Archivo de tags: Machine Learning

Nov 19, 2021 |

Power BI Teams

Novedades Power BI – noviembre 2021

Novedades Power BI – noviembre 2021

Lo estábais esperando y… ¡ya están aquí las novedades de Power BI del mes de noviembre! Este mes viene cargado con una gran cantidad de novedades más que interesantes que comentaremos a continuación. Veamos lo que nos tienen preparado parte por parte:

1. Informes

Nuevo panel de formato

Power BI ha rediseñado el panel de formato cambiando desde pequeños detalles como la palanca de compactación o el resaltado de búsqueda, hasta los cambios más importantes, como la reversión del nivel visual por defecto. Puedes activarlo en Archivo > Opciones y configuración > Opciones > Funciones de vista previa > Panel de nuevo formato.

Navegadores de páginas y marcadores

Con la versión de este mes, Power BI ha anunciado dos nuevos navegadores integrados que permiten a los creadores crear rápidamente experiencias de navegación de páginas y marcadores con sólo unos pocos clics. Se puede encontrar esta nueva capacidad en Power BI Desktop dentro de la pestaña Insertar > Botones > Navegador:

  • Páginas de navegación

Cuando selecciones la opción Página de navegación, se creará una ya sincronizada con las páginas de tu informe. Se pueden personalizar las páginas que se muestran u ocultan desde el panel de formato del navegador.

  • Navegador de marcadores

Una vez creados los marcadores (o grupos de marcadores si se planea crear diferentes navegadores en el mismo informe), cuando se seleccione la opción del Navegador de marcadores, se creará uno automáticamente ya sincronizado con los del informe. En el panel de formato del navegador se pueden personalizar los marcadores que se muestran u ocultan, el formato de los botones, la disposición de la cuadrícula, etc.

Ordenar la leyenda

Ahora es posible ajustar la dirección de ordenación de los elementos de las leyendas.

Negrita/cursiva/subrayado y otras opciones del formato de texto

A partir de ahora, en todos los paneles de formato de texto, estarán disponibles nuevas opciones que permitirán poner el texto en negrita, cursiva y subrayado.

Además, el cuadro de texto se ha actualizado con tres nuevas opciones de formato: superíndice, subíndice y listas con viñetas.

Cuadro de mando visual

Con la nueva actualización, estará disponible un nuevo visual de cuadro de mando que se puede añadir a los informes de Power BI. Cuando se incluyen en un informe, estos visuales permiten a los usuarios ver todo el cuadro de mando e incluso realizar actualizaciones de sus objetivos.

2. Conectividad de datos

En el mes de noviembre, Power BI ha lanzado las previews de algunos conectores como Azure Synapse Analytics; que permitirá a los usuarios trabajar con todas las bases de datos Synapse, Google Sheets; que permite la conectividad inmediata con el servicio, o Delta Sharing; un protocolo abierto que permite el intercambio seguro de conjuntos de datos entre productos y plataformas.

Además, ha introducido actualizaciones en los conectores Google BigQuery, Cognite Data Fusion y Dremio Cloud.

3. Servicio

Administración y gobierno

 

  • Mejoras en el centro de conjuntos de datos

Con esta versión, cuando se crea un nuevo informe y se pulsa el botón de guardar, se puede elegir el espacio de trabajo en el que se guardará el informe. Además, también se ha añadido un acceso rápido desde la vista del informe al conjunto de datos subyacente.

  • Soporte de Azure Lockbox para Power BI

Para aquellas extrañas circunstancias en las que Microsoft necesite acceder a los datos del cliente, Customer Lockbox para Microsoft Azure, ahora soportado en Power BI, proporciona una interfaz para que los clientes revisen y aprueben o rechacen las solicitudes de acceso a los datos.

Objetivos de Power BI

 

  • Permisos a nivel de objetivos

Los permisos a nivel de objetivo permiten establecer permisos específicos de visualización y actualización a nivel de objetivo para ayudar a lograr el escenario de negocio adecuado. Para configurarlos, abriendo el modo edición del cuadro de mando, se debe acceder a Configuración>Permisos.

  • Integración de Power Automate

La integración de Power Automate ya está disponible para los objetivos de Power BI. Esta nueva capacidad ayuda a automatizar los procesos empresariales cuando se producen cambios importantes en su cuadro de mando. Es muy sencillo de usar ya que se puede lanzar Power Automate directamente desde el cuadro de mando y construir inmediatamente un flujo automatizado.

Para ello, no solo se han habilitado un conjunto de desencadenadores y acciones dentro de Power Automate, si no que se lanzarán también nuevas plantillas relacionadas con esta funcionalidad en las próximas semanas.

4. Móvil

Utilizar códigos QR con parámetros de URL

Ahora, además de poder escanear un código QR para abrir un informe de Power BI, también se podrá añadir parámetros de consulta a la URL del informe de manera que, cuando se escanee el código QR con la URL, esos parámetros de consulta se conviertirán en el filtro del informe.

Filtros de informes actualizados

Power BI ha rediseñado el panel de filtros de los informes para que sea más fácil entender los filtros aplicados a los informes y sus visuales. Ahora incluye pestañas de filtro actualizadas, resaltado de filtros, estilo más limpio para la categoría y compatibilidad con la personalización del color de filtros realizada por el creador del informe.

