Data - insight - profit: la importancia del pensamiento analítico en los negocios

Me gustaría que confirmarán rápidamente por el chat que nos pueden ver bien rapidito dos o tres personas tenemos más de 200 personas conectadas así que eso me genera muchísimo muchísimo placer les cuento un poquito las reglas hoy vamos a estar hablando unos 40 minutos a lo mejor un poquito más y después vamos a dejar un espacio para preguntas y respuestas y y bueno por supuesto la idea es que Pasemos un rato agradable hablando un tema que a mí lo particular me interesa muchísimo así que sin más voy ahora sí y ahora sí un problemita y

de que no se escucha perfecto les decía voy a volver para atrás bueno además de darles bienvenida pues lo que quería era desear que todos estuvieran muy sanos y en sus casas nosotros nos estamos tomando esto muy en serio de la cuarentena estoy seguro que Usted está bien es un tiempo complicado para todos así que bueno lo que deseo es que todos estén tranquilos familias sanas y en sus casas lo otro que les cuento un poquito como rules of engagement estoy obviamente mi castas y con mis hijos y ellos están haciendo home school algunos de

ellos el más chiquito project está dando vueltas aquí sí que si me interrumpe pues sabrán disculpar ven acá saludó aquí Rápidamente pasó mate y digo la viola fácil y listo vaya estoy en una llamada te dije que era una llamada estoy en una llamada no no te vas a conectar todavía te conecto después bueno estas son las cosas que pasan en 43 bien dicho eso el webinar que del que vamos a hablar hoy es data insight y profit pero yo quisiera antes de eso hacer una cosa una mención importante y es una reflexión sobre lo

que estamos Pasando de un minutito por favor que mi hijo está aquí otra vez perdón este dice todo el ensayo para que ellos no estuvieran tan cerca aquí un poco de lo que les decía es bueno todos estamos viendo viviendo esta terrible en pandemia es una cosa que nos todos muy preocupados y yo quisiera aprovechar y hacer dos reflexiones al respecto porque me parece que lo que estamos viviendo hoy nos puede ayudar a entender Un poco las características del mundo hoy y bueno que algo puede sacar de toda esta situación por lo menos que sean

aprendizajes la primera de esas reflexiones es sobre el mundo en el que vivimos hoy en día yo suelo usar este slide en donde se muestran tecnologías de avanzada como robótica tri printing etcétera para hablar del mundo busca el mundo busca ese mundo polar y con ser tan incierto complejo y ambiguo yo creo que no queda ninguna duda de que vivimos En un mundo sin ciertos estoy seguro que yo ustedes ustedes hace un mes jamás iba a imaginar que el planet iba a estar completamente paralizado por esta situación es decir las cosas pueden cambiar de un

momento a otro de forma realmente repentina y eso nos nos trastoca muchísimo esa es una de las primeras reflexiones la segunda aunque también es muy importante por esto es que a veces más información significa tener Más problemas y yo creo que todos los que hemos estado tratando de entender que es lo que está pasando con esta pandemia pero les voy a mostrar rápidamente estos son algunos de los slides que ha compartido el world out organice y zoom para montar los mitos en contra al respecto de el coronavirus sí ya que algunas cosas como por ejemplo

mente piensan que el clima frío lo mata o este tomar un baño caliente en fin estas son Todas un esfuerzo importante de comunicación que está haciendo la organización mundial de la salud para tratar de desmontar esta información que está circulando con mucha facilidad esta es otra posiblemente usted les digo una supuesta carta de bill gates a mí yo me llevo y confieso que la compartí también está muy bien escrita pero resulta que es una carta falsa entonces circula mucha información que no es cierta es difícil discriminar la señal del ruido Muy entonces quería empezar con

estas dos reflexiones porque me parece que es importante y con esto plantearles un poco cuál es mi objetivo mi objetivo es partir de esto para hablar de la importancia del pensamiento analítico a los negocios y ustedes quizás se estén preguntando bueno proyecto esto el coronavirus que tiene que ver exactamente con lo que estamos viendo ausol y lo voy a poder contar Bien en lo largo de este webinar entonces ahora sí a lo que vinimos data insight profit vamos a ir en ese orden a conversar un poquito de cada uno de estos puntos y extiende una

reflexión para cada uno primero es apta ya no sé si ustedes conocen pero se habla de las 3b o las tres uves de la data que son estas volumen variedad y velocidad y es importante entenderlo muchas estas cosas quizá uno las sospecha pero cuando se puede analizarlas con todo detenimiento Se da cuenta de la magnitud de este cambio en el mundo con respecto a la ncaa respecto al volumen este es un ejemplo que pongo lo uso en un taller que tengo de alta alfabetización esto que están viendo en sus pantallas en este momento son todas

las edades de los 736 jugadores que asistieron el mundial de rusia 2018 ese es un data set muy sencillo 736 de observaciones hoy en día es una tontería pero en el pasado no muy remoto 736 observaciones era Considerado víctima si de hecho en muchos de los que ustedes seguramente estudiaron en estadística se acuerdan que las en es a partir de 30 datos se consideraban que ya eran suficiente como para por ejemplo distribución pensamos que se ajustará una normal 30 apenas 30 imaginas en 736 y hoy obviamente estamos hablando de una magnitud del arte muchísimo más

grande que eso por las decenas de millones o Centenas de millones de observaciones y a veces muchísimas más variables cuáles son el volumen el volumen es bastante estrecho huerto urbano tendemos notar la variedad quizá no tanto la variedad tiene que ver con de dónde viene la edad y hoy tenemos capacidades de registrar datos de casi cualquier coste de mobile apps por ejemplo es una evidente pero también todo este auge de internet los tenis los asistentes Digitales fin en montones de puntos desde los cuales nosotros podemos recoger datos lo importante es que en un mundo que

se ha digitalizado todo es medir y cuando digo todo me refiero a todo todo todo es medible en todo todo lo que nosotros hacemos va dejando lo que llaman inglés in digital food friend esto es un gráfico bastante bien data que se consume que se produce de todas estas cosas por ejemplo De comportamientos tenemos como este que está acá tenemos buenos impuestos research y forecasting que es algo que siempre hemos venido haciendo hemos performer metrix que todo lo que te quede con ventanas muy fino y todo lo que producimos nosotros con contenidos experiencias y tenemos

un ecosistema de data verdaderamente impresionante y que hoy muchas las empresas están generando y no todas necesariamente los caños y usando Pero se está generando esta parte zárate existe y finalmente la última v o la última vez es velocidad que para mí tiene que ver con dos cosas por un lado la velocidad la que nosotros podemos procesar información que está en pantalla es gordon moore propuso la famosa ley de moore que no es una ley per se pero que se ha venido cumpliendo con bastante precisión a lo largo de los años este sitio web por

