Categoría: Machine Learning

¿Te has preguntado alguna vez qué sería de tu vida si pudieras ver información virtual sobre el mundo físico que te rodea? 

La realidad aumentada está transformando la forma en que vivimos, trabajamos y jugamos. En este artículo, hablaremos de cómo funciona la tecnología de realidad aumentada, las formas creativas que se utilizan en diversas industrias, y cómo esta tecnología emergente podría impactar en nuestro futuro. 

¿Qué es la realidad aumentada? 

La realidad aumentada, o AR, es una tecnología que superpone elementos digitales, como gráficos, videos o información, en el entorno físico en tiempo real a través de dispositivos como smartphones o gafas, enriqueciendo la experiencia visual y proporcionando información adicional a los usuarios. 

Como funciona 

La realidad aumentada utiliza la cámara de tu dispositivo (ya sea un teléfono o una tableta) para mostrar elementos virtuales sobre el mundo real en tiempo real. 

  • La camara captura el entorno real a tu alrededor. 
  • El software de AR analiza la imagen para detectar superficies, contornos y dimensiones planas donde colocar objetos virtuales. 
  • Los gráficos, imágenes y textos virtuales se superponen a la imagen real usando esas superficies detectadas. 
  • La pantalla muestra la mezcla de lo real con lo virtual, dando la ilusión de que los objetos digitales existen en el espacio físico. 

Usos de la realidad aumentada 

La AR se utiliza en muchas industrias y para diversos propósitos: 

  • Retail y comercio electrónico: probar productos virtualmente 
  • Educación: libros interactivos, apps educativas 
  • Turismo: guías de viaje interactivas, reconstrucciones históricas 
  • Medicina: cirugías guiadas por computadora, formación de médicos 
  • Entretenimiento: juegos, efectos visuales en películas y TV 
  • Manufactura: ensamblaje asistido por realidad aumentada 

La realidad aumentada transforma la forma que interactuamos con la tecnología y el mundo que nos rodea. 

Ejemplos de uso de la realidad aumentada

La realidad aumentada se utiliza en una variedad de aplicaciones que mejoran la experiencia del usuario. Algunos ejemplos son: 

Juegos 

Los juegos de realidad aumentada combinan el mundo físico con el virtual. Por ejemplo, Pokémon Go usa la cámara de tu teléfono para mostrar Pokémons en el mundo real a través de la pantalla. Esta aplicación de la realidad aumentada puede hacer que los juegos sean más convincentes e interesantes. 

Educación 

La realidad aumentada se utiliza para mejorar la educación de varias maneras. Por ejemplo, se pueden crear modelos 3D de objetos que los estudiantes pueden manipular y explorar. Libros de texto aumentados pueden incluir contenido multimedia adicional como animaciones, simulaciones y videos. Algunas aplicaciones permiten a los estudiantes explorar el cuerpo humano, el sistema solar o incluso una célula. La realidad aumentada hace que el aprendizaje sea más atractivo e intuitivo. 

Comercio 

Muchas empresas utilizan la realidad aumentada para mejorar la experiencia de compra del cliente. Por ejemplo, algunas aplicaciones de compras permiten a los clientes ver cómo se verían con diferentes gafas, sombreros o maquillaje. Ikea Place permite a los clientes ver como se verían diferentes muebles de Ikea en su propia casa. Otras aplicaciones permiten a los clientes obtener información adicional sobre un producto simplemente escaneando su código de barras. La realidad aumentada da a los minoristas otra forma de conectarse con los clientes y mejorar su experiencia de compra. 

Conclusión

No cabe duda de que esta tecnología seguirá avanzando en los próximos años y cada vez tendrá más presencia en nuestras vidas diarias.

Imagina lo que nos espera: ir de compras en una tienda virtual desde la comodidad de tu sofá, asistir a un concierto de tu banda favorita desde cualquier lugar del mundo o quizás hasta poder revivir momentos históricos. La realidad aumentada está aquí para quedarse y revolucionar el mundo tal y como lo conocemos. 

