Nuestro Blog

Nuestro equipo de especialistas quiso compartir algunos artículos sobre tecnologías, servicios, tendencias y novedades de nuestra industria en la era de la transformación digital.

Ciencia de Datos e Inteligencia Artificial: Cómo se Diferencian de la Ingeniería de Datos

Ciencia de Datos e Inteligencia Artificial: Cómo se Diferencian de la Ingeniería de Datos

Pertenecer al mundo de la tecnología implica escuchar muchos conceptos que pueden sonar similares entre sí. Seguramente quieres saber más sobre ciencia de datos e inteligencia artificial. ¿Y cómo se diferencian de la ingeniería de datos? Aunque comparten algunas similitudes, la realidad es que existen muchas diferencias importantes entre ellas.

Por eso, el propósito de este artículo es informarte y darte a conocer qué significa cada concepto. ¡Continúa leyendo y descubre más sobre la diferencia entre la ingeniería de datos y la ciencia de datos!

 

Ingeniería de datos vs ciencia de datos: ¿cuáles son las similitudes y diferencias entre los dos términos?

Bueno, para aprender más sobre estos temas, es necesario saber que en el mundo de la tecnología y los datos hay muchas profesiones y roles. Ingeniería de datos, ciencia de datos e inteligencia artificial… Precisamente, una de las cosas que tienen en común estos profesionales es que tanto el ingeniero como el científico de datos están trabajando constantemente con grandes volúmenes de Big Data.

Sin embargo, la diferencia está en el propósito. Los ingenieros se encargan de extraer grandes volúmenes de información y organizar las bases de datos. Por otro lado, los científicos de datos realizan tareas de visualización, diagramación de tareas de aprendizaje y patrones sobre los datos extraídos previamente por los ingenieros.

Por esta razón, las herramientas utilizadas por cada uno tienden a variar. En el caso de los científicos de datos, suelen utilizar recursos como Deep Learning, Machine Learning, procesadores de datos (como Spark), o herramientas de programación como R o Python. De esta forma, los ingenieros utilizan bases de datos como SQL y NoSQL, el ecosistema Hadoop y herramientas como Apache Airflow o Dagster.

Cabe aclarar que ambas son profesiones indispensables para cualquier empresa que quiera aprovechar la tecnología. En este artículo abordamos una introducción a la temática para que puedas comprender la diferencia entre ellos. Si te interesa saber más, te invitamos a que sigas leyendo para saber más sobre cada uno de estos campos de trabajo.

 

¿En qué consiste la ingeniería de datos?

Especifiquemos un poco los roles que se practican en la ingeniería de datos. Según Datademia, ésta es la práctica de diseñar y construir sistemas que recopilan y almacenan grandes volúmenes de datos. Por lo tanto, el ingeniero es la persona responsable de construir y mantener estructuras de datos para su uso en múltiples aplicaciones.

El objetivo final del ingeniero de datos es hacer que todos estos datos sean accesibles para que la organización los considere en la toma de decisiones. En otras palabras, la idea es que estos datos se transformen en información útil que pueda ser utilizada por la gerencia y partes interesadas para maximizar las ganancias y ver el crecimiento de la empresa.

Es por esta razón que un ingeniero de datos debe tener conocimientos avanzados de bases de datos. Asimismo, como hay una tendencia hacia la programación en la nube, necesita conocer todos estos sistemas. Este profesional también debe ser capaz de trabajar en conjunto con diferentes departamentos, para comprender los objetivos de la organización.

Por lo tanto, es clave comprender que los ingenieros de datos no solo necesitarán ser apasionados por la programación. También necesitarán tener habilidades de comunicación, ya que trabajarán en conjunto con otros departamentos y profesionales, como es el caso de los científicos de datos.

 