cierto para los que les interese data Esta gente está inclusive poniendo mucha mucha data de mucha data de el tema el coronavirus la gente de or white' in their a punto o hereje y lo tienen y los invito a que revisen ellos están exponiendo mucho al respecto vean esto este es el crecimiento en literalmente de la ley de moore a mí siempre me gusta compartir este slide porque fíjense que en el año 2000 para causa hace 20 años vean lo que ha cambiado el mundo en apenas 20 años hemos hecho este está Subida exponencial brutal

en la capacidad de procesar información y esto es la velocidad los microprocesadores que pasan más o menos lo mismo yo tengo viviendo en costa rica es el 2011 que puede ser más o menos como por aquí bueno vean como en el período en el que yo tengo viviendo en costa rica el mundo se duplicó su capacidad de procesar información pero muy importante también mencionar Que velocidad mucho más que megahertz una de las características principales de la velocidad es la que nos da la capacidad de medir todo de forma continua no por bach porque antes cuando

nosotros queremos recoger datos y vamos a decíamos un campo hacíamos una medición de alguna naturaleza de esa medición lo que hacíamos era y la analizamos y volvíamos a hacerlo estos eran como cortes digamos los transversales íbamos haciendo de edad Hoy en día no hoy en día podemos tener airlines de data que van alimentando algoritmos todo el tiempo ahora y eso es muy importante porque esta información en tiempo real claro imagínense esto no solo con velocidad sino con volumen y variedad en definitiva a modo de síntesis estamos en un mundo que se caracteriza por una abundancia

de información estamos llenos llenos de datos y eso que escucha en el fondo es mi hijo Hablado así que espero sepan disculpar nico silencio porque un poquito por favor ok esa es un dato ahora insight aquí no voy a tener un poquito porque está esta parte me parece que es interesante y tiene que ver y además a mí como psicólogo me llama la atención de manera particular desde que salí de la escuela de psicología de la católica se da una pila de años como tomamos decisiones y por qué la data evidentemente es la materia prima

sobre La cual hacemos o tomamos nuestro deberíamos tomar decisiones como lo hacemos bueno la realidad es que siempre hemos sido bastante malos para tomar decisiones nos ha costado mucho tomar decisiones les pongo un ejemplo muy rápido y algunos quizás lo conozcan pero esto esto me encanta a mí este tipo de ejercicios si él estuviera que preguntar lo siguiente si a cinco máquinas de tomar cinco minutos hacer Cinco aparatos tanto le tomara 100 a quienes hace de 100 aparatos vamos a ver creo que está el chat habilitado vamos a escuchar o leer un par de respuestas

que piense animal responder eso lo voy a decir nombres pues pueden batear como clint costa rica 800 mil de ayuno ok vamos a ir un par más tenemos un toquecito no sé si todos Ustedes van leer el chat me parece que no bueno tenemos tres respuestas las tres distintas cinco minutos cien minutos un minuto bueno si la mayoría de ustedes probablemente está pensando en estos 100 minutos y esa respuesta es evidentemente no respuesta incorrecta este es tomado de un ejercicio que hizo este daniel kahneman hace muchos muchos años pero the economics y es interesante porque

demuestra como nosotros tomamos Nos cuesta mucho tomar decisiones nos confundimos rápidamente porque usamos un proceso asociativo yo le llamo atajos psicológicos para tomar decisiones y eso obviamente nos lleva a error y errores de forma sistemática no muchos ustedes puedan decir bueno con datos es mucho más fácil tomar decisión bueno sí vamos a estos ejemplos favoritos es de los nuevos ya que no va a tener un tiempito porque me parece fascinante Imagínense el siguiente escenario imagínense que ustedes son el decano o el rector de la universidad de california ember y se le acerca el gerente admisiones

le dice señor señora rectora que tiene los datos de las aplicaciones y los admitidos de el último año y les muestra está esto se han recibido un total de 12 mil 763 aplicaciones de los cuales hemos admitido 44% hombres y 35 por ciento de Mujeres les llama la atención algo de esta de este slide si ustedes estuvieron la posición del rector que dirían que les pasaría por la cabeza vamos a dar dos segundos en el chat quien se anima a conversar directo [Música] entran más mujeres no al revés la mayoría son hombres la mayoría de

los que se admiten son correcto otra vez Porfa necesito también parece 10.000 segundos entre perdón y ahí está este a ver que nos exponen qué pasa con el otro 11% esa es una pregunta en dónde está el porcentaje restante bueno bien vamos a vamos a mostrar la tabla completa y la tienen completa relación desde una solicitud es para hombres sin embargo el ingreso es poco diferenciado nuestra universidad no es interesante para las mujeres Bueno eso puede ser ahí estamos comparando el número absoluto de personas ven qué interesante ahora camino otro hijo llamado minuto menos mal

que les pedí que no perdón la interrupción es otra vez pero eso es parte ya lo advertía el principio de lo que de lo que podía pasar en este momento 21 por ciento no tiene explicación nos explicaron no no no no vean aquí está la también que interesante y esta tabla siempre la Pongo porque lo que ocurre es que la gente se confunda ahora lo primero importante a tener en cuenta es que esto está totalizado en esta dirección y ahora está ahí se suman el minuto trabajo a los perdón pero es que están aquí los

dones cerrados igual están todos estamos igual si yo sé todos estamos igual les decía él el problema y mucha gente estaba tratando de totalizar si esto es un Error aquí se está actualizando así del total de hombres que aplicaron se aceptaron al 44 acepto el 44 por ciento del total de mujeres que se aplicaron se aceptó al 35 por ciento el problema de esto para no detenernos este en esta nación en este ejemplo es que aquí se ve un sesgo si tenemos data y sin embargo es complejo analizar y esto es una simple matriz este

que estamos viendo para para tratar de entender qué es lo que ocurre no si yo les des agregar a Una persona con formación gritó más analítica pensamiento analítico diría bueno hagamos una partición de esto veamos esto en por facultades aquí está la facultad ve hasta la f no está el total que había antes pero no importa estas son las facultades más más concurridas que les llama la atención ahora porque aquí la preocupación es será que esta universidad está discriminando está Discriminando está aceptando más hombres que mujeres por qué porque ese 44 por ciento que vimos

antes quiere decir que si usted es hombre tiene un 44 por ciento de probabilidad de ser permitido si usted es mujer tiene 35 por ciento de probabilidad ahora no simple frecuencia relativa por qué pasa esto entonces bueno aquí es donde el pensamiento analítico empieza a hacer sentido y si vemos esto no tenga aquí varias cosas importantes se lo va a mostrar para no Detenerme demasiado les piense si si si ven la frecuencia con la que la escuela más con más populares para hombres y para mujeres van a notar una diferencia voy a poner hombres en

