¿Quién es Mariana Osorio?
Mariana es Ingeniera de aplicación para productos de ciencia de datos en Altair México , egresada de la universidad iberoamericana en la licenciatura de Ingeniería física.
Dentro de Altair se especializa en Altair Knowledge Works, la plataforma para Data Analytics de Altair. Desde 2019 ha trabajado en proyectos para implementar machine learning en ingeniería y diseño con la industria automotriz y de electrodomésticos y para implementar flujos de trabajo de ciencia de datos en el sector de servicios financieros.
Altair, una empresa que transforma el diseño y la toma de decisiones mediante la aplicación de simulación, el aprendizaje automático y la optimización a lo largo de los ciclos de vida de los productos.
DESARROLLO DE ENTREVISTA
1. Estimada Mariana, ¿Podrías platicarnos por qué la Analítica de Datos, es importante para cualquier tipo de negocio y por qué se comenzó a utilizar?
Pues hoy en día los datos son una parte muy importante de los negocios. Sin ellos es imposible operar, evaluar desempeño, obtener respuestas precisas y reportar a los stakeholders de las compañías. La analítica surge de este deseo de contestar interrogaciones concretas del negocio, de poder reportar puntualmente qué se está haciendo y obtener indicadores para evaluar cómo mejorar, o poder predecir cómo nos va a ir.
Si tenemos datos para todo, deberíamos poder usarlos para impulsar la estrategia, ¿verdad? Las empresas se centran en estar cada vez más basadas en datos, por lo que se vuelve simplemente inaceptable permitir que los datos se desperdicien. Por esto es muy importante la analítica de datos en los negocios, para poder tener un control y una visión clara de qué estamos haciendo y cómo podemos mejorar.
Sin embargo, a medida que la cantidad de datos que las empresas recopilan y controlan continúa aumentando exponencialmente, muchas organizaciones no obtienen suficiente valor comercial de sus datos. Y para eso existe Knowledge Works, la solución de analítica de datos de Altair, que permite alcanzar objetivos de negocios críticos mediante análisis concreto y preciso, ciencia de datos y reportes sin las horas de trabajo manual y programación que estas tareas generalmente requieren.
2. ¿Cuál es el debate actual que genera el manejo del Big Data y cómo se controla?
La idea de “Big Data” ha estado presente en el mundo de TI desde 2001, cuando Gartner la definió en términos de tres dimensiones: volumen (cantidad de datos disponibles aumenta rápidamente), velocidad (se generan y procesan nuevos datos con el aumento rapidez) y variedad (el rango de tipos y fuentes de datos también se está expandiendo). Y los avances recientes en almacenamiento de datos y tecnología han llevado la idea a la conciencia pública. Por ejemplo, la mayoría de las personas son conscientes de que los retailers en línea ahora están explotando su gran cantidad de datos de compra para comprender mejor los patrones de compra y orientar los mensajes publicitarios más efectivamente. Y claro, el paradigma de Big Data se extiende a casi todos los aspectos de la vida y las nuevas herramientas están haciendo que estos recursos sean más útiles para las personas que deben tomar decisiones basadas en esos datos.
La cantidad de datos que se manejan en el mundo hoy en día hacen que sea una gran tendencia y que se vuelva casi imperativo para todas las compañías el comenzar a aprovecharlo. Por esto las empresas están gastando mucho dinero en nuevas herramientas para enfrentar el desafío Big Data y aumentar el valor, en términos operativos, de sus vastos mares de datos. Investigación de IDC indica que el mercado de tecnología y servicios de Big Data está creciendo a una tasa de crecimiento anual compuesta del 40%, aproximadamente siete veces más rápido que el mercado global de TI. IDC cree Las organizaciones que estén en mejores condiciones para tomar decisiones comerciales en tiempo real utilizando soluciones de Big Data prosperarán, mientras que aquellas que no puedan adoptar y utilizar este cambio se encontrarán cada vez más en una desventaja competitiva en el mercado y se enfrentarán a posibles fallas.
Entonces para ganar en este mundo de Big Data se necesita de maneras claras de tratar estos datos, extraerlos, prepararlos y poder realizar análisis claros al respecto, y poder tomar decisiones en tiempo
real sobre lo que nos están diciendo. Para esto Altair tiene soluciones de ciencia de datos y visualización en tiempo real enfocadas en Big Data: Knowledge Studio Spark y Panopticon.
3. ¿De que se encarga la Ciencia de Datos y cuáles son sus beneficios?
Por simple definición, la ciencia de datos es un campo interdisciplinario que utiliza métodos científicos, algoritmos estadísticos y sistemas computacionales para encontrar información a partir de los datos. Por lo general, estos datos provienen de fuentes dispares, pueden ser voluminosos y, a menudo, requieren preparación y manipulación antes de que se pueda comenzar su análisis.
A medida que los modelos analíticos se vuelven más complejos, se hace posible una mayor comprensión; entonces pasamos de mostrar lo que sucedió a predecir lo que sucederá. Y el objetivo de la analítica predictiva es encontrar patrones de comportamiento en los datos históricos de los cuales sacar conclusiones.
Los resultados de estos análisis se aplican a preguntas y objetivos comerciales predefinidos y pueden ayudar a refinar los enfoques sobre cómo las organizaciones pueden ingresar a nuevos mercados, aumentar la lealtad y los ingresos, reducir el riesgo o alcanzar otras metas comerciales similares. La ciencia de datos te ayuda a descubrir dentro de tus mismos datos las respuestas a las preguntas que aquejan a tu organización.
