y visualizar datos. Tienen un sólido conocimiento de cómo aprovechar las herramientas y los métodos existentes para resolver un problema, y ​​ayudan a las personas de toda la empresa a comprender consultas específicas con informes y cuadros específicos. Sin embargo, no se espera que traten con el análisis de grandes datos, ni se espera que tengan los antecedentes matemáticos o de investigación para desarrollar nuevos algoritmos para problemas específicos.

Habilidades: los analistas de datos deben tener una comprensión básica de algunas habilidades básicas: estadísticas, recopilación de datos, visualización de datos, análisis exploratorio de datos,

Herramientas: Microsoft Excel, SPSS, SPSS Modeler, SAS, SAS Miner, SQL, Microsoft Access, Tableau, SSAS .

Desarrolladores de inteligencia de negocios

Los desarrolladores de inteligencia empresarial son expertos en datos que interactúan más estrechamente con las partes interesadas internas para comprender las necesidades de informes y luego recopilar requisitos, diseñar y crear soluciones de BI e informes para la empresa. Deben diseñar, desarrollar y dar soporte a almacenes de datos, paquetes ETL, cubos, paneles de control e informes analíticos nuevos y existentes. Además, trabajan con bases de datos, tanto relacionales como multidimensionales, y deben tener excelentes habilidades de desarrollo de SQL para integrar datos de diferentes recursos. Utilizan todas estas habilidades para satisfacer las necesidades de autoservicio de toda la empresa. Normalmente no se espera que los desarrolladores de BI realicen análisis de datos.

Habilidades: ETL, elaborar reportes, OLAP, cubos, web intelligence, business objects design,
Herramientas: Tableau, dashboard tools, SQL, SSAS, SSIS, SPSS Modeler.

Ingeniero de datos

Los Ingenieros de datos son los profesionales de datos que preparan la infraestructura de "big data" para ser analizados por los científicos de datos. Son ingenieros de software que diseñan, construyen, integran datos de diversos recursos y administran big data. Luego, escriben consultas complejas sobre eso, se aseguran de que sea fácilmente accesible, que funcione sin problemas y que su objetivo sea optimizar el rendimiento del gran ecosistema de datos de su empresa.
También pueden ejecutar algunos ETL (Extraer, Transformar y Cargar) sobre grandes conjuntos de datos y crear grandes almacenes de datos que pueden ser utilizados para informes o análisis por científicos de datos. Más allá de eso, dado que los Ingenieros de datos se centran más en el diseño y la arquitectura, generalmente no se espera que conozcan ningún aprendizaje automático o análisis de big data.

Habilidades: Hadoop, MapReduce, Hive, Pig, Data streaming, NoSQL, SQL, programación.
Herramientas: DashDB, MySQL, MongoDB, Cassandra

Científico de datos

Un científico de datos es el alquimista del siglo XXI, alguien que puede convertir datos sin procesar en ideas purificadas. Los científicos de datos aplican estadísticas, aprendizaje automático y enfoques analíticos para resolver problemas empresariales críticos. Su función principal es ayudar a las organizaciones a convertir sus volúmenes de big data en información valiosa y útil.
De hecho, la ciencia de la información no es necesariamente un campo nuevo en sí, pero puede considerarse como un nivel avanzado de análisis de datos que está impulsado y automatizado por el aprendizaje automático y la informática. En otra palabra, en comparación con los "analistas de datos", además de las habilidades analíticas de datos, se espera que los científicos de datos tengan una gran capacidad de programación, una capacidad para diseñar nuevos algoritmos, manejar grandes volúmenes de datos, con cierta experiencia en el conocimiento del dominio.

Además, también se espera que los científicos de datos interpreten y entreguen con elocuencia los resultados de sus hallazgos, mediante técnicas de visualización, aplicaciones de ciencia de datos de construcción o narrando historias interesantes sobre las soluciones a sus problemas de datos (negocios).
Las habilidades de resolución de problemas de un científico de datos requieren una comprensión de los métodos de análisis de datos tradicionales y nuevos para construir modelos estadísticos o descubrir patrones en los datos. Por ejemplo, crear un motor de recomendación, predecir el mercado de valores, diagnosticar a los pacientes según su similitud o encontrar patrones de transacciones fraudulentas.
Los científicos de datos a veces pueden presentar grandes datos sin tener en cuenta un problema empresarial en particular. En este caso, se espera que el científico de datos curioso explore los datos, formule las preguntas correctas y proporcione hallazgos interesantes. Esto es complicado porque, para analizar los datos, un científico de datos sólido debe tener un conocimiento muy amplio de las diferentes técnicas en el aprendizaje automático, la minería de datos, las estadísticas y las infraestructuras de big data.

Deben tener experiencia trabajando con diferentes conjuntos de datos de diferentes tamaños y formas, y ser capaces de ejecutar sus algoritmos en datos de gran tamaño de manera efectiva y eficiente, lo que normalmente significa mantenerse actualizado con las últimas tecnologías de vanguardia. Por esta razón, es esencial conocer los fundamentos y la programación de la informática, incluida la experiencia con lenguajes y tecnologías de bases de datos (grandes / pequeñas).

Habilidades: Python, R, Scala, Apache Spark, Hadoop, machine learning, deep learning, estadistica.
Herramientas: Data Science Experience, Jupyter, RStudio.