color azul y vean que hombres la mayoría aplicó las dos escuelas más populares entre hombres son estas vamos a poner verde las dos más populares entre mujeres son las c y la que se está que no tan ahí la carrera tiene más Aplicaciones cierto que más que más notan ahí no hay carreras que traen más a hombres sin consecuencia y mayor cantidad de índices altos en hombres pero no no es por discriminación correcto mi buen amigo gabriel walter le mando un gran abrazo gabriel y yo compartimos la cartera de nuestros profesores instructores en estadística 1

pero ya en el año 2003 en la escuela de psicología la católica Ningún abrazo te hagan pero aquí como bien bien identificar lo que ocurre es que los hombres aplican a escuelas de otro color en donde es más fácil que te acepten mientras que mujeres la aplican a facultades escuelas exactamente josé martínez también lo dijo muy bien y esto es un pequeñito ejemplo sobre cómo como el los datos tener mucha información a veces no es no es la solución mágica hay que darle un poco de Pensamiento esto en las mujeres parecen aplicar a los departamentos

más exigentes entonces a dónde quiero llegar con este ejemplo es que la data en sí misma no es suficiente además tenemos que tener en cuenta algo muy importante y esto es una frase esté lista aquí es nate silver que es un bloguero muy famoso hizo el dirige el blog que se llama faiffer que teoría que nos decirlo cuando nos han dicho que lo buscan él ha hecho forecast de Elecciones y deportes y ahora que el tipo muy bueno escribió un libro que se llama the signal under nights una de las cosas que nos dice es

nate silver es la cantidad de información crece más rápidamente que nuestra capacidad para entender qué hacer con ella y eso es cierto y esto lo estoy poniendo estamos la parte de insight porque el gran problema es que se ha creído erróneamente que con sólo tener datos ya tenemos el trabajo de hechos y Que lo que necesitamos escuchar y la data sólo hablará y tomaremos decisiones y como acabamos de ver el ejemplo de berklee no es tan fácil si hay que saber hacer las preguntas correctas hay que saber pensar bien hay que saber este discriminar la

información qué es lo que tenemos que hacer realmente bueno tenemos que agarrar este universo de data y tenemos que procesar un poquito se adapta para sacar de ella información y De esa información y de la conexión que nosotros hagamos es que sale el conocimiento así es como salen el tema de los 56 tengamos en cuenta que no se adapta sin el pensamiento adecuado sin la manera correcta de analizarla no sirve para nada si estamos como en heces light en donde para ramírez es light es muy interesante porque es como bombillo de esos seres y realmente

una fuente de información pero nosotros estamos con Los ojos vendados y muchas empresas cometen el error de contratar sofisticados dashboards y plataformas de datos pero no saben después qué demonios a ser comenzado entonces la data no es suficiente la siguiente pregunta como hacemos nosotros para sacarle provecho a esta abundancia porque yo si quiero decir que soy un optimista del tema de los datos y yo creo que evidentemente el buen manejo de los Datos nos da una información que antes no podíamos obtener bueno después claramente es nosotros necesitamos hacer esto en business analytics y ahora provistas

de analytics en 6 necesitamos no solamente la data y la infraestructura necesitamos la gente formada la gente que conozca y que se para manejar de datos y análisis de datos correctamente entendemos por qué business analytics vicenç analytics es El uso sistemático de análisis de análisis modelos estadísticos que permiten tomar decisiones gerenciales sobre hechos concretos nosotros hablamos mucho en nuestra vida de data mining y data mining la definición que usábamos es my niña es la exploración y análisis por medios automáticos y semiautomáticos de grandes cantidades de datos con el propósito de descubrir patrones y reglas interesantes

ya que data mining es la manera que Nosotros pasamos de data al conocimiento del conocimiento a la información y de la información al conocimiento ahí es donde está la aplicación aquí y en muchas de las áreas donde más está usando esto sea ese marketing que es muy importante yo di el curso de advance marketing analytics recientemente en una de nuestras maestrías y sólo hablar un poquito al final porque tiene una aplicación marketing brutal de hecho los dos ejemplos que les traigo hoy son de Eso completamente pero también en cartón extensión comprado de conducta del comprador

costos utilización calidad de control de calidad en fin y manejo inventarios en operaciones hay un montón de aplicaciones también y lo importante el tema de la toma de ning es que es un proceso complejo insisto y yo quiero resaltar mucho esto porque he visto más de una persona o empresa dejándose llevar por este por este gran De los datos y adquiriendo grandes bases de datos o un sitio contratando software o plataformas complejas sin antes intentar cómo se hace dear mining process donde se puede ver que es un proceso de entendimiento el negocio entendimiento de la

data que es un proceso interactivo todo el tiempo se prepara la data se hacen modelos y se prueban y se vuelve a preparar etcétera se evalúa y se saca y después y esto se sigue haciendo una y otra vez y otra vez Y otra vez qué tipo de data mining hay esto muy por encima tenemos supervisada versión no supervisada la diferencia entre una y otra es sencilla la supervisada es cuando hay una variable dependiente cuando tengo una variable objetivo sobre la cual yo quiero conocer el efecto de otras variables el ejemplo clásico es yo soy

institución financiera y yo quiero saber cuál es la probabilidad de que la Gente haga default en un crédito o si se lo doy entonces eso es un modelo de clasificación en una variable que es esa probabilidad de 'default' sobre la que trabajo y la tamaño no supervisada es cuando no hay una variable dependiente sino como una variable objetivo vóleibol sobre la que trabajo lo que quiero hacer es más explorar un ejemplo de esto es que jennings por ejemplo que es un algoritmo que hacemos para clustering para ver cómo se agrupan los los sujetos Entre sí

aquí tenemos el árbol que muestra todo lo que estamos haciendo entre uno y otro data mining no supervisada tenemos clauster in reglas de asociación hoy voy a mostrar un ejemplo de pérdidas de sucesión y supervisada que tenemos esta predicción y clasificación en donde predicción a lo que hacemos es tratar de estimar una variable objetivo de naturaleza numérica o continua y clasificaciones cuando esta variable es Categoría y tenemos todos los algoritmos que ahora obviamente un tema de tiempo no podemos explorar los dos ejemplos que a mí en lo particular me gusta mucho y que creo que

tiene una de las más grandes aplicaciones hoy en día voy a tratar de ser lo más detallado posible en esta parte y esto es la diferencia con webber station en el pasado porque me parece que no nos da nos da una una cuota de valor adicional pero si ustedes Conocen este supermercado este supermercado crowder es un supermercado en el sur de los estados unidos fundamentalmente ellos tiene un programa de lealtad que se llama snowflake o copos de nieve creo que ha sido catalogado como una de las de las empresas que mejor tiene atención al cliente