¿Quieres conocer más detalles?

En sumamoOs somos partner de Microsoft especializados en el análisis y extracción de datos con Power BI, de modo que, si quieres averiguar más detalles sobre el uso de paneles e informes, puedes echar un vistazo aquí o contactar directamente con nosotros a través del siguiente formulario para conocer cómo transformar tu empresa empleando la infinidad de posibilidades que ofrece Power BI.

Hoy en día, podemos encontrar datos prácticamente en todas partes. Cada vez que observamos y evaluamos algo en el mundo, recopilamos y analizamos datos. Ya sea en nuestro tiempo de ocio o trabajo, analizar datos nos ayuda a encontrar formas más fáciles de hacer las cosas, identificar patrones para ahorrar tiempo y descubrir nuevas perspectivas sorprendentes que pueden cambiar por completo la forma en que experimentamos las cosas.

Desde un punto de vista corporativo, una filosofía basada en los datos puede ayudar a las empresas a tomar mejores decisiones, crear nuevos productos, identificar tendencias o mejorar la satisfacción de su cartera de clientes. Todo ello desde una perspectiva fundamentada en los datos y no en presunciones humanas.

Además, la materia prima de este análisis, los datos, crece exponencialmente. Para 2025, Internet acumulará 181 zetabytes. Para hacernos una idea de la inmensidad de esta cantidad, un zetabyte permite almacenar 30 mil millones de películas en 4K o 60 mil millones de videojuegos, según Seagate, Apr 8, 2021. 

A mayor número de datos, los volúmenes con los que trabajamos se incrementan. Las hojas de cálculo no son suficientes. Herramientas como Python y sus librerías, SQL o R se abren paso cada vez más como las opciones más recomendadas para analizar ingentes cantidades de datos.

Por ello, el análisis de datos se está convirtiendo en la habilidad más necesaria y crítica, independientemente de cualquier profesión o trabajo. Sí, cualquier trabajo. Desde servicios financieros hasta el marketing, desde la contabilidad hasta la operación comercial, desde los servicios legales hasta los recursos humanos, todo el mundo necesita analizar datos para hacer su trabajo.

Hay una alta demanda y una gran cantidad de herramientas. ¿Cuál es el problema?

La educación y formación en datos.

La necesidad de alfabetización de datos

Hoy en día, todo profesional necesita ser educado en el uso de muchas herramientas y técnicas modernas en el análisis de datos. Sin embargo, esta formación no ha sido cubierta correctamente por la educación formal.

No está cubierta en la escuela secundaria, tampoco en instituciones superiores como la universidad, con excepción de las carreras técnicas y posgrados/maestrías.  Los jóvenes tienen miedo de las matemáticas y la estadística, miedo alientado por un sistema educativo que percibe la mentalidad técnica y analítica como algo superfluo. Todo esto propicia una curva de aprendizaje muy baja, porque ni siquiera se ha establecido una situación adecuada para desarrollar las destrezas analíticas del analista de datos.

El núcleo del problema

Si bien hemos culpabilizado la lentitud de la educación formal como la principal causa del analfabetismo de datos, podemos desgranar este problema en causas subyacentes:

  1. Los currículos de aprendizaje están desactualizados en términos de habilidades técnicas en análisis de datos.
  2. Falta de educadores y profesores con esas habilidades técnicas.
  3. Creencia generalizada de que el análisis de datos del análisis corresponde únicamente al perfil técnico, por lo que no debe enseñarse en otras especialidades.