Fuente: https://cognitiveclass.ai/blog/data-scientist-vs-data-engineer/

En un mercado donde el dato es el claro dominante de las ventajas competitivas a las que toda empresa aspira, es fundamental que los profesionales y líderes del sector estén al tanto y evalúen todas las tecnologías emergentes de cara a determinar cómo entienden las organizaciones sus datos y cómo sacar el máximo partido a estos.

Tras entrevistar a expertos del sector, administradores de productos, ingenieros y especialistas en visualización de datos, Tableau ha podido reunir las tendencias que  reinarán en 2019 y que giran en torno a la convergencia entre las personas, los procesos y la tecnología.

1. Auge de la inteligencia artificial explicable

Según Gartner en 2020, el 85 % de los directores de tecnología probarán programas de inteligencia artificial por medio de una combinación de iniciativas de compra, desarrollo y contratación externa.

Richard Tibbetts, administrador de productos de inteligencia artificial en Tableau afirma que: “El escepticismo de los responsables de la toma de decisiones está justificado cuando las respuestas proporcionadas por la inteligencia artificial y el aprendizaje automático no se pueden explicar. Los análisis y la inteligencia artificial deben ayudar (y no reemplazar por completo) la interpretación y la experiencia humana”.

Los responsables de la toma de decisiones esperan poder hacer preguntas de seguimiento sobre las razones por las cuales un modelo indica algo, cuán seguro está y qué diría si las entradas fueran diferentes. Para tener un impacto revolucionario en las organizaciones, la inteligencia artificial debe generar confianza y además, es necesario justificar las conclusiones extraídas de manera comprensible y sencilla, haciendo un seguimiento con preguntas para ayudar a los humanos a interpretar mejor sus datos.

2. El lenguaje natural humaniza los datos

El procesamiento del lenguaje natural (NLP) combina ciencias de la computación y lingüística para ayudar a los sistemas a comprender el significado del lenguaje humano. En la actualidad, los proveedores de BI brindan una interfaz de lenguaje natural a las visualizaciones para que los usuarios puedan interactuar con sus datos de manera natural y hacer preguntas a medida que se les ocurren sin tener conocimientos profundos de la herramienta de BI. Cuando es posible interactuar con una visualización como si fuera otra persona, se abren áreas de la canalización del análisis que solían ser exclusivas para científicos de datos y analistas avanzados por lo que los usuarios no están limitados por el conjunto de conocimientos sobre análisis, sino solo por la amplitud de sus preguntas.

3. Los análisis eficaces ponen los datos en contexto

Las plataformas de BI evolucionan y ponen los datos donde las personas los necesitan para actuar y tomar decisiones. Se combinan con flujos de trabajo, procesos y operaciones de negocio claves mediante funcionalidades, como análisis móviles, análisis incorporados, extensiones de dashboards y API. Como resultado, los análisis útiles aceleran el proceso de toma de decisiones para los roles técnicos y no técnicos.

4. Los datos aumentan el impacto social positivo

Los datos han cambiado la forma en la que operan las organizaciones, incluidas las organizaciones no gubernamentales (ONG) y las que no tienen ánimo de lucro.

Históricamente, las ONG y las organizaciones sin ánimo de lucro no han tenido los recursos para invertir en infraestructuras de datos sofisticadas ni equipos grandes de personas que trabajaran con datos. Ahora, con la rentabilidad y la flexibilidad de la tecnología en la nube, esas organizaciones pueden desarrollar entornos de datos sofisticados sin realizar inversiones masivas en instalaciones físicas, lo que allana el camino para más iniciativas de impacto social impulsadas por los datos.

5. Los códigos éticos llegan a los datos

Debido a regulaciones como el RGPD, los líderes están evaluando el futuro de las prácticas éticas relacionadas con los datos.
Las empresas están analizando de manera crítica todo el ciclo de vida de los datos, desde la recopilación hasta el análisis. Esto ofrece la oportunidad de evaluar la estrategia de administración de datos completa a fin de garantizar el cumplimiento de las regulaciones y el código interno de ética.

6. La administración de datos converge con las plataformas de BI modernas

La selección y administración de datos es el proceso de identificar qué fuentes de datos son necesarias y poner los datos en el contexto del negocio. De esta manera, los usuarios corporativos pueden interactuar con los datos, entenderlos y utilizarlos para crear sus análisis.

A medida que las fuentes de datos se vuelven más complejas, diversas y numerosas, la administración de datos es más importante que nunca en las implementaciones de BI modernas. Como cada vez es mayor la cantidad de personal que usa datos para impulsar la toma de decisiones, las organizaciones deben garantizar su precisión y su uso en los análisis.

7. Contar historias con los datos es el nuevo idioma de las organizaciones

Independientemente del nivel de automatización, el tamaño del conjunto de datos y la sutileza de los cálculos, si no se pueden comunicar los descubrimientos a otras personas, es imposible generar un impacto con estos análisis. La visualización de datos, no es otra cosa que un lenguaje y cada vez es más común que los analistas tengan que saber cómo comunicar información a los responsables de la toma de decisiones de una forma práctica y fácil de comprender.