personalizado y crm en el mundo inclusive a la par de amazon siendo un supermercado y un supermercado más como inconsciente no tiene nada de particular Como hacen ellos ellos tienen un sistema de cupones que 100 individualizados y la oferta está compuesta en un 80 por ciento de productos que son identificados por los patrones de compra y un 20 por ciento de productos que se quiere que el cliente descubra y son fantásticos estos tipos haciendo esto la verdad fantástico fantástico la empresa con la que trabajan para hacer esto se mandan handling y este es stuart que

genera o es el sello de la Empresa y se tomamos decisiones no basadas en lo que compraste lo que compraste hoy sino lo que has comprado en los últimos dos años esto es muy similar obviamente todos han conocido han comprado algo en amazon estoy seguro a lo que jeff bezos dice cuando afirma que si tengo 3 millones de clientes en internet necesito tener 3 millones de tiendas ahora la pregunta es cómo lo hacen esto cómo hacen cómo hacen este proceso Bueno estos se conocen como reglas de asociación y es algo que enseñamos en la maestría

tanto en la de marketing como las vistas a reglas de asociación lo que buscan es encontrar un conjunto de ítems que tienden a comprarse juntos y se establecen relaciones entre ellos son reglas del tipo si el cliente compró a entonces va a comprar de eso lo que es una regla asociaciones expresan bajo esta anotación Entonces ve es bastante straight power lo que lo que se busca es definir una premisa un producto que se considera una premisa y un producto o una serie de productos que son su conclusión como se ve estos datos como es el

output de estas reglas bueno aquí las tienen y aquí por ejemplo pueden ver esto en una base de datos que usamos en uno de los ejercicios en encaje en este caso tenemos una persona que compra zapatos y también compra al Perdón utilizando el tablet y tablet a veces una persona que comprar zapatos también compra jean es una persona que compra zapatos además compra jeans y camisetas y una persona que compra camisetas y zapatos también compra jeans y te va dando reglas esto tiene montones de aplicaciones interesantísima por ejemplo pues permite experimentar clic clientes basados en

patrones de compra si quiénes son los Que aquellos que compran con más frecuencia cierto conjunto de ítems por ejemplo lo otro que permite hacer si tenemos un retail en físico extracción de productos en estantes entonces si yo sé que un set de ítems suelen ir juntos pues los pongo con la góndola o en el anaquel uno al lado del otro hay cosas interesantes ya vamos a llegar a esa parte de esto porque lo importante es el manejo del volumen de la información y por eso Hablaba de las tres uves o de las tres d íbamos

a liberar eso porque vean otra cosa que te permite hacer esto con muchísima facilidad es lo que se conoce como cross el aps uops porque si yo identifico patrones que no son tan evidentes de ítems son seguidos o sea que cuando una persona pone algo no hay carril en el carrito es muy probable que ponga otra cosa entonces yo puedo tratar de hacer una sugerencia que haga que aumente el ticket de venta así Y ejemplo de esto lo que hace a va son siempre promociones o sistemas de recomendación en fíjense que había más ante lo

dice clarito es estos productos frecuentemente van juntos posiblemente tu pusiste esto en el carrito para estudiar a yo por cierto tratando de armar un kit para ser podcast aprendiendo en mi buen amigo el sobresueldo este qué es un crack haciendo podcast bueno Si yo quiero comprar puse en el carrito este micrófono amazon sabe que esto siempre viene seguido o muy probablemente viene seguido en todas estas cosas cuál es el problema con este tipo de análisis cuál es la oportunidad para darle un frame positivo lo bueno que se hace un muy complejo muy rápidamente que tan

complejo bueno imagínense que somos amazon o que Tenemos una tienda digital de libros yo puedo escribir reglas del estilo si el lic si el cliente metió en la canasta el libro uno entonces se probablemente va a meter faltantes libro 2 pero también puede ser si el libro 1 entonces el libro 3 y así puede ser la cantidad de combinaciones que janko decir cuál es dependiendo el número de libros que yo tenga en inventarnos y libro 1 entonces el libro 6 también para estrés y libro 1 y 2 Entonces libro 3 o por hacerse un libro

1 y 2 entonces libro 4 y así en un número de combinaciones brutalmente grave el problema es que inclusive para un número extremadamente pequeño de ítems las posibilidades de combinaciones de reglas son muy altas para que tenga una idea en una base de datos con m&t puede tener la siguiente cantidad de relieves 3 a la m 2 a la n 1 más 1 eso significa que la base de datos con seis ítems tiene 602 posibles réplicas Imagínense lo que significa manejar 602 posibles reglas ya ahí se entiende el tema del volumen porque hablamos al principio

si es imposible y 602 es un número pequeño créanme muy muy pequeño una base de datos con mil ítems y yo no sé cuántos ítems carga por ejemplo una pulpería un kiosco para decir algo chiquito por un supermercado y seguro que hay muchísimos más de 1000 evidentemente unas son un supermercado mil ítems tiene Posibles reglas este nombre si se están preguntando cómo se lee ese número desde el número se le ve así esos son 700 17 6 millones 897 millones 985 cuadrilla 3 440 trillones 52 billones 750 75 millones 85 mil dos posibles reglas como

sabes cuál regla es la que va a ajustar sin como las esquinas ahí es donde entra la magia de esto primero se hace un análisis en función de esta fase de datos transaccionales como un simple con el output del punto De venta puedes hacer esto con jaydy para la transacción y una lista de ítems presentes de la canasta se pueden incluir información adicional como el número de tienda fecha hora y hoy en día obviamente también el aire del cliente en caso de que tenga un programa de lealtad y con eso se construyen las radios cuáles

son las métricas que se pueden usar para esto bueno hay varias la voy a contar Rápidamente para que vean el poder de esto una se llama soporte el soporte es la proporción de todas las transacciones que contienen el set es decir es la frecuencia o la probabilidad entonces el soporte de hay la probabilidad de que ocurra el soporte dvd el ítem ve la probabilidad que ocurra ve y el soporte de a shia entonces p es igual el soporte b entonces es igual a la probabilidad de la intersección de ambos y entonces sí vemos esta lista

de ítems por ejemplo Aquí nos damos cuenta que los items es todos estos ítems van juntos verdad pero unos van juntos con más frecuencia que otros cuál es el que tiene más frecuencia este que está aquí entonces si yo tengo que hacer una reunión en un anaquel por ejemplo esos son los dos ítems que trataría poner uno a la par del otro y hay otros que quizá este por ejemplo se compra apenas van aparecen junto en el 20% de las canastas no es no están Como si la siguiente métrica de esto se llama confianza que

es la más importante para la domótica un poquito mejor es el consciente del soporte una regla dentro de soporte el antecedente si la confianza nos da la fortaleza de una red es decir es la probabilidad de que ocurra ve si ya ocurrió a la en el resultado de esta división si el soporte de la intersección de la regla sobre el soporte del antecedente porque es importante esto porque es una Probabilidad condicional esto lo que nos dice es cuál es la probabilidad de que si usted compró zapatos compre también james y la probabilidad de eso es