Ahogar el crecimiento de las destrezas analíticas, una práctica común

Las destrezas analíticas son cualidades y características asociadas con la resolución de problemas usando hechos. Estas, que son un total de cinco, son vitales para desarrollar un perfil analítico. Sin embargo, observa cómo, en el contexto actual, están totalmente purgadas:

  1. Curiosidad: algo tan simple como querer aprender algo es la destreza analítica más importante. No tener ambición de absorber nuevos conocimientos es el principal impedimento para convertirse en analista o científico de datos. A día de hoy, cada vez somos menos curiosos. Buscamos una solución rápida y no preguntamos el por qué de las cosas.
  2. Comprensión del contexto: el contexto es la situación en la que algo existe o sucede. Comprendiendo el contexto, estructuras las relaciones de las variables. No tener claro el contexto supone una mayor sensibilidad a incorporar valores atípicos y sesgados a tu análisis. Como decía antes, no preguntamos el por qué de las cosas. Preguntar es la primera fase del análisis de datos. Permite obtener información para crear el contexto.
  3. Mentalidad técnica: se basa en diseñar tareas en pasos más pequeños para poder medir y optimizar tu trabajo. ¿Cuántas veces has tenido tareas con entregas mensuales y has dejado todo para el último día? Al no dividir tu trabajo en pequeños pasos, pierdes la visión global, no aprendes y tu productividad cae.
  4. Diseño de datos: se trata de diseñar la forma más viable y óptima de organizar la información de la que harás uso. Va de la mano de la anterior destreza. Una falta de organización y mentalidad técnica supone un total fracaso en el diseño de datos. Cuando realizas un trabajo, ¿dedicas unos minutos antes a organizar cómo lo vas a desarrollar? Ahí reside la esencia de un buen diseño.
  5. Estrategia de datos: se basa en la gestión de las personas, procesos y herramientas que se usan en el análisis de datos. ¿Te consideras estratega? ¿Cuántas veces has tenido que dedicar más horas en un trabajo grupal como consecuencia de una falta de control y organización con los otros miembros? Si la estrategia falla, el plan falla. 

Recomendaciones

Ante la gravedad de esta situación, es imprescindible que cualquier profesional, independientemente de su especialidad, continúe formándose con un posgrado o maestría en análisis de datos, inteligencia de negocios o inteligencia artificial. 

Pertenecer a otra especialidad e iniciar este camino no debe asustarte. Podrás obtener educación de calidad de grandes corporaciones (IBM, Microsoft, Oracle, SAP, Salesforce…) y compañías especializadas en capacitar a personas en análisis de datos.

Comienza o impulsa tu carrera con sumamoOs Academy

En sumamoOs Academy te ayudaremos a convertirte en científico de datos. Descubrirás, de la mano de docentes certificados por corporaciones como Microsoft, cómo llevar a cabo un proyecto de ciencia de datos: desde analítica avanzada hasta aprendizaje automático. Consulta nuestros cursos e inicia tu camino junto a nosotros.

¡Hola de nuevo! En el pasado post que os dejo por aquí hablábamos de la importancia de tener una metodología de machine learning para la implantación de proyectos paso a paso de este tipo en una compañía.

Entre los 5 casos más comunes de aplicación de modelos de machine learning en la empresa comentamos uno que tiene un impacto directo sobre el negocio y sobre el que hablaremos a continuación; los modelos Scoring.

Estos son modelos utilizados, en su gran mayoría, en marketplaces y e-commerce con el objetivo de poder categorizar clientes y poder mejorar el marketing de la compañía. Pero también son usados en aseguradoras, banca y son aplicables a cualquier sector. En definitiva, es un indicador que nos va a determinar como de bueno o malo son nuestros clientes.

Pero la verdad es que categorizar a clientes es complicado y me recuerda al cruce de Shibuya, muchos usuarios, muchos clientes y todo muy diferentes… entonces, ¿cómo categorizo correctamente a cada uno de ellos? El problema viene en muchas ocasiones cuando las compañías categorizan a sus clientes de una manera artesanal, bajo su experiencia o conocimiento sobre los mismos, y sin tener en cuenta todas las variables que pueden influir en que un cliente sea mejor que otro.