¿Y qué entendemos por ciencia de datos Ahora bien, quizás quieras conocer más detalles sobre los científicos de datos, que es otra de las profesiones más demandadas por las empresas en los últimos años. IBM considera que la ciencia de datos combina conocimientos en matemáticas, estadística, programación e inteligencia artificial, para tomar decisiones eficientes y mejorar la planificación estratégica de la empresa. Cabe señalar que Data Science no es sinónimo de Inteligencia Artificial. En realidad, un científico de datos utiliza la Inteligencia Artificial para extraer información útil de datos no estructurados. La IA es una serie de algoritmos que imitan la inteligencia humana para leer y comprender datos, pero es el científico quien toma la decisión final. Esto significa que el científico de datos tiene que ser una persona con un fuerte sentido de la lógica. No solo tendrán que trabajar estudiando el comportamiento de los datos, sino que tendrán que entender lo que quiere la empresa. Por esta razón, no solo deben dominar software estadístico y lenguaje de programación, sino que también deben tener un gran interés y conocimiento sobre las situaciones del mercado y de la empresa. De igual forma, es importante considerar que el científico de datos no solo obtendrá datos de una sola fuente, como lo haría un analista de datos tradicional. En este caso, lo que se busca es tener una perspectiva global del problema. Aunque aportarán su subjetividad para incluir su punto de vista en la toma de decisiones, los datos objetivos reforzarán sus argumentos.

 

¿Y qué entendemos por ciencia de datos?

Ahora bien, quizás quieras conocer más detalles sobre los científicos de datos, que es otra de las profesiones más demandadas por las empresas en los últimos años. IBM considera que la ciencia de datos combina conocimientos en matemáticas, estadística, programación e inteligencia artificial, para tomar decisiones eficientes y mejorar la planificación estratégica de la empresa.

Cabe señalar que Data Science no es sinónimo de Inteligencia Artificial. En realidad, un científico de datos utiliza la Inteligencia Artificial para extraer información útil de datos no estructurados. La IA es una serie de algoritmos que imitan la inteligencia humana para leer y comprender datos, pero es el científico quien toma la decisión final.

Esto significa que el científico de datos tiene que ser una persona con un fuerte sentido de la lógica. No solo tendrán que trabajar estudiando el comportamiento de los datos, sino que tendrán que entender lo que quiere la empresa. Por esta razón, no solo deben dominar software estadístico y lenguaje de programación, sino que también deben tener un gran interés y conocimiento sobre las situaciones del mercado y de la empresa.

De igual forma, es importante considerar que el científico de datos no solo obtendrá datos de una sola fuente, como lo haría un analista de datos tradicional. En este caso, lo que se busca es tener una perspectiva global del problema. Aunque aportarán su subjetividad para incluir su punto de vista en la toma de decisiones, los datos objetivos reforzarán sus argumentos.

 

ciencia de datos

 

En resumen, has visto que entender la diferencia entre ingeniería de datos y ciencia de datos no es nada complicado. Ambas profesiones son fundamentales para trabajar con Big Data ya que aprovechar grandes volúmenes de información es clave para conseguir grandes resultados en una empresa. ¡Esperamos que este artículo haya despejado tus dudas!

Habilidades de análisis de datos: Todo lo que necesita para alcanzar el éxito

Los datos están presentes en el día a día de organizaciones como la suya, y las habilidades de análisis de datos son fundamentales para alcanzar el éxito a nivel empresarial. Los datos nos ayudan a aprender del pasado y tomar mejores decisiones comerciales en el futuro. El avance de la ciencia de datos en el mundo corporativo nos hace comprender la importancia de una correcta gestión del ciclo de vida de los datos de cualquier empresa.

Ya estamos inmersos en la era de la revolución de los datos. Las organizaciones cuentan con volúmenes de datos cada vez mayores que les permiten optimizar sus decisiones. El Big Data, como uno de los pilares de muchas empresas, representa un desafío pero también una oportunidad para las organizaciones.

  • La oportunidad yace en la capacidad de satisfacer las necesidades de los consumidores de una forma más eficaz, entendiendo a sus deseos pero también optimizando las operaciones y reduciendo los costos asociados.
  • Por otro lado, el desafío está en contar con la infraestructura necesaria para este tipo de procesos, así como también con personal capacitado para llevarlos a cabo.

Por lo tanto, es fundamental que las empresas cuenten con colaboradores capaces de analizar, gestionar, reportar y agregar valor a los datos. La economía digital, la transformación digital y la globalización están acelerando este proceso vertiginosamente.

Los profesionales del mundo de la ciencia de datos, la inteligencia comercial y el análisis de datos suelen tener altos niveles de educación y capacitación. Por lo general, se necesita una formación educativa muy sólida para desarrollar la profundidad de conocimiento necesaria para ser un analista de datos o de negocios. La realidad es que la mayoría de los profesionales de este campo están en constante formación. Las habilidades de análisis de datos son fundamentales para alcanzar el éxito.

¿Cuáles son las habilidades de análisis de datos que necesita?