70% fíjense que hay una cosa interesante en la regla que habíamos visto antes que la regla de los shorts y las camisetas que ocurrían muy poquito es la regla que tiene la mayor confianza eso quiere decir que no pasan muy frecuentemente pasado una quinta parte de las veces pero cuando pasa es decir Cuando la gente mete shorts es casi seguro que va a meter también disertó y ahorita le voy a hacer una reflexión sobre eso porque es importante y finalmente el leaf que mide cuántas veces ocurren a yves juntas comparadas a lo que ocurrirá a

lo que ocurrirían si hay ver fuesen estadísticamente independientes y qué es esto que está aquí si el soporte de la regla dividido entre el producto de los soportes de cada uno Y el leaf lo que se hace es que se compara si es más de uno si es más de uno lo que quiere decir es que esa regla no se da por azar sino es arroz entonces lo que nosotros buscamos son reglas que tengan una confianza relativamente alta una confianza que comprende un soporte relativamente alto una confianza y muy muy alta y por supuesto el

ifd también alto necesitando de este famoso el del fabuloso libro de chapman y mcdonnell en Cuando buscamos reglas queremos superar un umbral mínimo de modo tal que encontremos conjuntos de productos que ocurran con frecuencia es decir soportes que muestren una fuerte relación condicional es decir que tengan confianza y que sean más comunes de lo que cabría esperar por azar eso lo que se hace con tres pilas no sé qué otros sostiene esto bueno esto tienen otros usos maravillosos como por ejemplo análisis de redes sociales Porque porque yo puedo hacer y esto es dato tomado el

libro yo puedo lo que yo veo es cosas que ocurren juntas en el caso de un análisis que estoy viendo lo que pongo dentro del carrito pero no necesariamente es lo que pongo dentro terry que puede ser clics estos son clics en facebook la gente que le da like a skid el tsja mountain dusit el cese de esta marca de confites y monta hindú esta bebida azucarada entonces le darán like es también había Interés cuál es el soporte de esto noten que el soporte es muy bajito pero apenas es de uno por ciento de las

veces ocurre pero lo importante es que cuando ocurre cuando ocurre sí cuando ocurren estas dos que son la premisa entonces muy probablemente va a ocurrir la consecuencia de modo que si la gente le dio light skid el monte hindú yo le puedo mostrar y yo tengo esta regla construida yo le puedo mostrar algo de gatorade porque Muy probablemente le dará clic también se nota en el leaf gigantes es muchísimo más de uno porque quiere decir que no tiene que ver con pasar lo importante de esto y porque les quería mostrar este ejemplo de encontrarles estas

tres cosas pero lo importante es que si usted tiene un criterio digital el soporte en realidad importa mucho menos que la confianza sí porque como yo lo que quiero es identificar cuál es la regla que tenga La mayor confianza es decir que tenga la mayor probabilidad condicional no importa que ocurran muy pocas veces si alguien está metido en tu página web y le da y mete en el carrito virtual el ítem a él no lo mete nunca si el sistema casi nunca y el sistema tiene un problema condicional con él ve muy alta entonces ofrece

él ve y eso tiene un costo muy bajo cuando estamos entornos digitales y una posibilidad de generar recursos e ingresos adicionales brutal Lo otro importante de esto además es que como vieron en el número de reglas son gigantescos y uno descubre reglas de asociación que no sospechaba existían y esa es la parte importante de todo esto si yo no puedo contarte real lo que llama efe stephen de habido que un analista de google 15 theatrón está tenemos data del comportamiento para darle comportamientos de atr honesta yo puedo identificar patrones de compras que ni siquiera el

mismo consumidor te Puede revelar que existe porque estoy analizando grandes volúmenes de datos y estoy identificando estos patrón momentos por ser imagínense combos imagínense este recomendaciones promociones en fin y otro más que se puede hacer con esto es que se pueden crear ítems virtuales entonces un item puede ser es si él en lugar de coca-cola o nivel verde cerveza o lo que fuese yo poner ahí día si es viernes y me tiene en el carrito Tal cosa entonces recomienda entonces sigue está loca no para hacer ese tipo de cosas esto tiene aplicaciones gigantes el cálculo

de esto no es complejo los complejos gracias a las herramientas que tenemos hoy en día obviamente complejo centrista computacional por las herramientas que tenemos lo que nos permiten hacerlo y tiene un poder brutal en la maestría de marketing hicimos este ejercicio con una base de datos este importante y lo que Hacíamos era aplicar esas esas reglas de asociación a nuevos a nuevos consumos de modo que se medía ponemos a los grupos de en clase a competir y ganaba aquel que recomendaban los productos que la gente más compraba y entonces jugábamos un poco será más son

eso lo que hacemos es el primer ejemplo reglas de asociación que a mí me encanta es un ejemplo verdaderamente fascinante de de las cosas que nos permite hacer horitas business analytics El segundo ejemplo que les voy a mostrar es uno que para mí tiene enorme relevancia en el mundo hoy y muy poca gente lo está usando en el de text mining text mining es agarrar data no estructurada que es texto y transformarla en data estructurada y en función de eso analizar lo que la gente dice y hace está un poco más complejo entonces lo voy

a mostrar un ejemplo que a mí me fascina tomados un ejemplo público de un Blog de un analista que ahora el nombre se me escapa pero que me encanta que él se puso a analizar cómo twittea donald trump el presidente de los eeuu porque lo que se empezaron a dar cuenta es que habían como medio patrones distintos no siempre parecía romper entonces vean la deconstrucción quedarse como tuitea muy sencillo al principio simplemente lo que hacen es ver la hora del día sin y la hora el día acá y la plataforma del twitter hacia android o