El poder de la analítica predictiva se realiza plenamente cuando los algoritmos pueden aprender a ajustarse a los nuevos patrones de datos y refinar los análisis sin depender de la intervención humana para modificar la programación subyacente.
4. ¿Qué canales son los más usados para obtener toda la información que requiere la Ciencia de datos?
La ciencia de datos se nutre de toda la información que tiene una empresa. La idea es que se utilicen todos los datos que están recolectando en la organización para tener una visión analítica completa y heurística. Sin embargo, estudios de la industria indican que menos de la mitad de los datos estructurados de una organización, es decir, bases de datos, se utilizan en la toma de decisiones; y menos del 1% de sus datos no estructurados se analizan o incluso se utilizan. Igualmente, en la mayoría de las empresas, los datos tienen numerosas inexactitudes, y cuando las personas que no son expertas en ellos crean reportes o análisis, existe una alta probabilidad de que los números no sean precisos. Un estudio reciente en todos los sectores de la industria indicó que solo el 3% de los datos que se utilizan pueden calificarse como aceptables utilizando el estándar más flexible posible, y que los empleados dedicados a esto están desperdiciando el 50% de su tiempo en encontrar y corregir todos esos datos incorrectos. El costo financiero de esta situación es enorme: IBM informa que los datos erróneos le están costando a la economía de los EE. UU. $ 3.1 trillones al año y que uno de cada tres líderes empresariales no confía en la información que utilizan para tomar decisiones.
Por esto se tiene que aprovechar todos los departamentos, fuentes y canales de la organización para utilizar los datos, prepararlos de manera adecuada y asegurar su linaje y gobernanza para poder utilizarse en ciencia de datos y tomar las decisiones correctas.
5. ¿En qué consiste el Machine Learning?
El aprendizaje automático o machine learning es un subconjunto de análisis predictivo y es fundamental para el desarrollo de la robótica que interpreta, comprende, aprende, realiza y se adapta cognitivamente en tiempo real al ejecutar rutinas analíticas contra datos que cambian constantemente. En el contexto de predecir el comportamiento del consumidor con respecto al riesgo de crédito o responder a una campaña de marketing, Machine Learning se define mediante algoritmos y sistemas que se mejoran a sí mismos sin depender de una programación explícita para adaptarse a patrones cambiantes y recomendar acciones apropiadas. Machine Learning aprenderá observando millones, o incluso billones, de puntos de datos.
Algunos casos de uso comunes son, en servicios financieros: anticipar los objetivos financieros del consumidor y proporcionar recomendaciones inteligentes a los consumidores a medida que completan las transacciones en sus dispositivos móviles, en marketing: optimizar las campañas de marketing para adquisición de clientes, ventas cruzadas y prevención de churn.
6. ¿Qué tipo de industrias se han beneficiado con el uso del Machine Learning?
Las industrias que más se han beneficiado hoy son aquellas que naturalmente son más data-heavy, como los servicios financieros, el retail, la manufactura, el gobierno y los servicios de salud. Sin embargo, datos hay en todos lados, entonces emprender un proyecto de ciencia de datos y machine learning solo requiere tener un objetivo concreto en mente y la manera de extraer los datos necesarios para lograrlo. Ya que herramientas como Knowledge Studio te facilitan aprender de los datos y tomar decisiones a nivel del consumidor individual. La flexibilidad de Knowledge Studio permite a los equipos de ciencia de datos construir flujos de trabajo analíticos predictivos que incluyen aprendizaje automático y algoritmos de redes neuronales, sin tener que depender de escribir código complejo.
7. ¿De qué se encarga el Data Mining y qué tipo de industrias lo están implementando?
La minería de datos es un proceso impulsado por el usuario que utiliza computadoras para atravesar enormes cantidades datos o contenido para descubrir patrones útiles. Es el proceso de descubrir correlaciones significativas, patrones y tendencias que cambian a través de grandes cantidades de datos almacenados en repositorios, usando tecnologías de reconocimiento de patrones como técnicas estadísticas y técnicas matemáticas. Es el primer paso de la ciencia de datos, antes de llegar a los algoritmos predictivos, e igualmente puede ser utilizado por todas las industrias.
8. ¿Qué tipo de soluciones digitales ofrece Altair?
Altair tiene soluciones para todo el ciclo de vida de los datos, desde preparación hasta comunicación o visualización.
Para preparación y extracción de datos de fuentes estructuradas y no estructuradas tenemos Altair Monarch, y su extensión a un data Marketplace: Altair Knowledge Hub. Para ciencia de datos y análisis predictivo tenemos Altair Knowledge Studio. Y para visualización en tiempo real y manejo de streams de big data tenemos Altair Panopticon.
9. ¿Cuáles son las tendencias del Big Data para este 2020?
Todo lo que hemos hablado es parte de la tendencia, y esto incluye la automatización del análisis de datos, el internet de las cosas (IoT), la seguridad y la privacidad de los datos, el machine learning, la analítica conversacional y el procesamiento del lenguaje natural. Y en todo este proceso de revolución a un mundo empoderado por los datos Altair puede acompañar a todas las organizaciones.
Gracias!!!
Lic. Sandra Sánchez
Contenido Editorial
Business and Marketing News