No podemos darle una sola respuesta a esta pregunta. Según el perfil de cada profesional y las tareas que demanda cada puesto, los analistas corporativos y de datos deben tener diferentes tipos de habilidades. Hemos desarrollado una lista de las habilidades que consideramos como las más importantes. Esta lista no necesariamente es exhaustiva, y no es un requisito ser un experto en todas estas áreas para poder desarrollarse en el mundo de la ciencia de datos y el análisis corporativo. Sin embargo, hemos desarrollado esta lista basándonos en el trabajo que hemos hecho para nuestros clientes. ¡Vamos a verla!

Hojas de cálculo como Excel y Google Sheets. Permiten manejar principalmente pequeños volúmenes de datos, enfocándose en el uso de estadísticas descriptivas, tablas dinámicas, fórmulas y visualizaciones simples. Son una herramienta interesante para desarrollar un perfil de inteligencia corporativa, pero pueden ser limitadas para procesos de Big Data más completos.

Visualización. Los resultados del análisis de datos finalmente se presentan a otros equipos y a otras personas y usuarios. En este sentido, las habilidades de visualización son fundamentales para cualquier perfil. Necesitamos asegurarnos de estar eligiendo el tipo correcto de gráfico para los datos que estamos visualizando y que la visualización y la narración se realizan de una manera clara y fácil de entender. Algunas herramientas que utilizan los analistas de negocios son Tableau, Power BI y Google Data Studio. Sin embargo, las empresas centradas en los datos y la información suelen desarrollar cuadros de mando y plataformas de seguimiento ad hoc y a medida, adaptados al 100% a las necesidades específicas de cada proyecto. Puede analizar el trabajo que realizamos para Aeropuertos Argentinos, donde desarrollamos una plataforma de encuestas, análisis automático de datos e informes de resultados.

Mobile First: La regla principal en UX/UI

Mobile First: La regla principal en UX/UI

Mobile First es una tendencia de diseño y maquetación web cuyo objetivo es priorizar la visualización en dispositivos móviles. Las páginas de un sitio web se diseñan para teléfonos inteligentes y tablets y luego se adaptan al formato de escritorio. Esta filosofía de diseño es de extrema importancia en la actualidad, principalmente por los siguientes motivos:

Es fundamental que los usuarios se sientan cómodos cuando visitan un sitio web, que el diseño sea atractivo, sencillo y útil. El objetivo siempre es mejorar la experiencia del usuario. En este sentido, el enfoque móvil puede ayudarlo a prevenir algunos errores que los diseñadores suelen cometer al adaptar plataformas al formato móvil.

En Huenei contamos con una amplia experiencia en desarrollo móvil para nuestros clientes. ¿Le gustaría conocer nuestros trabajos? Nos gustaría contarte brevemente sobre algunos de ellos…

  • Falabella Mobile. Trabajamos en el desarrollo de una aplicación nativa de comercio electrónico para diferentes sistemas operativos para Falabella, uno de los principales minoristas de América Latina.
  • Supervielle Mobile. Desarrollamos una aplicación móvil para Banco Supervielle que permitió a la empresa ofrecer a los clientes la mejor experiencia de usuario.
  • Diseño de UX/UI para aplicaciones. Ayudamos a YPF Argentina a mejorar la experiencia de sus empleados mediante el desarrollo de una aplicación móvil para administrar el inventario de suministros de petróleo.

¿Se puede decir que la filosofía Mobile First es lo mismo que el diseño adaptable?

Esta es una pregunta muy común y posiblemente una duda que surge al analizar la definición anterior. La respuesta es: No, la filosofía Mobile First es lo mismo que el diseño responsive.

El diseño responsive es una filosofía opuesta. Se enfoca en adaptar al formato móvil el contenido de una página web que fue originalmente diseñada para escritorio. Se trata de páginas web adaptables; por ejemplo, se reducen la resolución y el tamaño del contenido. Por otro lado, el concepto móvil busca mejorar primero la experiencia web para los usuarios de dispositivos móviles. Su principal objetivo es que el usuario de dispositivos móviles tenga la misma experiencia de navegación que tendría un usuario desde su computadora de escritorio. Todo se debe adaptar: botones, imágenes, enlaces, etc.

 

Mobile First y su relación con las aplicaciones.