Los iphones si se dan cuenta aquí lo primero que dicen es por lo que esto está en inglés no olvide producir le hice los clicks de android e iphone son claramente personas distintas e hice y se postean esta frecuencia del porcentaje de tweets cuando es android es fundamentalmente en la mañana por la parte la primera parte del día y iphone es más en la tarde no y lo otro que vieron es se dieron cuenta que los tweets de de de Android son un poco más agresivos se quiere no hay un poquito más de rabia y

vamos a ver cómo van construyendo eso pero ahí empiezan a hacer un análisis de cómo twittera del hasta ahorita esto no tiene nada de sofisticado pero vean lo que empiezan a hacer ellos después se ponen a ver como donald trump hacer los retweets entonces se dieron cuenta que hay unos casos en donde hace un tuit mal hecho porque lo que hace es que en lugar de darle retweet lo que hace es que pone Las comillas entonces aquí alguien simplemente un análisis de el tipo de ritual si escuadra con lo cual no cure el tuit correcto

noten que cuando está en ancho en en android si hay una proporción importante de tweets están cubre que es decir los tweets que están en mal retuiteados en cambio los que twittean en iphone casi nunca comenté en ese error y claramente empieza a surgir ese patrón De iun parecen personas distintas después pueden haber el tipo de información que comparten mismo calculemos la frecuencia de él si hacen si twittean con alguna foto o algún link o sin la foto y sin el link y que se dan cuenta que cuando tuitea de android si no hay casi

nunca links y fotos pero cuando es iphone si de hecho aquí se nota bien la diferencia cuando las barras están invertidas en su tamaño es que hay una relación clara en Esto y evidentemente la gente que aquellos que twittean en el iphone en la cuenta de jay donald trump donde el tram perdón y lo hacen sobre todo para tuitear cosas como esta que son tweets de campaña si se ponen a ver son tweets muy marketineros aunque wyndham ingeniería etcétera en cambio este tuit que existe estaría en el este que está acá el hípico tweet asociado

lo rojo y este es el tweet o asociado lo malo solito es de emirates going crazy Dator olite start son beneficios de productos etcétera etcétera porque se ponen a ser y aquí es donde entra el tema de analytics ellos lo que cuando uno hace el texto main y lo que hace es que toque niza las palabras que cuenta el número de documentos y el número de tweets y luego otro que haces es a contar el número de palabras y tokens que hay dentro de cada uno de los de los tweets y entonces ya puedo empezar

a ver cuál es la palabra más Frecuente entonces aquí lo que ponen a ver es cuáles son las palabras más comunes en la campaña esto durante la época de la campaña de lo que picaba donald trump y noten que hillary evidentemente era la palabra más común es lo que más se referirá a hillary estos número absoluto de ocurrencias y después tiene trump el hashtag trap 2016 pues crook clinton make américa 30 en people y así va cada una vez Es un simple análisis de frecuencias pero un análisis de frecuencia de tweets para aquí yo pueda

analizar volúmenes gigantescos y tweets si yo tengo un gap y que me permite bajar o bajar un año de tweets pero después se pusieron a hacer cuáles son las palabras que más frecuentemente podrían venir de android y cuáles podrían venir de i've brown y se dan cuenta que las palabras piensa que que android es lo que está coloreado rojo Badley crazy week watson etcétera son palabras mucho más comúnmente asociadas con android más componer en android mientras que en las que son de iphones son éste correcto train super tuesday este primer y vídeo ya empiezan a

notar no solamente twittean a horas distintas coaches distintos este comparten distinto tiempo información sino que más el contenido ante el termo De análisis quiere gasta semánticos es distinto y después usando modelos ya como los modelos de clasificación que tenemos ahí hacen lo que se conoce como sentimiento análisis entonces poner a ver bueno cuál es el sentimiento que subyace acaudaladas de las del conjunto de palabras para entender bueno de qué está hablando este señor y cuál es la emoción predomina también carnes o tristeza miedo rabia discos podría ser asco y sorpresa son Las emociones más predominantes

en tweets que vienen de android mientras que anticipación roses hoy sí son ejemplos de lo que viene tuiteado en haití realmente el que twittea con androides el presidente de trump el que twittean con iphone en aquel momento era su gente de campaña y haciendo este análisis se puede identificar esto esto es apenas un ejemplo ilustrativo muy muy trivial si se quiere pero a mí me gusta porque Muestra el poder que se tiene paredes te imaginas si usted es tratando de entender las conversaciones que tienen en redes sociales las personas que consumen sus marcas o imagínense

si ustedes tienen un portal donde dejan que la gente haga ruidos de su producto o su servicio imagínense poder hacer análisis de nosotros en clase por ejemplo analizábamos bajamos 5000 reviews de una película del site rotten tomatoes y nos pusimos a Analizar y a correlacionar a construir la relación que hay entre el review y el rating el puntaje del del rating entonces eso es un poco el poder que tienen estas cosas entonces bueno ya para ir cerrando yo creo que la oportunidad de negocios que nos abre luz y manejo de la adaptación inmensa son son

auténticamente inmensas y esto es una data de mighty es un poquito vieja un estudio que hicieron comparando empresas De alto rendimiento y bajo rendimiento y su manejo con that vean esto es interesante el 79 por ciento de las empresas altos rendimientos logran resultados específicos gracias a los análisis versos del 39 por ciento en la empresa de mantenimiento el 79 usan insight desprendidos análisis predictivos en los procesos claves en esos versos 34 el 84% monitorean de forma rutinaria las decisiones y toma acciones correctivas De ser necesarias un poco el modelo eléctrico que les estaba mostrando al

principio el 59% invierte más de un cuarto del presupuesto asignado a tecnología en herramientas para el uso analíticos en el 59 por ciento de empresa tanto rendimiento y nieto una cuarta parte del presupuesto asignado tecnologías mientras que la baja rendimiento apenas el 17 por ciento menos de la quinta parte Y sal donde quiero centrarme yo y que nosotros comunica nos compete muchísimo es el 82% la empresa es alto rendimiento invierte en la contratación de talento con competencias en análisis de negocio y eso es una parte en donde yo quería subrayar porque insisto en un mundo

en el que vivimos es muy fácil caer en la tentación decir bueno vamos a meter nuestras big data este suscriba damos a este servicio etcétera montemos este time for centra y después ya no se sabe Qué hacer con ellos la parte del talento es clave en esta parte del talento es clave recuerden que vivimos en este mundo que se nos da vuelta vendría para otro hoy es condenado virus que ojalá lo podamos vencer pero mañana ya pueden ser otras cosas y pueden ser hechos económicos sin precedentes como la famosa crisis financiera que tuvimos al finales

del 2008 o eventos políticos y césped de gran magnitud siempre el mundo puede cambiar rápidamente no solamente Puede cambiarse el mundo caracteriza es esta saturación información estado tanto contenido que no sabemos qué hacer con él entonces la solución no sólo no es más información a veces la solución es distinta a mí me gusta uno de mis académicos preferidos de nicholas taleb los invito a que lo descubran es un tipo un poquito arrogante pero verdaderamente brillante él escribe en su libro anti fallado y anti frágil lo siguiente dice se piensa Que la inteligencia es identificar cosas