8. Las empresas profundizan en la adopción del análisis

 A menudo, las iniciativas de Business Intelligence tienen fechas de inicio y finalización bien definidas. Además, es común que se consideren “terminadas” después de implementarse para los usuarios. Sin embargo, el simple hecho de proporcionar acceso a soluciones de BI no es lo mismo que adoptarlas. Los directores de datos, en especial, están reevaluando el papel que tiene el BI en un cambio estratégico hacia la modernización, porque el valor real no se mide por la solución que uno implementa, sino por cómo la usa el personal para generar un impacto en el negocio.

9. La democracia de los datos eleva al científico de datos

En el informe sobre puestos de trabajo emergentes de Estados Unidos de 2017, LinkedIn señaló que “la demanda de científicos de datos había aumentado más del 650 % desde 2012” y que “cientos de empresas estaban contratando personas para esos roles” en distintos sectores.

El grupo de candidatos es cada vez más acotado, ya que “los ingenieros de aprendizaje automático, los científicos de datos y los ingenieros de Big Data se clasifican como los principales puestos de trabajo emergentes”.
Actualmente, se espera que los científicos de datos tengan conocimientos avanzados sobre estadística y aprendizaje automático, además de contar con pensamiento estratégico orientado a los negocios y conocimiento detallado sobre su sector.

10. La aceleración de la migración de datos en la nube impulsa la adopción del BI moderno

Los datos pasan a la nube más rápido que nunca e impulsan a las organizaciones a repensar su estrategia de datos.
Cada vez más empresas reconocen los beneficios de trasladar los datos a la nube, lo que incluye más flexibilidad y escalabilidad a un menor coste total de propiedad. De hecho un estudio de Gartner indica que los servicios en la nube pública tendrán un crecimiento del 21.4 % en 2018 y alcanzará los 186 400 millones de USD.

Esto nos lleva a la “fuerza de la gravedad de los datos” un concepto que sugiere que los servicios y las aplicaciones van hacia donde residen los datos. A medida que aumenta a un ritmo acelerado la cantidad de organizaciones que trasladan las cargas de trabajo a la nube, esa fuerza de gravedad también atrae los procesos de análisis a la nube.

¿Crees que 2019 nos traerá más tendencias?

Puedes leer en profundidad el informe de Tableau en el siguiente link: https://www.tableau.com/es-es/reports/business-intelligence-trends

Fuente y derechos: Tableau Blog ( https://www.tableau.com/es-es/reports/business-intelligence-trends)

Según una investigación reciente de PWC, el 72% de los líderes empresariales dijeron que creen que la IA será fundamental en el futuro y lo calificaron como una "ventaja comercial". Sin duda, la IA es una de las tecnologías futuras más importantes que muchas empresas, pequeñas o grandes, están optando rápidamente.

Con más de mil millones de usuarios activos de dispositivos con iOS y 2 mil millones de usuarios activos de dispositivos con Android, el sector de desarrollo de aplicaciones móviles personalizadas proporciona los mercados más rentables y cautivadores para desarrollar y vender las soluciones digitales más avanzadas a los usuarios de todo el mundo. Hay alrededor de 4 millones de aplicaciones móviles únicas en este sistema operativo, la mayoría de las cuales tienen funciones similares.

El aprendizaje automático es una parte crucial e integral de la Inteligencia Artificial que se usa ampliamente en los servicios de desarrollo de software. Además, tuvo un impacto en el desarrollo de aplicaciones móviles y se ha convertido en un mercado potencial para implementar software que pueda adaptarse al comportamiento del usuario.

Hoy en día, todos quieren una experiencia de usuario personalizada de acuerdo con sus necesidades específicas. Por lo tanto, no es suficiente desarrollar una aplicación móvil decente que satisfaga las necesidades de todo tipo de usuarios. Deje que el aprendizaje automático o la inteligencia artificial trabajen para usted. Las aplicaciones impulsadas por el aprendizaje automático pueden transformar sus aplicaciones móviles con las que los usuarios pueden soñar. Esto ha abierto el camino para algunas aplicaciones geniales.

Ahora, analicemos algunas ideas de aplicaciones móviles basadas en inteligencia artificial o aprendizaje automático en las que puede aplicar técnicas de aprendizaje automático:

IDEA 1: Aplicaciones basadas en IA para herramientas y equipos de atención médica

Para el año 2020, la inteligencia artificial tendrá un gran impacto en la industria de la salud. Las aplicaciones AI / ML ayudan a analizar los datos de los pacientes y también ayudan a mejorar los resultados. Esto significa que las aplicaciones basadas en IA pueden usarse como herramientas de mejora de decisiones que mejoran la confiabilidad, la previsibilidad, la calidad y la estabilidad del trabajo junto con la seguridad.

Echa un vistazo a algunos ejemplos:

1. BillyScreen es una aplicación móvil popular que utiliza herramientas de IA y ML, algoritmos de visión por computadora y cámaras inteligentes para detectar niveles aumentados de bilirrubina en la parte blanca del ojo humano. También se está utilizando para detectar diversas afecciones críticas de salud, como el cáncer de páncreas.

2. Redivus Health es una aplicación móvil intuitiva que muchos proveedores de atención médica utilizan ampliamente para evitar errores en los datos médicos. También proporciona apoyo ininterrumpido para la toma de decisiones clínicas durante eventos médicos documentados en tiempo real.