El concepto de Mobile First se refleja especialmente en el desarrollo de aplicaciones móviles. Dependiendo del sistema operativo, una aplicación sigue una serie de estándares visuales que permiten un rendimiento y diseño óptimos en el entorno móvil. La interfaz de usuario de una aplicación es extremadamente importante para la experiencia del usuario, por lo cual recomendamos tener en cuenta el perfil del usuario y las necesidades específicas del sistema operativo. Es importante considerar la simplicidad. Puede diferenciar su aplicación de otras eliminando elementos innecesarios, privilegiando el contenido y la utilidad.

 

Tendencias en materia de UI para dispositivos móviles.

En primer lugar, existen ciertas tendencias generales en el diseño de interfaces móviles que han adquirido popularidad en los últimos años debido a la mejora en la experiencia que ofrecen a los usuarios. Los usuarios se acostumbraron a las aplicaciones y páginas web diseñadas a partir de estos principios.

  • Minimalismo: menos es más. El minimalismo es una tendencia que en los últimos años se ha vuelto cada vez más fuerte. Hace referencia a los elementos gráficos llevados a su mínima expresión en cuanto a texturas y colores. Se elimina cualquier elemento decorativo que no sea necesario para transmitir el mensaje.
  • El modo oscuro llegó para quedarse. Esta funcionalidad se creó para que los usuarios pudieran usar sus teléfonos celulares en entornos con poca luz, pero la evidencia muestra que muchos eligen usar su teléfono en modo oscuro independientemente de las condiciones de iluminación. Esta tendencia ha ido aumentando y generando un gran impacto. Además de reducir el consumo de batería, los fondos oscuros permiten que otros elementos se destaquen más, lo cual genera una mayor relación de contraste.
mobile first: minimalism

Minimalism Example by Anteelo

 

mobile first - dark mode

Dark Mode Example by 9TO5Google

 

También nos gustaría informarle sobre las tendencias relacionadas con la optimización de la espera del usuario y la manipulación y el uso de aplicaciones móviles y páginas web.

  • Deslizar en lugar de pulsar. Es cada vez más común que los desarrolladores de software de teléfonos celulares eliminen los botones físicos y los reemplacen con acciones táctiles. Un claro ejemplo de esta tendencia, que existe desde hace algunos años, se pudo ver cuando Apple eliminó el botón central de los iPhones.
  • Animaciones y efectos de transición para amenizar la espera. Al incorporar efectos y elementos de entretenimiento en la carga de aplicaciones y sitios web, la espera del usuario puede convertirse en una forma dinámica de dirigir el flujo de navegación.

 

Como conclusión general de lo que estábamos comentando, podríamos decir que hoy en día el diseño de plataformas debe regirse por el principio de Mobile First. En este sentido, necesitamos planificar nuestros diseños específicamente para dispositivos móviles. El escritorio sigue siendo una pantalla importante, pero tenemos que centrarnos especialmente en los dispositivos móviles para lograr una mejor experiencia del usuario.

Gestión de Datos del Cliente

Gestión de Datos del Cliente

¿Sabía que todos los días generamos alrededor de 2,5 quintillones de bytes de datos en todo el mundo? ¡Son muchísimos! Estos datos tienen gran valor para organizaciones como la suya porque ayudan a responder preguntas importantes sobre los clientes, como por ejemplo cómo toman decisiones de compra. Por lo tanto, para las empresas es fundamental poder recopilar, almacenar, analizar y utilizar estos datos de sus clientes de forma organizada, un proceso que se denomina Gestión de datos del cliente (CDM por sus siglas en inglés).

 

La falta de control sobre los datos de los clientes genera ineficiencia y problemas a la hora de tomar decisiones. La gestión de datos del cliente representa una estrategia para regular el modo en que una empresa utiliza la información de sus clientes. El uso de CDM garantiza una forma coherente de generar conocimientos valiosos y mantener la calidad de los datos. En las organizaciones se ha vuelto imprescindible acompañar el día a día con un proceso y políticas que regulen el uso de los datos de nuestros clientes. Esto representa una forma segura y confiable para que las empresas recopilen, analicen y utilicen los datos de sus clientes.

 

Un sistema CDM consta de tres etapas, las cuales sirven de guía para las empresas en la gestión de datos, información y conocimientos sobre sus clientes:

  1. El tipo de datos del cliente.
  2. La plataforma de datos.
  3. El proceso de gestión de datos y cómo se usa.

 

Analicemos cada una en detalle…

  1. El tipo de datos del cliente.

Datos estructurados y no estructurados.