Entonces es aquí es donde yo me pregunto, ¿es posible categorizar a mis clientes de manera científica basada en datos? Déjame decirte que sí, se puede, y además te invito a que lo veamos juntos ?

¿Qué modelos scoring existen? 

Existen diferentes modelos para el desarrollo de un indicador scoring para una compañía. Modelos estadísticos que nos permiten obtener resultados de forma rápida o modelos de machine learning más complejos que precisan de un entrenamiento y mayor esfuerzo.

Entre estos modelos más sencillos de implementar podemos encontrar dos que pueden ayudarnos a conseguir nuestro objetivo de obtener un indicador de scoring para nuestra compañía.

El primero de ellos es el modelo DEA (data envelopment análisis) a través del cual podemos conocer si un cliente es eficiente en función de diferentes factores. Este modelo tiene la peculiaridad de que todas sus variables han de ser definidas en función de si dependen de manera directa o indirecta de nuestro cliente.

Por otro lado tenemos el modelo GEI (global entrepreneurship Index) que se trata de un modelo que inicialmente se utilizó para ordenar países en cuanto a su índice de emprendimiento y que ha demostrado grandes capacidades para la aplicación en este tipo de indicadores de clasificación. Este es un modelo que tiene diferentes fases que se van adaptando para la solución del problema.

Seleccionar un modelo u otro será en función de las variables que vayan a conformar nuestro problema y de su posible categorización. Un vez seleccionado el, o los modelos a testear, pasaremos al desarrollo e implementación fase a fase.

¿Cómo abordo un modelo de scoring? 

Para que la búsqueda e implementación de un modelo scoring no sea una odisea puedes seguir una serie de pasos que te indico a continuación:

Primera fase: Análisis del problema y definición de variables

  • Se trata de una fase de investigación del problema para entender cómo debemos plantear nuestro modelo de scoring. En esta primera fase se definen que factores influyen en que un cliente sea bueno o no. Un vez encontrado, definimos finalmente las variables que formarán parte de nuestro indicador de scoring. Podríamos utilizar herramientas como Power BI o Tableau, que nos aportan una facilidad en cuanto a visualización, para comprobar cómo se comportan las variables y cómo influyen en nuestro problema.

Segunda fase: Análisis del problema y definición de variables

  • En esta segunda fase, y con las variables ya definidas, buscamos modelos afines al planteamiento de nuestro indicador. En esta fase podemos definir tantos modelos como creamos que dan solución a nuestros problema utilizando como mínimo 2 para comprobar el resultado entre ambos.

Tercera fase: Programación y testing de modelos desarrollados

  • En esta última fase desarrollamos la solución y la adaptamos a las variables que formarán parte de nuestro modelo. Para la fase podremos utilizar un dataset aleatorio para comprobar que el modelo nos devuelve un resultado y posteriormente aplicar nuestro dataset real.

¿Beneficios que aporta categorizar bien a mis clientes? 

Disponer de un modelo scoring basado en datos en la compañía nos va a permitir conocer, de una manera científica, a nuestros clientes. Esto nos permitirá categorizarlos objetivamente a nuestros clientes, conocer quienes aportan valor a la compañía y qué otros deberíamos mejorar. A su vez, podríamos realizar acciones de marketing destinadas a cada segmento de cliente, en función de su posición de scoring, que nos permitirían mejorar la posición de cada cliente en la compañía.

Por otro lado, una categorización de clientes científica es en muchas ocasiones necesaria a nivel legal para poder explicar el comportamiento de algoritmos que evitan el sesgo en la propia categorización y nos evitan problemas legales.

Y por último, nos servirá a la compañía para evitar creencias basadas en el conocimiento de la empresa y poder tomar decisiones basadas en datos.

¿Quieres conocer más detalles?