IDEA 2: Aplicaciones de servicios de TI basadas en inteligencia artificial

Con el creciente mundo digital, los ataques cibernéticos y los piratas informáticos se están convirtiendo en una realidad creciente. Una de las mejores ideas es usar inteligencia artificial o aprendizaje automático en soluciones de TI, seguridad y servicios para intervenir en la marca. Las empresas pueden crear plataformas de IA y aplicaciones móviles para servicios de TI y seguridad para diversas cargas de trabajo de sistemas informáticos.

Ejemplo:

AI2 es una plataforma basada en IA, desarrollada por el Laboratorio de Ciencias de la Computación, Patrón X e Inteligencia Artificial (CSIL) del MIT. Esta plataforma pretende predecir ataques cibernéticos con su modelado contextual proactivo que es un ciclo de retroalimentación continua entre un sistema de inteligencia artificial y un analista humano.

IDEA 3: Aplicaciones de comercio electrónico basadas en IA para vender productos

La tecnología de inteligencia artificial puede dar a los sitios web centrados en el cliente una ventaja competitiva y está disponible para una gran cantidad de empresas de comercio electrónico de cualquier tamaño o presupuesto. La inteligencia artificial y el aprendizaje automático ahora permiten a los compradores electrónicos asociar productos con el color, el tamaño, la forma y la marca correctos. Muchas aplicaciones web centradas en el cliente ya se están volviendo más sofisticadas con capacidades avanzadas de inteligencia artificial y se espera que crezcan en el futuro.

Aquí hay ejemplos de aplicaciones de comercio electrónico basadas en IA:

1. La aplicación Alexa más popular de Amazon es una herramienta de inteligencia artificial popular que ayuda a aprender los algoritmos de la base de marketing dirigida de Amazon. Alexa le permite a Amazon saber qué productos y servicios tendrán la mayor demanda de acuerdo con las búsquedas de los clientes y también compartir recomendaciones personalizadas.

2. eBay también utiliza inteligencia artificial para mantener una ventaja competitiva en el mercado. La plataforma eBay Shopbot es útil para encontrar diferentes productos utilizando NLP (procesamiento de lenguaje natural). Por lo tanto, está claro que el aprendizaje automático es una parte crucial de la estrategia comercial de eBay.

Del mismo modo, puede usar la función AI para hacer que sus aplicaciones de comercio electrónico tengan más funciones para sus clientes. Puede obtener soluciones de desarrollo de aplicaciones móviles para transformar su idea en realidad.

IDEA 4: Aplicaciones de ciberseguridad basadas en IA

La inteligencia artificial también tiene beneficios en ciberseguridad. Por un lado, la tecnología está capacitando a varias empresas para proporcionar una protección más inteligente y efectiva contra los ciberataques. La disponibilidad de marcos de código abierto basados ​​en inteligencia artificial como TensorFlow, Caf y Torch fortalece y automatiza la seguridad de los datos a escala.

Aquí están algunos ejemplos-

1. LogRhythm está utilizando soluciones de seguridad de primer nivel para varias empresas para detectar y responder a diferentes amenazas de ciberseguridad. El perfil de aprendizaje automático de la compañía ayuda a detectar amenazas y otras anomalías en línea.

2. Una marca como CrowdStrike utiliza un software de seguridad de punto final basado en la nube, llamado Falcon, que ofrece prevención contra amenazas cibernéticas y proactivas en diversas industrias, como el comercio minorista, la atención médica y las finanzas.

IDEA 5: Aplicaciones de ahorro de energía, energía y costos habilitadas por AI

Con la tecnología AI y ML, los proveedores de electricidad pueden optimizar eficazmente la eficiencia de generación de energía y pueden ayudar a predecir futuras cargas de energía a niveles granulares. Por ejemplo, el concepto de un "parque eólico digital" de GE Renewable Energy comprende un software de inteligencia artificial que monitorea el movimiento de la turbina y ayuda a mejorar los niveles de generación de energía hasta en un 20%.

La aplicación móvil de Codegreen Energy está ahorrando miles de millones de dólares con su tecnología habilitada para IA de bajo consumo. La aplicación móvil compara la eficiencia de los niveles de energía de miles de edificios para determinar si cumplen con las leyes que muestran su puntaje Energy Star.

IDEA 6: Aplicación de narración de historias habilitada por AI

¿Te gusta escuchar historias o leer libros en la radio? Confía en mí, estas historias no siempre vienen como quieres, podrían deberse a un horario ocupado u otras razones. La aplicación móvil Storyteller se asegurará de que pueda escuchar sus libros o novelas favoritas, leerle en un formato de narración real.

Simplemente pegue el archivo PDF o Word de la historia o el enlace a la aplicación, y la aplicación móvil lo leerá no como un dictado sino como un narrador profesional. Esta aplicación móvil también predeterminará su estilo de narración basado en el análisis jerárquico de la historia recibida.

IDEA 7: Aplicaciones de automatización de reclutamiento en línea habilitadas por AI

La inteligencia artificial automatiza de manera efectiva el proceso de reclutamiento, como la selección, el reclutamiento de candidatos y la búsqueda de trabajo, por lo que es una de las buenas ideas de aplicaciones que se te ocurren. La tecnología basada en IA se enfoca en varias otras tareas de reclutamiento y reduce sus esfuerzos al buscar en Internet a los aspirantes correctos.

Hoy en día, los empleadores inteligentes utilizan ampliamente las aplicaciones móviles de reclutamiento habilitadas para IA para encontrar a los candidatos correctos que no han sido considerados para puestos de trabajo en el pasado, no porque estén bien calificados, sino porque aparecen en los resultados de búsqueda o no aparecieron.