Solo el 20% de los datos que genera una organización están estructurados y son fáciles de analizar. El 80% restante son datos complejos y no estructurados que representan una dificultad en términos de análisis y estandarización. Para un sistema de gestión de datos del cliente es importante poder distinguir entre las diferentes fuentes y tipos de datos en función de la estructura que manejan, con el fin de anticipar las estandarizaciones que serán necesarias para aprovecharlos al máximo.

Datos de identidad y comportamiento.

También se debe tener en cuenta los tipos de datos con los que la empresa puede contar en función de la información que aportan. Los datos de identidad representan información personal sobre el cliente. La importancia de estos datos radica en la posibilidad de comprender los diferentes perfiles de los clientes de una empresa, aprovechando la información psicográfica para caracterizarlos. Generalmente se recopilan a partir de transacciones directas de clientes con la organización.

Los datos de comportamiento representan información recopilada a partir de cualquier interacción del cliente con la organización, así como las acciones que el cliente realiza para contactar a la empresa. Estos datos se utilizan para comprender mejor los diferentes puntos de contacto e intenciones del cliente durante su interacción con la empresa. Algunos ejemplos claros son los datos que se obtienen a través de las cookies de un navegador.

Datos cuantitativos y cualitativos.

Por último, pero no menos importante, los datos que obtiene la organización pueden ser cuantitativos o cualitativos. Los datos cuantitativos permiten obtener métricas específicas. Algunos ejemplos claros son las métricas de Internet, las métricas de interacción fuera de línea, las métricas de campañas, etc. Estos datos concretos se recopilan a partir de las soluciones de asistencia técnica, las plataformas digitales, los sistemas CRM y las herramientas de automatización de marketing.

Por otro lado, los datos cualitativos se caracterizan por no estar estructurados y por contener un mayor nivel de profundidad, lo cual dificulta su representación en números, estadísticas o gráficos convencionales. Algunos ejemplos son los comentarios, reseñas, opiniones y quejas de los clientes. Esta categoría incluye cualquier tipo de información que no pueda traducirse directamente en números específicos. Los datos cualitativos también se pueden obtener a partir de herramientas y procesos de retroalimentación, como plataformas sociales, chats de clientes, etc.

Como ejemplo práctico de datos cuantitativos y cualitativos obtenidos directamente de los clientes, puede leer sobre la Encuesta de servicios generales que desarrollamos para Aeropuertos Argentinos.

customer data management - qualitative and quantitative data

Illustration by Optimal Workshop

  1. La plataforma de datos.

Al identificar los tipos de datos que su empresa utilizará para estudiar y comprender a sus clientes, es necesario definir qué plataformas pueden resultar útiles.

Las empresas suelen utilizar dos tipos de plataformas principales. Por un lado, las Plataformas de datos de clientes (CDP por sus siglas en inglés) permiten el estudio de sus propios clientes, dado que ofrecen información detallada sobre todos y cada uno de ellos. Un ejemplo muy común de CDP son los famosos sistemas de gestión de relaciones con el cliente (CRM por sus siglas en inglés). En Huenei contamos con una amplia experiencia en el sector de venta minorista, donde los sistemas CRM son de gran importancia, y podemos ayudar a su empresa a desarrollar uno que se adapte a sus necesidades específicas.

Por otro lado, las Plataformas de gestión de datos (DMP por sus siglas en inglés) manejan datos de terceros, por lo tanto los perfiles de usuario que se crean son completamente anónimos. Existen varias empresas que ofrecen este tipo de servicios y bases de datos para realizar un análisis en profundidad del segmento en general, más allá de los clientes específicos de su organización.

  1. El proceso de gestión de datos y cómo se usa.

Para gestionar los datos con la ayuda de la plataforma que elija, se debe considerar un proceso común a otros sistemas que utilizan datos, el cual consta de los siguientes pasos:

  1. Recopilación de datos, es decir, contar con procedimientos para recabar datos de los clientes: comportamiento en línea, estudios de mercado, entre otros, así como también una estructura que permita realizar un proceso ETL.
  2. Preparación de los datos, para tenerlos organizados y listos para su posterior análisis. En estos casos, es muy útil contar con una persona en la empresa que sepa utilizar lenguajes de gestión de bases de datos, como SQL.
  3. Análisis de los datos, para generar estadísticas, informes y visualizaciones útiles y procesables para la toma de decisiones.
  4. Validación y uso de los datos, es decir, llevar estos resultados e informes a las plataformas que utiliza el equipo para aprovecharlos y respaldar la toma de decisiones.