En sumamoOs desarrollamos y acompañamos en la implantación de modelos estadísticos y modelos de machine learning, entendiendo las necesidades de tu empresa y el valor aportado directamente al negocio para que puedas aprovechar el potencial de estos algoritmos. De modo que, si quieres averiguar más detalles, puedes  echar un vistazo aquí o  contactar con nosotros para conocer cómo transformar tu empresa empleando está creciente corriente tecnológica. 

El Machine Learning está en nuestras vidas y no nos damos cuenta. Y esto no lo digo yo, utilizamos Machine Learning diariamente cuando desbloqueamos nuestro móvil, recibimos recomendaciones basadas en nuestros usos en Spotify o Netflix, o incluso cuando decimos eso de “Oye Siri¿qué es mejor Windows o Mac?”. 

Detrás de cada una de las acciones anteriores existen modelos de Machine Learning que nos facilitan información, nos recomiendan en base a nuestros gustos, o nos permiten realizar acciones mucho más ágiles y rápidas.  

Pero lo modelos de Machine Learning no sólo han nacido para mejorar la atención al clientetambién han llegado para mejorar la operatividad de las empresas. 

Estoy seguro de que has oído hablar de modelos de Machine Learning que pueden mejorar el conocimiento de tus clientesoptimizar la gestión de stock o automatizar procesos diarios en tu empresa, ¿verdad? Pero seguro que también te has preguntado, “¿Y cómo puedo implantar yo esto en mi empresa?. Déjame que te cuente algunos de los casos más comunes de aplicación de modelos de Machine Learning en la empresa y seguidamente te contaré como abordar un proyecto desde cero ? 

¿Cómo puede mejorar el Machine Learning mi empresa? 

Son muchísimas las aplicaciones que tienen los modelos de Machine Learning en la empresa, y que nos ofrecen grandes beneficios a corto plazo, pero existen varios proyectos en los que tienen una aplicación con una enorme repercusión en el negocio: 

  • Experiencia de usuario: En este caso se desarrollan algoritmos capaces de captar la información de los hábitos de consumo de nuestro cliente para poder realizar campañas de venta cruzada o anticiparnos y realizar recomendaciones. 
  • Automatización de procesos: Son modelos utilizados en su gran mayoría en el sector industrial. Una de sus grandes aplicaciones es el mantenimiento predictivo que consiste en poder medir la duración de una máquina para evitar roturas y cortes en la producción. También son muy utilizados en logística y distribución. 
  • Pricing: En este caso se trata de modelos que hacen posible una nueva “gestión de precios” para una compañía. Estos modelos de machine learning analizan precios de la competencia, comprueban el histórico de ventas, analizando la estacionalidad, y tarifican automáticamente respecto a los márgenes de la empresa. 
  • Lead Scoring: Se trata de modelos utilizados, en su gran mayoría, en marketplaces y ecommerce con el objetivo de poder categorizar clientes. El objetivo de estos modelos es agilizar la labor de los agentes comerciales o mejorar el marketing de la compañía. 
  • Control de datos en tiempo real: Son modelos para casos de usos muy concretos, debido a los requerimientos técnicos de los mismos, pero de gran impacto. Permiten tomar decisiones en tiempo real, gestionar posibles riegos y mitigar problemas mediante acciones proactivas. 
  • Producción Inteligente o análisis de tendencias: Se trata de modelos que tiene en cuenta una estacionalidad y que logran identificar tendencias para adelantarse a futuras ventas o stocks. Son modelos muy utilizados en campañas de grandes dimensiones como las campañas de navidad o el Black Friday. Así como en gestión de previsión de roturas de stock y en departamentos de compras. 

¿Cómo abordo un proyecto de Machine Learning en mi empresa? 

Ahora bien, una vez vista la aplicación y el gran potencial de estos modelos, ¿cómo se pueden implementar en mi empresa? Desde sumamoOs, hemos definido una serie de puntos clave y metodología a abordar a la hora de implementar un proyecto de machine learning en una empresa.  