Ejemplo:

El chatbot de reclutamiento es la mejor herramienta de reclutamiento habilitada para IA que utiliza lenguaje natural para comprender el texto ingresado por los usuarios. Una de las características principales de un chatbot de reclutamiento es ofrecer comunicación en tiempo real a los candidatos y programar una entrevista con el reclutador.

Existen herramientas basadas en inteligencia artificial que ayudan a comercializar los mejores canales de reclutamiento utilizando mensajes dirigidos, automatización y análisis habilitados por tecnología. En el año 2019, las herramientas de marketing de reclutamiento habilitadas para IA serán la mejor técnica para publicitar su empresa entre los candidatos para el trabajo.

IDEA 8: Aplicaciones de aprendizaje rápido habilitadas para IA

El concepto de IA o herramientas de aprendizaje automático ha cambiado la forma en que leemos, buscamos y escribimos texto. Existen aplicaciones avanzadas de inteligencia artificial o aprendizaje automático que lo entienden, buscan y leen, esto también ayudará a los investigadores a aprender sobre el desarrollo de la última tecnología, herramientas e información.

Ejemplos:

1.Udemy es uno de los mejores ejemplos de una aplicación móvil de aprendizaje que ofrece una amplia gama de cursos para desarrollo personal, desarrollo web y muchos más. También puedes aprender a tocar la guitarra, Udemy ofrece docenas de cursos para ayudarte.

2. Goodreads es también una de las mejores formas de aprender casi cualquier cosa sobre tecnología, ficción, autoayuda, etc. La aplicación cuenta con más de 40 millones de miembros registrados y en crecimiento. La aplicación ayuda a los usuarios a encontrar el libro correcto en el momento adecuado.

IDEA 9: Interfaces inteligentes de conversación habilitadas por AI

La interfaz interactiva es la última tendencia en esta era digital que se centra en cómo las personas interactúan con el sistema. Grandes marcas como Facebook, Amazon, Google y Microsoft están fuertemente enfocadas en el desarrollo de diferentes interfaces de conversación.

Ejemplos:

1. La aplicación móvil de Starbucks para iPhone es un buen ejemplo de una interfaz de conversación que le otorga recompensas, le permite interactuar con chatbots y puede buscar en las tiendas. El asistente virtual que usan es “My Starbucks Barista, una tecnología basada en inteligencia artificial que también puede aclarar los elementos del menú y los precios.

2. Otro ejemplo popular es el chatbot de Bank of America llamado Erica, que ayuda a los clientes del banco a tomar decisiones financieras como balancear cheques, hacer pagos, analizar gastos y hacer sugerencias. Los usuarios pueden descargar fácilmente Erika a sus teléfonos móviles y chatear a través de mensajes de voz o de texto.

IDEA 10: Aplicaciones de predicción de mercado habilitadas por AI

Ahora en estos días, los operadores del mercado deben actualizarse en cada paso del mercado. El uso de la IA o la aplicación de aprendizaje automático en el mercado de valores moderno hace que las acciones suban y bajen diariamente. También puede obtener ayuda para crear una cartera, verificar el valor de mercado en tiempo real de cualquier acción, obtener ayuda para comprender los gráficos de acciones, las tendencias del mercado y todo desde su teléfono móvil.

Ejemplos:

1. Para actualizaciones del mercado en vivo, NetDania Forex es una de las mejores aplicaciones que le envía cotizaciones en bolsas mundiales, pares de divisas y productos principales. Esta aplicación móvil le envía notificaciones en vivo cuando se publican datos económicos.

2. FRED Economic Data es una de las mejores aplicaciones para aquellos que no están familiarizados con los datos económicos, que es un repositorio en su teléfono móvil con miles de series temporales para varios puntos de datos económicos en todo el mundo.

IDEA 11: Predicción basada en IA para la explotación de vulnerabilidades

La IA o las aplicaciones de aprendizaje automático son una gran idea para predecir cuándo los atacantes utilizarán cualquier vulnerabilidad particular en una parte de las aplicaciones de software. Esto también nos permite tener días o incluso semanas antes de nuevos ataques.

Este es realmente un problema poderoso, pero al centrarnos en una simple clasificación de "será atacado" o "no será atacado", podemos entrenar fácilmente el modelo exacto con un alto recordatorio.

IDEA 12: Aplicaciones de contabilidad y finanzas habilitadas por IA

La inteligencia artificial o las características de aprendizaje automático están afectando a muchas industrias y las industrias de fintech y contabilidad no son una excepción. Hoy en día, los profesionales de finanzas y contabilidad están utilizando inteligencia artificial o aprendizaje automático para facilitar su trabajo a través de prácticas como la entrada rápida de datos y los informes.

Eche un vistazo a algunos ejemplos:

1. Las aplicaciones móviles de contabilidad cero aceleran la ejecución de la información financiera y envían actualizaciones en vivo sobre los datos bancarios, la facturación, el flujo de caja y más.

2. VOD es un sistema POS popular y fácil de usar que envía actualizaciones financieras directamente a los consumidores desde tiendas o tiendas. Esta plataforma también tiene excelentes capacidades de informes.