que son relevantes o detectar patrones en un mundo complejo que es ese mundo que estamos viviendo hoy en día la inteligencia consiste en ignorar cosas que son irrelevantes evitar falsos patrones de eso se trata el beeston ali tics si se trata de tener a la mano una herramienta una caja de herramientas y que está compuesta todas estas cosas para tomar mejores decisiones para ser más críticos para aprender a cultivar la Duda ese escepticismo tan indispensable que necesitamos tener hoy en día el saber poner bajo control esa tendencia que tenemos los seres humanos de saltar a

conclusiones de tomar atajos cognitivos y es un poco de lo que se tratan el tema de analytics y pensar una de las cosas que decía un científico de la tos americana lo leí en twitter son brillantes decía nosotros no podemos en el mundo hoy en el data science Concentrarnos en la data y olvidarnos de extrañas hay que tener esa mentalidad científica hay que tener esa capacidad de plantear hipótesis ponerlas a pruebas hacer ese método científico ponerlo ponerlo en práctica entonces eso es lo que quiero un poco transmitir si la intuición hoy en día no es

suficiente en el mundo del que estamos viviendo estimados y estimadas no se dejen llevar sólo por la experiencia sean críticos cuestionen se Aprendan de esto si no quieren aprenderlo ustedes contraten gente que sepa aprovechen los momentos para como estas 40 y bajos para tratar de alfabetizarse un poquito más en esto de datos si hierro antes de abrir la la la el espacio para preguntas y respuestas comentan dos de nosotros tenemos dos maestrías que tocan este tema de forma especial la principal es ésta el executive master business analytics que Es una maestría yo soy egresado esa

maestría y voy a dar clases en esta maestría voy a dar el curso de predictiva analytics uno en donde vamos a todos este toolbox en detalle es una maestría lindísima donde van a conocer gente espectacular y donde van a tener la oportunidad de llenarse las manos de barro y meterse en el taller de carpintería a manejar cada una de estas cosas si están interesados los invito a Que contacten a mi queridísima y súper amable línea hay que en esos datos ella la gerente admisiones y ha visto en su correo que dije punto lanzó robin cada

dedo creo que ya les va a dejar eso en el chat también para que lo tengan a la mano y repito una vez más porfa estén sanos muy muy sanos quédense en sus casas tengan paciencia no subestimen el poder de contagio de esta cosa este porque es es tremendo lo que estamos Viviendo y necesitamos estar todos bien para volver a echar palante cada uno de nuestros países así que dicho de eso les agradezco el tiempo y la atención espero que lo hayan conseguido interesante bien si quieres abramos espacio para preguntas hay estoy viendo aquí en

participantes que están mi querida irene es le mando un abrazo estrechos a las personas que más le enseñaron en la vida mi querida jefe adelante gracias a mí de Verdad que muchas seas siempre es un gusto para nosotros arco tuvo contar con tu experiencia y todo este este conocimiento que en otras nos transmite de verdad que es sumamente agradecidos antes de iniciar con un par de preguntas y respuestas que ya tenemos pues varios años asignadas es importante nos voy a habilitar una pequeña encuesta donde esperamos es un par de minutos nos responden y luego ya

damos inicio con las preguntas Me están preguntando ahí está el pool ok está correcto vamos a dejar que perder un par de segundos y si de antemano agradecerle más de las 400 personas que están pues conectadas de forma virtual para nosotros de verdad es un placer es un gusto enorme poder compartir con ustedes y pues llevarles un poco de lo que día a día vivimos en la experiencia en kayak y gracias de verdad que sí por siempre estar pendiente de nosotros y Acompañarnos ahora sí todo y en el espacio camino para que puedas continuar con

las preguntas si yo lo que esté lo que les propongo es usemos la ventana de ley de questions and amstel y obviamente por el volumen no no voy a poder responderlas todas te estoy viendo con muchísimo placer que hay gente queridísima en el chat que con las que he trabajado tanto aquí en costa rica como inmenso del auto les mando un Abrazo enorme a ver es recomendable trasladar este conocimientos a la pequeña y mediana empresa que mediante nivel y sólo pregunta enrique rodríguez vegapps y enric por supuesto nada de esto otras las herramientas de análisis

es hoy en día son accesibles en términos de costo lo importante es tener el talento hay algunas posibles son gratuitas como es el lenguaje de programación estadístico python que no cuestan nada son open source pueden usar Perfectamente puedes aprender a usarlas pero pero están entonces si los pedí yo tengo un amigo muy querido tienen costa rica que tiene una pulpería tiene tres y le va muy bien y hemos hablado de por qué no usar reglas asociación a la puntería y ahorita con todo este tema la crisis está un poco digitalizando se en su portería y

luego sé que lo va a hacer con éxito porque más él trabaja en esa área y es un crack bueno entonces eso Por donde van a generar próxima y imagínate que puedas reestructurar el layout de tu tienda en función de la forma en la que la gente compra así que sí por supuesto que hay que hacerlo en la pequeña y mediana empresa sin dudarlo qué herramienta es óptima para la realidad tus vi el programa ere project o existirá alguna que sea más sencilla de manejar álvaro nos pregunta ere es muy potente es muy poco friendly

Muy poco amistosa en la que nosotros usamos en el curso se llama rapid mainer pero hay varias aire se llama orange que también se es bastante potente es hacer construir sobre python pero yo te diría que ere ere o rapid mainer son quizás dos de las más comunes rapid mainer no es una licencia cara para una empresa creo que cuesta como cinco mil dólares al año me parece que es recupera esa inversión rápidamente y yo yo lo lo tendría en cuenta ver dm ver qué más Yo soy cree salen bien es el tema que otros

cursos certificaciones me recogiera perseguir mi formación mira el ayuno hay una importante demanda está camps que es muy bueno louis y se ve e pero que me están escuchando si camps es una es una una plataforma muy buena que será que algunos cursos siempre tiene ciertas pulseras un poco más limitados En data data camps pero que es más potente y por supuesto bueno nuestra maestría de sentido no existe alguna metodología para crear los soportes es la regla asociación lo que estamos viendo más adelante a ver ese pss sí creo que ese pc es que se

sirve para hacer no sé si hace minería de datos me imagino que ya si no uséis epc desearse ánimos en mi época de profesor de estadística la católica y como estudiante Estadística y si puedes hacer algunas cosas yo hacía mucho análisis factorial a nova pero cosas más experimentales no tanto no tanto de data main no te sabría responder es cómo pueden hacer uso las pequeñas y medianas empresas de autos sabiendo que la capacidad económica de contratar un especialista en el área es menor y yo no sé si especial tocarla a cruz yo a ver porque

yo creo que así como uno invierte en un buen financiero o Invierte en una buena persona operaciones tienes que invertir en una persona de análisis de datos y es una herramienta que miren yo les digo algo y esto lo creo firmemente si no lo haces tú lo va a hacer tu competencia y eventualmente te va a sacar ventaja porque va a empezar a tomar mejores decisiones va a analizar la información conductual de sus consumidores y te va a sacar la ventana entonces yo no creo que la pregunta es si debo no Meterme en este tema