Fase 1

Análisis y conceptualización

Fase 2

Desarrollo MVP

Fase 3

Implantación en la empresa

Fase 4

Escalado

¿Quieres saber más sobre los pasos a seguir para abordar un proyecto de machine learning en tu empresa? A través del siguiente enlace podrás acceder a la guía de los puntos clave a seguir:

¿Quieres conocer más detalles?

En sumamoOs desarrollamos y acompañamos en la implantación de modelos de machine learning, entendiendo las necesidades de tu empresa y el valor aportado directamente al negocio para que puedas aprovechar el potencial de estos algoritmos. De modo que, si quieres averiguar más detalles, puedes  echar un vistazo aquí o  contactar con nosotros para conocer cómo transformar tu empresa empleando está creciente palanca esencial en la transformación digital de tu negocio. ue ofrece Power BI.

¿Alguna vez has entrado a una página web y has visto un chat donde ponerse en contacto con un comercial de servicio técnico, o has hablado por teléfono con un sistema informatizado para solicitar un soporte? Pues has utilizado un chatbot. En el siguiente artículo vamos a ver qué son los chatbots y de qué manera podemos agruparlos para poder realizar una comparativa de sus diferentes características a la hora de elegir uno.

¿Qué es un Chatbot?

Un chatbot es un agente inteligente de software que permite a las personas interactuar con él mediante texto o la voz, y que suele estar disponible 24x7x365. Estos agentes inteligentes han ido ganando popularidad gracias a que han ido mejorando sus algoritmos de IA, el procesamiento computacional y los servicios Cloud que ofrecen los fabricantes de Software, permitiendo disponer de bots inteligentes a un coste cada vez más ajustado.

Chatbots Comparativa Amazon

En el año 2006, el desarrollo de Chatbots se ha extendido de forma masiva en las empresas. Estas usan los chatbots para dos fines:

Mejorar la atención al cliente: Mediante rutas de conversación, los bots son capaces de captar la Intención del cliente, y de esta forma, poder realizar la acción deseada por este sin requerir la presencia de un agente.

Generar más ventas / Incrementar la productividad: A nivel interno de una empresa, un chatbot se puede emplear para la automatización de procesos repetitivos, pudiendo realizarse de forma desatendida (Sin requerir validación por parte del usuario) o de manera atendida, solicitando en cierto punto del proceso la validación de un usuario.

Existen cientos de chatbots en el mercado, cada uno con unas determinadas características, pero en sumamoOs hemos definido unos puntos para determinar en qué fijarse a la hora de elegir el Chatbot adecuado.

¿Cómo comparar diferentes Chatbots?

En el mercado hay cientos de chatbots que funcionan de manera similiar. Para poder identificar y valorar cuales de ellos se adaptan más a nuestras necesidades, hemos agrupado ciertas de sus características para poder compararlos. Estas características son:

  • Reconocimiento de voz: Capacidad del chatbot de mantener una conversación verbal con el usuario.
  • Facilidad de uso: Facilidad de uso del bot, tanto a nivel de usuario como de programación.
  • Lenguaje natural: Nivel de perfeccionamiento de la IA en el lenguaje natural de diálogo, imitando una conversación como si de un agente se tratara.
  • Machine learning: Capacidad del bot de aprender de las iteraciones con los usuarios, permitiendo mejorar sus respuestas con el tiempo.
  • Soporte multi idioma: Disponibilidad de varios idiomas a la hora de implementar el bot, o bien ser capaz de adaptarse al idioma del usuario.
  • Carga inicial de Base de conocimiento: Capacidad del bot para dar de alta información de temas de consulta a partir de una base de conocimiento previamente establecida.
  • Analíticas: La herramienta dispone de medidas para analizar el funcionamiento de los bots, así como las intenciones de cliente más consultadas o aquellas entradas erroneas que requieren de una mejora.
  • Integraciones: Facilidad y capacidad con la que el bot es capaz de conectarse a herramientas externas para la realización de operaciones.
  • Coste: Gasto promedio producido del uso o contratación del chatbot.