Conclusión

Por lo tanto, hemos visto una lista de ideas de aplicaciones de inteligencia artificial o aprendizaje automático que definitivamente ayudarán a que su negocio crezca bien. En el año 2020, la inteligencia artificial se ha convertido en herramientas poderosas para todo tipo de empresas. Aunque las grandes corporaciones han sido líderes en el uso del aprendizaje automático y la inteligencia artificial, una gran cantidad de pequeñas empresas ya están utilizando estas tecnologías para mejorar su competitividad a través de la eficiencia, la innovación y la productividad.

Si es una empresa y desea tener su propia aplicación habilitada para IA, puede elegir una compañía de desarrollo artificial que brinde soluciones de aplicaciones repletas de funciones en IA. Hay muchas compañías que ofrecen servicios de desarrollo de aplicaciones móviles habilitados para IA en India. Puede elegir el mejor y construir su aplicación móvil.

Fuente: https://towardsdatascience.com/12-best-ai-ml-based-app-ideas-thatll-make-money-in-2020-96d104b6367e

ESTRATEGIA:

1. Soñando que la analítica es una varita mágica plug & play que traerá un retorno de la inversión a muy corto plazo. Los modelos básicos de Excel bien ejecutados pueden haber traído ganancias rápidas en la década de 2000, pero los análisis avanzados requieren algo de tiempo. 

La analítica nunca es plug & play porque la conexión de datos en modelos es extremadamente larga, porque los aprendizajes no son transferibles entre empresas o mercados y porque requieren un alto OPEX en personas y un alto CAPEX en sistemas.

2. Resolver problemas que no merecen ser resueltos, lo que resulta en una pérdida de tiempo y recursos. El análisis no se trata de soluciones que buscan problemas, sino de problemas que buscan soluciones. 

Preguntas como "¿Qué podemos hacer con la cadena de bloqueo? "Cómo puedo resolver mi problema de marketing" es una pregunta que tiene sentido. El peor error del Jefe de Análisis de Datos es no tener una visión extremadamente clara de los principales retos y oportunidades a los que se enfrenta cada área funcional.

3. Confiar únicamente en proveedores o consultores para el análisis, especialmente en la creación de modelos. La autopsia de cómo las empresas fallan en el desarrollo de capacidades con consultores es la siguiente: el cliente contrata a un consultor para que entregue un proyecto y, al mismo tiempo, desarrolle capacidades internas. 

El cliente tiene expectativas demasiado poco realistas sobre el impacto del proyecto y los consultores nunca dicen "No" y sobrevenden el proyecto. El impacto no se materializa y un día el cliente le dice al consultor: "Si no obtienes algún impacto en el próximo mes, detendré tu contrato". Ese día, el desarrollo de capacidades muere oficialmente, si es que hubiera existido. RIP. Unos cuantos millones de dólares en el cubo de la basura. De todos modos, la analítica es el cerebro de la empresa. Trabajar con proveedores y consultores puede funcionar, pero hay que pensar bien la gobernanza.

4. No elaborar una lista completa de prioridades. Dado que sólo se puede contar con cinco dedos en una mano, por lo tanto, la gerencia debe escoger un máximo de cinco métricas en lugar de hacer que todo parezca importante.

5. Decir sí a peticiones aleatorias o accesorias, como proyectos de visualizaciones y reportes glamourosos que a menudo resultan en el síndrome de análisis-parálisis.

6. Asumiendo que no pagar por datos externos o subir a la nube es la solución para la privacidad y seguridad de los datos. Si bien existen algunas restricciones regulatorias en algunos sectores y países, y a veces incluso límites éticos, la monetización externa y la nube realizada correctamente no implican necesariamente riesgos de seguridad.


GENTE:

7. Organizar el análisis bajo áreas que no impulsan el negocio a diario, como la TI o la estrategia. La analítica sólo es poderosa si se combina organizativamente con las operaciones diarias. Debe ser organizado por negocio, no IT o Estrategia

8. Permitir que múltiples equipos de análisis florezcan con silos organizacionales entre ellos. Analytics necesita mantener una visión integrada del negocio.

9. Atraer el talento sólo a través de la compensación base. En cambio, es necesario construir un sentido de propósito, crear una poderosa marca de empleador y desarrollar el talento interno.

10. Contratar a un grupo de doctores que se esfuerzan por desarrollar modelos altamente complejos en lugar de soluciones rudimentarias direccionalmente correctas, por lo que no logran demostrar una visión procesable. Por lo tanto, contrate a estudiantes rápidos altamente entrenables (incluso si tienen un doctorado) .

11. Contratación de un Director Técnico de Análisis de Datos no técnico o viceversa. Necesita ser lo suficientemente técnico como para entrenar a su equipo y lo suficientemente orientado al negocio como para entender los problemas del negocio.

12. No traer expertos en dominios y consultores de negocio internos a los equipos de análisis para cerrar la brecha entre los líderes de negocio y los equipos de análisis para asegurar un viaje de punta a punta de idea a impacto.

13. Descuidar la creación de una cultura basada en datos a través del coaching activo en toda la organización, desde los agentes de ventas hasta el CEO, especialmente los agentes de ventas y el CEO.

14. No ser lo suficientemente objetivo y permanecer sesgado hacia el statu quo o el pensamiento de liderazgo. Los equipos de análisis profundamente integrados en las funciones de negocio o BUs son más propensos a tener estos problemas que los centralizados. Es por eso que algunas organizaciones crean equipos de control de calidad.

