[vc_row][vc_column][vc_column_text]A todos nos ha pasado alguna vez: buscas un producto o servicio en tu navegador habitual y a los pocos días ¡sorpresa! Todos los anuncios y publicidad que aparecen en Internet están relacionados con el objeto de deseo. Este es uno de los usos más conocidos que tiene la Ciencia de Datos o Data Science: analizar el comportamiento de los usuarios para generar recomendaciones acordes con sus gustos.
El Data Science se centra en la obtención, procesamiento, análisis y visualización de los datos, y engloba desde la estadística hasta redes neuronales e inteligencia artificial.
Pero la Ciencia de Datos es mucho más: se trata de un conjunto de disciplinas centradas en obtener, procesar, analizar y visualizar datos. Lo más interesante, según Justo Hidalgo, doctor en Ciencia de Datos y mentor de startups, “es todo lo relacionado con la toma de decisiones y con la predicción a partir de los datos con los que contamos”. Es una disciplina muy amplia y compleja, que engloba desde estadística hasta redes neuronales e inteligencia artificial.
Según el blog de www.datascience.com, existen tres ámbitos en los que la Ciencia de Datos puede ayudar a las empresas. Mejora:
- La eficiencia comercial
- La creación del producto
- El servicio al cliente
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_video link=»https://www.youtube.com/watch?time_continue=1&v=i2jwZcWicSY»][vc_column_text]En Towards Data Science, Ben Weber, responsable de Data Science en Zinga y autor del libro “Data Science for Startups” comenta que a veces las compañías no son conscientes de lo trascendente del uso de los datos y se preguntan en qué puede mejorar su empresa contratando a un experto en el tema.
Él lo tiene claro: aunque los datos no sean el core business de todas las startups, estos son imprescindibles para enfocar el negocio y entender hacia dónde se dirige. Apunta además, que es importante recolectar los datos de comportamiento de los clientes desde el principio, para poder crear una estrategia futura con mucho más peso.
Pero, ¿cómo se aplica la Ciencia de Datos en una startup?
Ben Weber enumera cuatro usos clave que te revelamos en esta infografía:
Además, recomienda herramientas como Google Cloud Platform, con las que cualquiera puede comenzar a analizar datos de forma relativamente sencilla.
Justo Hidalgo sostiene también que “cualquier proyecto emprendedor en la actualidad requiere de un uso intensivo de datos”. Para ilustrar esta afirmación, Hidalgo señala varios ejemplos en los que el uso de los datos puede ser determinante: “Una tienda de comercio electrónico puede ofrecer las mejores recomendaciones a sus usuarios, puede saber cómo esos usuarios utilizan el servicio o aplicación y lo pueden mejorar o puede ofrecer los mejores precios con respecto a su competencia. Todo requiere la manipulación y análisis de la información”.
Cualquier proyecto emprendedor en la actualidad requiere de un uso intensivo de datos.
Además, las nuevas tendencias como “el FinTech (tecnología aplicada al mundo financiero), el InsurTech (seguros) o EdTech (educación) aprovechan que el coste de almacenamiento y procesamiento de datos es relativamente bajo para sacarle partido” apunta Hidalgo.
Esto también tiene implicaciones de seguridad, privacidad y ética. Iniciativas como el RGPD (Reglamento General de Protección de Datos) europeo están intentando, con mayor o menor éxito, controlar el uso correcto de los datos.
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text][/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
Cómo trabaja un Data Scientist
Fase 1: Limpieza y organización de datos
La startup debe estar preparada para incorporar a su plantilla a algún experto en Ciencia de Datos, ya que lo principal es analizar la compañía y lo que esta pueda necesitar. “Se dice que hasta el ochenta por ciento del tiempo de un proyecto de datos se dedica a la limpieza y organización de los datos para poder trabajar con ellos” expone el experto. Por tanto, entender muy bien el dominio de conocimiento en el que se encuentran es fundamental.
Fase 2: Modelado
Una vez se han organizado los datos, hay mucho trabajo de modelado, es decir, qué algoritmos y técnicas (o su combinación) funcionan mejor para el caso que nos ocupa. Se trata de una disciplina que evoluciona a toda velocidad, así que “hay que estar consultando constantemente nuevos artículos de investigación (si el perfil del Data Scientist es más investigador) o nuevas actualizaciones de los productos o frameworks que se utilizan (si el perfil es más de desarrollo)”, explica Hidalgo.
Fase 3: Resultados
Y por último, pero no por ello menos importante, el científico de datos, en casi todos los casos, se sienta muy cerca de la parte de negocio, por lo que hay que conversar mucho con ellos para entender lo que necesitan y explicarles cómo los resultados “técnicos” pueden aplicarse adecuadamente.
Data Science para startups
Ya son cientos las startups que se están beneficiando de las posibilidades que puede ofrecer la Ciencia de Datos. El experto nos pone algunos ejemplos, aunque a día de hoy hay muchísimas:
- Botslovers se ocupa de la construcción de chatbots y asistentes virtuales para multitud de empresas. Utiliza técnicas como el procesamiento de lenguaje natural para que la interacción del usuario o cliente con el chatbot sea lo más “humana” posible.
- Cubelizer es una empresa que utiliza sensores en espacios físicos para descubrir tendencias de compra, movimiento de clientes, etc. Utilizan técnicas avanzadas de aprendizaje automático para inferir comportamientos y predecir acciones futuras, que son de mucha utilidad para los locales comerciales (por ejemplo ofertas en lugares concretos, productos con tendencia al alza o a la baja, etc.)
- LeadsOrigins es una empresa de análisis de datos que, entre otras muchas cosas, permite a las empresas encontrar qué clientes potenciales son los más adecuados a partir de los intereses iniciales de la empresa. Esto permite realizar una hipersegmentación de clientes muy efectiva.
- Zensei es una app para personas con dificultades respiratorias que hace un uso muy interesante del aprendizaje automático para analizar el entorno en el que se encuentra el usuario y, a partir de su propia bitácora, determinar las alertas relevantes para cada individuo. Por ejemplo, para determinar cuál fue el elemento determinante en un episodio concreto.
Además, Justo explica que hay personas que en su tiempo libre realizan proyectos muy interesantes relacionados con la Ciencia de Datos. Por ejemplo, la científica de datos Gema Parreño está aprovechando la colaboración entre Google DeepMind (una empresa de Google de Inteligencia Artificial, creadora del sistema AlphaGo que derrotó al campeón mundial de Go en 2016) y Blizzard Entertainment, la empresa creadora del videojuego de estrategia StarCraft II, para desarrollar pequeñas “inteligencias artificiales” que aprenden a jugar partes concretas del juego sin intervención humana.
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][/vc_column][/vc_row]
Deja una respuesta