Conclusión

Siguiendo estos puntos seremos capaces de identificar qué bot es el más adecuado para nuestro negocio. Más abajo podrás encontrar una comparativa realizada por nosotros siguiendo estos puntos. Para ello hemos realizado una selección con algunos de los chatbots más importantes del mercado:

  • Salesforce Einstein Bot
  • Microsoft Power Virtual Agents
  • UiPath Chatbot
  • Amazon Lex

¿Quieres saber más acerca de los chatbots? A través del siguiente enlace podrás acceder a la comparativa de estos cuatro chatbots, siguiendo los criterios previamente definidos.

¿Te podemos ayudar?

Contacta con nosotros y te ofreceremos el soporte que necesitas.

En los últimos 30 años hemos asistido a un incremento exponencial en el número de dispositivos y software que generan datos para satisfacer las necesidades actuales de usuarios y empresas. Estas últimas, almacenan, interpretan, administran, transforman y procesan estos datos para proporcionar un conocimiento que aporte valor.

Poder extraer este conocimiento del análisis de los datos con los que opera cualquier empresa depende en gran medida de su capacidad para captar, almacenar, procesar y visualizar esos mismos datos. El volumen de datos con los que muchas de ellas tienen que lidiar en su día a día implica la necesidad de emplear grandes infraestructuras de almacenamiento y procesamiento que, a nivel local, pocas son capaces de asumir.

Por ello, el uso de servicios en la nube como Microsoft Azure, Amazon Web Services o Google ha experimentado un importante crecimiento en los últimos años. Estos servicios proporcionan la infraestructura física y lógica para poder almacenar y procesar todos esos datos, evitando así cualquier inversión de capital inicial y operando bajo un modelo de pago por uso. Además de la infraestructura, los entornos en la nube se encargan de realizar su mantenimiento, permitir su escalabilidad de una forma rápida y sencilla, asegurar su disponibilidad, así como ofrecer soporte técnico para las empresas a las que ofrecen este servicio.

A la hora de abordar un proyecto Big Data en un servicio en la nube se ha de optar por una infraestructura que disponga de los elementos necesarios para definir una base sólida que permita crecer a medida que se requiera una mayor funcionalidad. En una primera etapa podemos dividir el proyecto en cinco pilares fundamentales, junto con una serie de cuestiones a tratar antes de realizar la contratación del servicio:

  1. Captación o ingesta.
    • ¿De dónde vienen los datos?
    • ¿Cuántos orígenes de datos hay?
    • ¿Son accesibles desde los servicios en la nube o ha de crearse accesos específicos?
  2. Almacenado.
    • ¿Existe variedad de datos (texto, logs, imágenes, vídeos, etc)?
    • ¿Cuál es la estructura de los datos?
    • ¿Qué volumen de datos se va a tratar?
    • ¿Cuál es la velocidad de entrada de estos datos?
  3. Procesado.
    • ¿Debe responder a eventos en tiempo real, o un gran volumen de datos en un flujo continuo de tiempo ilimitado?
    • ¿Qué tiempos de latencia se admiten?
    • ¿Qué complejidad tiene el análisis a realizar sobre los datos?
  4. Análisis avanzado
    • ¿Qué tipo de análisis se desea realizar, análisis predictivo o descriptivo?
    • ¿Se requerirá del uso de herramientas de Inteligencia Artificial?
  5. Visualización.
    • ¿Quién va a tener acceso a los análisis generados?
    • ¿Existen diferentes niveles de acceso a la información?
    • ¿Con qué frecuencia se va a interpretar los resultados?

Resolver estas preguntas permite seleccionar qué tecnologías o elementos compondrán la infraestructura que albergue el proyecto. En el área de Business Intelligence y BigData de sumamoOs ayudamos a las empresas a dar respuesta a estas cuestiones y a adoptar la infraestructura más adecuada para los requisitos del proyecto.