EJECUCIÓN:

15. No integrar la analítica en los modelos operativos y en los flujos de trabajo diarios. El uso de la analítica como parte de sus actividades diarias ayuda a los usuarios a tomar decisiones mejor informadas, a incorporar la retroalimentación de los consumidores en las soluciones y a iterar rápidamente nuevos productos; en cambio, muchos siguen confiando en los instintos.

16. No se trata de juntar por juntar a los científicos de datos con los equipos de negocios. De lo contrario, no se hablarán entre ellos.

17. Gestión de proyectos analíticos en cascada. Los parámetros de un modelo no se pueden conocer de antemano. Se determinan a través de un proceso iterativo que se parece más a un arte que a una ciencia. Por lo tanto, los proyectos analíticos deben ser iterativos siguiendo, por ejemplo, el Agile Framework.

18. No ser capaz de escalar los pilotos de análisis. Las compañías a menudo terminan matando los pilotos tan pronto como necesitan reasignar fondos para otras iniciativas a corto plazo.

19. Descuidar la gobernanza de los datos como un elemento fundamental. El gobierno de datos se refiere a la organización, los procesos y los sistemas que una organización necesita para gestionar sus datos de forma adecuada y coherente como un activo, desde la gestión de la calidad de los datos hasta el control de acceso o la definición de la arquitectura de los datos de forma estandarizada.

TECNOLOGÍA:

20. Intentar crear modelos de ciencia de datos sin refinar su infraestructura de ingeniería de datos: repositorios limpios, motores eficientes y procesos optimizados de transferencia de carga de extracción. La ingeniería de datos sin casos de uso reales para modelar también está mal. Tanto la modelización como la ingeniería deben ir en paralelo o de forma iterativa.

21. No utilizar ninguna de las siguientes tecnologías básicas: Hadoop, Spark, R, Python, una herramienta de visualización avanzada de su elección, y un sistema de informes granular de autoservicio abierto para toda la organización.

22. Disponer de silos tecnológicos entre los repositorios de datos, lo que dificulta la integración de diferentes tipos de datos en un modelo. El poder de la analítica aumenta exponencialmente con la diversidad de los datos.

23. No automatizar la analítica a través de la I.A., que puede ser un asistente extremadamente inteligente para los científicos de datos. Las automatizaciones de I.A. ayudan a los científicos a limpiar los datos, a comprobar su exactitud, a desplegar modelos, a detectar características de predicción relevantes y la obsolescencia de los modelos, o incluso a generar cientos o miles de variaciones de modelos. 
Con todo, la estrategia analítica del negocio tiene que ser un subconjunto de toda la estrategia de I.A. ya que los conjuntos de datos necesitan alimentar los sistemas de I.A.


FINANZAS:

24. No asignar suficiente presupuesto para las plataformas de análisis, pero aún así mantener las expectativas del sueño de Shangri-La. Y lo contrario es también un error, al asignar más que suficiente dinero que no tiene correlación directa con los resultados de las empresas.

25. No medir el ROI de las iniciativas de análisis. Sabemos que el ROI es a medio plazo, pero eso no significa que no lo mida.



Visto en Datasciencentral

Para que las empresas conviertan sus ideas en acciones, deben contar sus historias de datos de manera efectiva a múltiples audiencias.

En la comunicación empresarial, transmitir claramente un mensaje a la audiencia de uno, convirtiendo los datos en una historia que resuene con ellos, a menudo es lo que hace posible afectar el cambio positivo.

Ahí es donde entra la visualización de datos.

¿Qué es la visualización de datos?

La visualización de datos es una forma de transmitir a una audiencia los mensajes clave que se encuentran dentro de la inteligencia de negocios de una organización. Aunque la representación gráfica de los datos comerciales es un elemento clave, una buena visualización de datos es más que solo cuadros y gráficos; También debe crear una narrativa que cuente la historia de la organización y lleve a la audiencia a las conclusiones correctas.

La visualización de datos es cada vez más importante para las empresas, ya que se dan cuenta de que simplemente obtener información de sus sofisticados sistemas de inteligencia empresarial no es suficiente. También deben actuar sobre esas ideas, y eso significa persuadir a los tomadores de decisiones.

La visualización de datos puede atraer la atención a nuevas oportunidades, ayudar a resolver problemas desafiantes e introducir eficiencias potenciales en el proceso , todo impulsado por ideas que son importantes para compartir con los miembros del equipo, clientes o asistentes a la conferencia. Hacerlo bien requiere una combinación de habilidades: la capacidad de cargar en los datos y analizarlos y sintetizarlos, y los conocimientos para presentarlos de una manera convincente.

¿Cómo comienzan las empresas con la visualización de datos?

Una presentación visual convincente comienza con la comprensión de con quién se está hablando. Por ejemplo, los pares de la gerencia media pueden querer detalles de inteligencia empresarial representados gráficamente, mientras que los ejecutivos de C-suite pueden preferir diapositivas o paneles que ilustran una vista de alto nivel de los resultados.

"¿Para quién está diseñando esto?", Pregunta Ellie Fields, vicepresidenta de desarrollo de productos para el proveedor de visualización de datos Tableau Software . "¿Es un vendedor ocupado con 15 segundos de sobra para los indicadores clave de rendimiento, o un equipo que revisa los paneles trimestrales durante varias horas?". Las visualizaciones deben tener un flujo sensible y presentar lógicamente diferentes piezas de información , dice Fields.