análisis entonces cuando de momento di mi gordon que pregunta a repetirla herramientas y rapid mainer es la herramienta y r es otra a ver qué porcentaje la iniciativa de analytics terminan siendo satisfactoria josé lópez no no tengo datos de eso no sé y me imagino que el principio quizá no muchas es muy difícil hacer esto bien es muy difícil tener la correcta si se acuerdan En el crisis que les mostré una de las cosas importantes de este proceso me voy a devolver esa lámina porque hicimos una pregunta de mi país importante esto sí una de

las partes importantes de visas analytics es esta edad está preparación y la town der standing ahí es donde se va casi el 70 por ciento del tiempo en data y muchas también es muy sucia viene viene muy mal registrada entonces bueno eso eso atenta contra la efectividad Pero pero no hay que desistir hay que mejorar hay que hacerse mejores preguntas hay que decir bueno como mido esto mejor sin duda hay que hacer eso e y sistemáticamente haber una persona anónimo dice trabajo en la banca para modelos predictivos utilizo el algoritmo x en book es recomendable

utilizar el mismo algoritmo para todos modelos gran no lo conozco dice algoritmo el gusto no Sé si eso es bus de put cup o algo así la hora que no no te sabría responder no lo conozco y si me dices que hace el algoritmo de repente te puedo comentar algunos que te gustaría ser 20 con el amigo rico que analiza las fruterías yo no dije que era rico luego de contar esto se va a reír ártico aunque bueno puede ser si vienes empezando a analizar datos y tiene una empresa pequeña la pulpería cuáles serían los

primeros datos los datos más Importante analizar yo te diría datos las transacciones siempre siempre es mejor datos conductuales que datos no conducto cuando digo no conducta les prefiero por ejemplo a las típicas encuesta donde les pregunto a la gente qué es lo que piensa que lo que usted compraría este producto cuando fue la última vez que llega que tiene una limitación no tienen psicología llamamos validez por qué [Música] bueno porque está sacudiendo a memorias y la gente le prestó atención también la conducta es la conducta entonces si yo veo frecuencia de contras y yo veo

monto el tiquete de compras y yo veo frecuencia de visita si todo tipo de productos que compran data conductual pura y esa la puedo empezar a realizar entonces yo empezaría a medir aquellas cosas clave de tu negocio si vamos a usar el ejemplo la Pulpería es cuáles son los productos más vendidos cuales se venden en conjunto a qué hora se venden qué día se vende más si tengo perfiles de consumidores quienes los compran más qué características ahí puedo hacer algún tipo aquí no no hablamos iba a hablar pero al final decidimos traerlo de text mining

de clusters sí que puede ser segmentos en función de otras variables distintas a las de demográficos entonces y descubrir conjuntos de consumidores Que son muy parecidos en relación a una variable que antes no había éste analiza hong por ejemplo monto la compra la predicción de negocio los seguros bienes regularlas por 20-6 data mining para precios índice de siniestralidad diferente de las normas gubernamentales y está limitada vez por leyes locales yo sé que seguro es esto lo pregunta el ínter de serra seguro está haciendo cosas increíbles con esto justamente Para predecir siniestralidad si obviamente debe haber

un tema legal de supervisión que desconozco por completo pero de que se puede predecir si de hecho hay empresa nosotros en francia estuvimos visitando un banco muy importante ya que se llama société générale y casi nunca pronunciarlo en francés y ellos por ejemplo la parte de seguros de automóviles está instalando pequeñas cajas negras en los carros entonces sacarle a grafite Al momento un siniestro bueno por supuesto tienen todos los datos de las personas que conducía pero además han calculado la velocidad a la que venía el monto de los daños éste pueden medir el tiempo que

la gente maneja por sobre el límite del pri tiene gps tienen todo qué tan frecuente es que manejes por encima el límite de velocidad por ejemplo entonces ellos pueden saber cuál es la probabilidad que tú tengas un accidente eso es un modelo De clasificación tendrá o no tendrá un accidente y en función de eso ajustar evidentemente las tarifas el este o el tipo de productos al 21 pregunta por dónde más inclinarse ere o python como la mejor forma de analizar datos en cubos mira yo hice esa pregunta a uno de mis profesores más queridos y

en lo que me dijo es python eso es un código mucho más versátil y se puede hacer muchísimas Más cosas en python que ene efe pero si lo que te interesa es el análisis de datos y estadísticas r es porque hay un montón de librerías hoy en día donde muchas personas ya resolvieron montones de problemas extremadamente potentes yo no conozco python conozco de red porque yo no quiero hacer otra cosa que no sea análisis de datos entonces creo que es la mejor manera de hacerlo y este es el tema de datos en cubos con bases

de datos ahora Con connery combinado con un ciclo eso lo que yo haría con esto mismo importante aprender a manejar las consultas de bases de datos para hacer combinaciones y cruces y extraer información en tiempo real y ver qué programas podría recomendar para limpiar una base de datos bueno nosotros hemos podido hacer esto con ere y con circo el mar y es un tema de d De entender bien qué es lo que tiene que hacer con la base de la limpieza si es hacer hacer marketing o están en 15 enseñas si ya pagan por ello

mi querida jefa me pregunta crees que la cuarentena incrementar el peso la variable confianza en los próximos años cuando que buena pregunta y confianza hacia otros y no sé si puede ser en realidad es una de las lindas preguntas para empezar a hacerse con un contacto Justamente ahora a ver esto nos está cambiando a todos es lo que va a pasar en el mundo hoy es extremadamente difícil de anticipar y bueno habría que empezar a recoger información y analizarla yo creo que eso es un poco lo que hay que hacer este bueno yo creo que

con esto respondido por tanto preguntas les agradezco a todos muchísimo el tiempo mi twitter ramiro que pasó y lo tiene y pueden pueden conseguir me en ramiro Punto caso arroja pinta de educ y que mi correo también estoy a la orden para que necesiten por favor mantengan sanos y cuidados y resguardados y mucha paciencia aprovechen este tiempo para estudiar data intentando hacer de mando todo es un gran abrazo y nos vemos el próximo jueves muchísimas gracias gracias a todos los que pues nos han acompañado a lo largo De la charla de verdad sumamente agradecidos les

compartimos la información del correo electrónico si quisieran pues que los contactamos igualmente si quieren ponerse en contacto conmigo estoy realmente a la orden al igual que ramiro para mí es un gusto un placer poder atenderlos conversar un rato así es que estamos a la orden e igualmente que tengan un muy feliz día y recordemos pues cumplir con los protocolos de salud y pues ya nos en Casa en la medida de lo posible que estén muy bien que tengan un excelente día todos