Como puede comprender después de leer nuestra breve introducción al mundo de la gestión de datos del cliente, este proceso es fundamental para que las organizaciones comprendan a los consumidores y les brinden un mejor servicio. Estos sistemas pueden ayudarlo a diferenciarse de la competencia, y en Huenei estaremos encantados de colaborar con el proceso de desarrollo

Design Thinking para Software: Comprendamos el concepto de Design Thinking

Design Thinking para Software: Comprendamos el concepto de Design Thinking

Es bastante común que una empresa ofrezca productos o soluciones en función de aquello que los gerentes creen que necesitan los clientes. A partir de sus vivencias personales o de la observación subjetiva del contexto, las empresas generan una idea de lo que creen que valorará el usuario. Sin embargo, la realidad es que, en la mayoría de los casos, las ideas de una marca y sus colaboradores están muy lejos de lo que los usuarios realmente necesitan.

Es por esto que es importante contar con información y conocimientos, combinados con los comentarios de los usuarios, para generar una solución óptima sin riesgo de altos costos y fallas.

¿Qué es la metodología Design Thinking?

El Design Thinking es una metodología de iteración, exploración, diseño y desarrollo. Es un proceso mediante el cual se generan ideas sobre la base de la comprensión de las necesidades reales de un usuario. Busca el objetivo de concebir el diseño de una solución atendiendo a una necesidad detectada y contando con los comentarios y aportes de los usuarios.

Por último, pero no menos importante, es un proceso iterativo. Si bien se establece una serie de etapas, es importante saber que la iteración implica que se puede alternar entre etapas anteriores o posteriores, omitir etapas o realizarlas en simultáneo.

Veamos las etapas del proceso de Design Thinking y analicemos lo que representa cada una. Describiremos el proceso por medio del ejemplo de un proyecto de desarrollo de experiencia e interfaz de usuario (UX/UI) que llevamos a cabo para YPF.

Understand What Design Thinking Is - Process

Paso 1: Empatizar para comprender al usuario.

Esta etapa se centra en conocer a los usuarios que serán destinatarios de nuestra solución. Comprender cuáles son sus necesidades, cómo funcionan, cómo se compone su contexto y qué necesitan.

Para ello podemos observar y escuchar a los usuarios a través de diferentes técnicas de investigación de consumidores: entrevistas en profundidad, grupos de discusión, evaluaciones comparativas, sondeos, etc. En el caso del proyecto de YPF, el equipo de Huenei tuvo diferentes instancias de conversaciones con las áreas de interés y con futuros usuarios del software con el fin de comprender plenamente sus necesidades.

Una herramienta muy poderosa y útil, que se basa en las técnicas mencionadas anteriormente, es el mapa de empatía. Es un lienzo en blanco que nos permite plasmar nuestros hallazgos y así poder conocer al usuario desde cuatro puntos de vista: comprender lo que dice y lo que hace, saber lo que piensa y lo que siente, comprender lo que escucha, e identificar lo que ver.

Understand What Design Thinking Is - Empathy Map

Illustration by Nielsen Norman Group

 

Paso 2: Definir el problema

Después del paso anterior, tenemos que empezar a definir cuál será el alcance de nuestro desafío; en qué vamos a trabajar. En este punto debemos definir el problema y determinar nuestra meta. Para definir este objetivo, una recomendación clave es pensar en la siguiente frase:

¿Cómo podríamos hacer para?

Toda la información que recabamos en la etapa de empatía, que nos permitió conocer realmente al usuario, nos ayudará a definir correctamente esta pregunta y así desarrollar nuestro problema de investigación. En nuestro proyecto de desarrollo de UX/UI para YPF, la empresa necesitaba desarrollar una solución que le permitiese a su equipo agilizar las tareas relacionadas con la gestión de plataformas petrolíferas.

 

Paso 3: Elaborar ideas para generar conceptos y sintetizar para definir cursos de acción.

Una vez que definimos la pregunta que queremos responder (también conocida como el desafío), llega la etapa de elaboración de ideas. Esta consiste en pensar tantas ideas como sea posible para dar solución a la pregunta. Aquí la cantidad es más importante que la calidad. En este sentido, los equipos de trabajo cuentan con una amplia variedad de técnicas de elaboración de ideas, como el brainstorming, que permiten pensar con originalidad para llegar a ideas disruptivas.