A quien sea que se presente, hay una regla clara: no visualice lo que no importa. "Lo más importante es no poner en imágenes algo de lo que no quieras hacer un comentario", dice Stephanie Evergreen , fundadora de la compañía de informes y visualización de datos Evergreen Data, que ofrece talleres públicos y privados sobre el tema. El público no quiere perder su tiempo y atención en información irrelevante, y los presentadores no deberían perder el tiempo creando diapositivas con datos que a nadie le importan, dice.

Eso no significa que las diapositivas "densas" no tengan cabida en la práctica de inteligencia empresarial. En un escenario en vivo, un presentador debería poder transmitir sus puntos principales en cinco a 10 breves diapositivas visuales que el público pueda ver fácilmente, dice Nancy Duarte, directora de Duarte, una compañía de diseño y capacitación de presentaciones. Pero es aceptable circular diapositivas con gráficos más detallados de antemano, para que el público tenga más antecedentes y una comprensión más profunda de la historia de datos que entra en la presentación.

"Entonces puede usar el tiempo de la reunión para crear consenso en lugar de un foro para entregar contenido", dice Duarte. "Puedes leer un documento mucho más rápido que pasar una larga presentación".

¿Cuáles son los tipos de visualización de datos?

La visualización de datos no es solo para científicos de datos o expertos en TI: hoy todos son analistas y se espera que creen presentaciones con imágenes sólidas que resalten sus conocimientos relacionados con sus roles. Evergreen ha visto a un número creciente de compañías agregar capacitación de visualización de datos a sus presupuestos.

A medida que más personas tengan la visualización de datos como un requisito de trabajo, necesitarán saber qué opciones de gráficos son las mejores para transmitir su mensaje. La respuesta es que depende de lo que quiera mostrar en una instancia particular.

" Hay muchas formas de visualizar tendencias y valores atípicos, dependiendo de la cantidad de datos que tenga y de las preguntas que desee responder", dice Fields. Los gráficos de barras son mejores para comparar una sola medida en todas las categorías, mientras que los histogramas y las gráficas de caja ilustran y comparan grupos de datos, explica.

Hay más: los gráficos de viñetas, los gráficos en cascada, las líneas de referencia, las bandas y las distribuciones ayudan a medir el progreso frente a los objetivos. Los gráficos de series de tiempo ayudan a visualizar el cambio de puntos de datos a lo largo del tiempo. Los gráficos de diagrama de dispersión ayudan a mostrar la relación entre dos variables. Y visualizar datos con mapas puede ayudar a responder preguntas específicas de la ubicación o ayudar a la exploración geográfica.

¿Qué son las herramientas de visualización de datos?

La mayoría de las soluciones de inteligencia empresarial tienen herramientas integradas para ayudar a los usuarios a presentar los datos de manera efectiva. Además de Tableau, Microsoft Power BI , Oracle Data Visualization y Splunk Dynamic Data se encuentran entre los proveedores líderes en el espacio de visualización de datos.

Las imágenes se pueden mejorar con cuadros de color o texto para llamar la atención sobre un punto de datos . Duarte ofrece un kit de anotaciones gratuito para superponer anotaciones visuales en un gráfico. "Es un nivel completamente diferente de explicación", dice ella.

Una presentación puede tener gráficos atractivos que se calculan para atraer a una audiencia en particular, pero esa audiencia puede perder fácilmente el interés si el presentador adopta el enfoque de recorrer todo el proceso de análisis en lugar de dedicarse a los negocios.

"Poner las cosas importantes primero", dice Satish Nargundkar, profesor de ciencias gerenciales en la Universidad Estatal de Georgia. "Una presentación no se trata de lo duro que trabajó". Omita el fondo, dice, y vuelva a presentar el tema a su audiencia, luego vuelva a la representación visual.

Cómo preparar datos para análisis

El análisis de datos que subyace a las visualizaciones debe basarse en una base sólida de datos limpios , dice Subhashish Samaddar, profesor de análisis de datos e innovación en la Universidad Estatal de Georgia. "Todos los datos tienen problemas - falta de información o sesgo, por ejemplo - y las personas con poca experiencia pueden ser engañadas".

El presentador podría estar utilizando datos recopilados, recuperados y organizados por otros analistas de datos, por lo que es una buena idea que esa persona haga preguntas sobre el origen de los datos, cómo se recopilaron y otras variables antes de realizar el análisis para alimentar las visualizaciones, aconseja.

Aún así, si espera datos perfectos antes de analizarlos y graficarlos, no logrará nada.

"Acepte el estado del bien, pero sea muy explícito sobre cuánta confianza tiene en él", dice Evergreen, para que la audiencia pueda tomar eso en consideración para la toma de decisiones.

Una buena plataforma de visualización de datos puede permitir una cultura de análisis de autoservicio al proporcionar datos gobernados y un conjunto de herramientas a cualquier persona en el negocio , dice Fields. "La pieza crítica es un modelo de gobernanza que admite análisis de autoservicio a escala, que respalda a los usuarios al tiempo que garantiza que las personas adecuadas tengan acceso a los datos correctos".

Fuente: https://biztechmagazine.com/article/2019/10/why-data-visualization-central-element-effective-analytics-perfcon