Luego llevamos a cabo un proceso de síntesis en el cual tamizamos las ideas a través de un proceso de convergencia. Para esto también existen técnicas que utilizan los equipos para seleccionar las mejores ideas desde el punto de vista del usuario (satisfacción de su necesidad) y del negocio (viabilidad de recursos y resultados económicos).

Como resulta evidente, esta etapa se caracteriza por una gran divergencia (elaboración de ideas) y convergencia (síntesis) en términos del proceso. De hecho, la metodología de Design Thinking suele estar representada por una interacción constante entre divergencia y convergencia.

Illustration by ICF International 

Siguiendo el ejemplo de YPF, desde el equipo de Huenei se nos ocurrieron una gran cantidad de ideas, que luego pudieron converger en función de las necesidades específicas del cliente: una aplicación con altos niveles de usabilidad que pudiese integrarse con el resto de plataformas de gestión de YPF.

 

Paso 4: Prototipo para mostrarle al usuario una posible solución.

Una vez que definimos algunas posibles soluciones, se elaboran prototipos. Dependiendo de la cantidad de ideas que tengamos, podemos elaborar dos, tres o cuatro prototipos aproximadamente. Los prototipos son una herramienta poderosa y esencial en la innovación porque permiten convertir las ideas en algo tangible a bajo costo. Estos prototipos nos permiten implementar la filosofía de metodologías ágiles: “Realizar pruebas rápidas a bajo costo e iterar la solución rápidamente”.

Los prototipos pueden ser de alta fidelidad pero también pueden ser conceptos muy simples, como historias, dibujos, diapositivas de PowerPoint, entre otras cosas. Existen diferentes clases de prototipos y cada equipo define el ideal en función de las necesidades del proyecto y los recursos disponibles.

Para YPF, diseñamos un prototipo interactivo con la herramienta Just in Mind, que nos permitió validar la interacción y el diseño de la interfaz de usuario en las primeras etapas.

 

Paso 5: Realizar pruebas para recabar comentarios de los usuarios.

Una vez elaborado el prototipo, es hora de ponerlo a prueba. Esta etapa consiste en reunir a una muestra (generalmente pequeña) de usuarios para que interactúen con el prototipo, con el fin de recibir sus comentarios. Cuando el prototipo se considera adecuado para resolver el desafío, puede avanzar hacia el desarrollo del producto final. Sin embargo, en los casos en los que el prototipo no satisface las necesidades del usuario, debe volver a las etapas anteriores del proceso de Design Thinking para realizar ajustes.

Nuestra solución para YPF consistió en el desarrollo de una aplicación móvil que permitió a la empresa lograr una mejora en el desempeño de los empleados.

El Design Thinking es una metodología poderosa que puede ayudar a su empresa a desarrollar de manera eficiente la solución adecuada para sus usuarios. En Huenei podemos ayudarlo a conseguir sus objetivos a través de nuestros desarrollos basados ​​en metodologías ágiles..

Gestión del Ciclo de Vida de los Datos: Por qué es importante para su empresa?

Gestión del Ciclo de Vida de los Datos: Por qué es importante para su empresa?

Desde la última década del siglo XX, los Sistemas de Soporte a la Decisión (DSS) se han vuelto cada vez más populares y su uso se ha incrementado en empresas y organizaciones de diferentes sectores. A lo largo de los años, los DSS han evolucionado para transformarse en sistemas integrales de inteligencia corporativa (BI), en el contexto de las estrategias de la ciencia de datos. Desde los orígenes de los DSS y el crecimiento de la BI, los datos comerciales, el análisis y el conocimiento han sido aspectos fundamentales para el éxito de las estrategias.

Los datos son un componente fundamental en la arquitectura de los sistemas de inteligencia corporativa. La incorporación de grandes volúmenes de datos en el funcionamiento diario de las empresas (el Big Data del que todo el mundo habla) contribuyó a la evolución de los sistemas de inteligencia corporativa, centrando su alcance en el análisis de datos y obteniendo información y conocimientos valiosos para la toma de decisiones.

En el artículo de hoy pretendemos comprender el ciclo de vida de los datos en una organización, con el fin de estudiar cómo “viven” los datos desde que los recabamos hasta que los usamos para la toma de decisiones. Este marco es útil para comprender la importancia de los datos y su correcta gestión y administración en cada una de las partes del ciclo de vida.

Data Lifecycle Management

 

The data lifecycle management process is closely related to the information systems process to support strategic and business decision-making. The data flow enters the company from certain internal and external sources, and needs to go through certain stages and components until it reaches its final stage of data visualization and presentation of results.

 

El ciclo de vida de los datos está estrechamente relacionado con el proceso que ocurre cuando se utilizan sistemas de información para respaldar la toma de decisiones estratégicas y comerciales. El flujo de datos ingresa a la empresa desde ciertas fuentes internas y externas, y necesita pasar por ciertas etapas y componentes hasta llegar a su etapa final de visualización y presentación de resultados.

 

Paso 1: Recopilación.

Esta es la etapa en la cual tenemos acceso a los datos. Intentamos extraer y recabar datos de diversas bases o fuentes internas y externas a la organización. Un ejemplo interesante que queremos analizar es el caso de la Plataforma Voice Assistant que desarrollamos para SoundHound, que consistió en un producto de reconocimiento de voz para el mercado de habla hispana. En este caso, podemos ver que los datos se obtienen mediante el reconocimiento de la voz de los usuarios.

Podemos hablar de diferentes tipos de software para la gestión de la recopilación de datos. Una alternativa es el software local, es decir, el software que se instala en el servidor local sin necesidad de acceder a la nube, como las plataformas Oracle y SAP. Por otro lado, también existen alternativas que se ofrecen a través de servicios en la nube, como Microsoft Azure, Amazon Web Services, Google’s BigQuery, y Salesforce (SaaS).

Los métodos de recopilación de datos, que podemos aprovechar desde las plataformas antes mencionadas, son los siguientes:

  • Por lotes: Cuando el software se conecta periódicamente a la fuente de datos en busca de cambios o actualizaciones desde la última conexión.
  • Streaming: Cuando el software está constantemente conectado a la fuente de datos, de modo que la información, los cambios y las actualizaciones impactan en el momento en que se realizan.

Paso 2: Almacenamiento.

El almacenamiento consiste en guardar los datos recopilados y mantenerlos protegidos hasta el momento de analizarlos. Los elementos básicos de la capa de almacenamiento son las bases de datos y los archivos. Las bases se utilizan con sistemas de gestión de bases de datos relacionales (como MySQL y SQL Server) ya que permiten almacenar datos estructurados. Por otra parte, los archivos permiten almacenar datos no estructurados y, por lo tanto, se utilizan con sistemas de bases de datos no relacionales, también conocidas como NoSQL.

Paso 3: Procesamiento y análisis.

El procesamiento se refiere al momento de la transformación, preparación y enriquecimiento de los datos, donde el objetivo principal es limpiar y ordenar los datos para alinear lo que pueda sesgar o dificultar el análisis posterior.

Cuando pasamos al análisis, ¡es momento de la acción! En esta etapa, la explotación y el análisis de los datos nos permiten encontrar soluciones a los problemas que puedan surgir en la empresa.

Los datos se procesan y analizan mediante análisis estadístico, software y lenguajes de programación.

Paso 4: Visualización.

Por medio de herramientas de visualización de datos y una correcta comunicación, se le da valor a los datos para facilitar la comprensión de quienes los necesitan para tomar decisiones. En esta etapa generamos visualizaciones gráficas de la información importante para comunicar soluciones con impacto. Este último paso representa el impacto en la empresa; nuestro objetivo es generar un equipo con las partes interesadas de cada sector con el fin de explicar la solución.

Data Lifecycle Management - Data Visualization

 

Para ello, además del uso de herramientas de visualización como Power BI y Tableau, o bibliotecas de visualización como Plotly o Seaborn en Python, existen desarrollos a medida que pueden aportar un valor extra para la toma de decisiones. Este es el caso del desarrollo de la Encuesta de Servicios Generales que realizamos en Huenei para YPF, en una plataforma para la realización de encuestas en Aeropuertos Argentina que automáticamente resume, analiza y visualiza la información de forma accesible y fácil de entender.

En el mundo de la BI, la importancia de las Historias de datos está creciendo como una práctica enfocada en construir una narrativa para los datos y sus visualizaciones. Estas historias se desarrollan con el fin de ayudar a transmitir el significado de los hallazgos a los encargados de la toma de decisiones.

Este tema es sumamente interesante y emocionante. ¡Lo analizaremos en profundidad en un próximo artículo!