Estas son algunas de las novedades que nos ha dejado Power BI en el mes de octubre. ¡Ya estamos esperando lo que nos tienen preparado para el próximo mes!

¿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.

Oct 28, 2021 |

Power BI Teams

Novedades Power BI – octubre 2021

Novedades Power BI – octubre 2021

Recientemente os contamos los cambios que Power BI había preparado en los meses de agosto y septiembre… pues bien, ¡ya tenemos aquí los de octubre! Power BI nos trae una gran cantidad de novedades más que interesantes que comentaremos a continuación. Veamos lo que nos tienen preparado parte por parte:

1. Informes

Capa de mapa de calor – Azure Maps Visual

El mapa de calor muestra patrones de color en el mapa para representar la densidad de los puntos de datos, utilizando una gama de colores y mostrando los «puntos calientes» en un mapa. Sin duda, es una gran manera de visualizar conjuntos de datos con un gran número de puntos.

Además, con su panel de formato, permite a los usuarios personalizar y diseñar las visualizaciones del mapa de calor: radio de los puntos, opacidad, colores, etc.

DirectQuery para conjuntos de datos de Power BI y Azure Analysis Services

Por un lado, a partir de ahora se dispondrá de mayor flexibilidad en la selección de tablas y ya no será necesario que el modelo las contenga todas cuando se realiza una conexión entre DirectQuery y un conjunto de datos o modelo de Azure Analysis Services (eliminar tablas, selección inicial, etc.).

Por otro lado, se han llevado a cabo mejoras en el rendimiento gracias a la ejecución paralela de las consultas del modelo y al almacenamiento inteligente en caché.

2. Modelado

Mejoras e incorporaciones en las funciones DAX

En primer lugar, se ha optimizado el rendimiento de la función SWITCH, que resultará notable si se tiene un gran número de valores o si las expresiones de valores contienen referencias de medida.

Por otra parte, se han añadido funciones Bitwise con las que se pueden realizar operaciones a nivel de bits, como el desplazamiento en DAX. Estas funciones son BITLSHIFT, BITRSHIFT, BITAND, BITOR y BITXOR.

3. Conectividad de datos

En el mes de octubre, Power BI ha lanzado las previews de algunos conectores como Azure Cosmos DB V2, que soportará la consulta del almacén transaccional y aportará optimizaciones de rendimiento, o Usercube, que es la primera solución sin código con todas las funciones para el Gobierno y la Administración de la Identidad (IGA).

Además, ha introducido actualizaciones en otros conectores cómo Amazon Redshift, Dataverse, Google Analytics o Azure Databricks.

4. Servicio

Administración y gobierno

La nueva plataforma de segunda generación para las capacidades Premium (Premium Gen 2) ya está disponible de forma general. Esta plataforma ofrece:

  • Mayor resistencia y estabilidad de rendimiento.
  • Mayor escala de uso con menos restricciones en la utilización de la memoria y las actualizaciones simultáneas.
  • Supervisión modernizada de las métricas de capacidad.
  • Flexibilidad de dimensionamiento opcional con el dimensionamiento de capacidad Autoscale.

Además, se incorpora una nueva API para ayudar a gestionar mejor el inventario de activos de Power BI.

APIs de despliegue

Este mes Power BI ha anunciado la disponibilidad general de todas las API de canalización de despliegue. Como parte del anuncio, también han lanzado un nuevo conjunto de APIs para crear y gestionar pipelines de principio a fin para que sea más rápido y fácil que nunca migrar y escalar con pipelines de despliegue de Power BI.

Las nuevas APIs permitirán:

  • Crear/actualizar/borrar un pipeline de despliegue.
  • Asignar/desasignar un espacio de trabajo a una canalización de despliegue.
  • Añadir/eliminar un usuario de una canalización de despliegue.

Instalación automática de la aplicación Power BI para Microsoft Teams

Muchas organizaciones utilizan la colaboración en Microsoft Teams para permitir una toma de decisiones y acción más rápida. Ahora, Power BI está facilitando a las organizaciones el despliegue de la experiencia de Power BI en Teams, para que los usuarios puedan descubrir y utilizar los datos del lugar donde trabajan. Esto ayuda a las personas a recibir notificaciones con mayor rapidez, a obtener mejores experiencias de intercambio de enlaces y a acceder a todos sus datos sin salir de Microsoft Teams.

5. Análisis integrados

Seguridad a nivel de objeto (OLS) en Power BI Embedded

La seguridad a nivel de objeto (OLS) ya está disponible de forma general en Power BI Embedded, lo que permite a los autores de modelos ocultar tablas o columnas sensibles de los visores de informes.

Ajuste del nivel de zoom para los informes incrustados de Power BI

Ahora se puede establecer el nivel de zoom de un informe incrustado mediante programación, añadiendo un único parámetro a la configuración de incrustación o utilizando la API setZoom para ajustar el nivel de zoom después de que se haya cargado el informe.

6. Desarrolladores

Añadir información sobre herramientas modernas a su visual personalizado

Ahora se puede añadir información sobre herramientas modernas a los visuales personalizados, añadiendo la propiedad supportEnhancedTooltips al objeto tooltips en el archivo capabilities.json.

Actualización de la API de diálogos modales

La nueva API de diálogos modales ofrece a los desarrolladores la posibilidad de determinar el tamaño y la posición del diálogo en relación con el visual de origen.

Estas son algunas de las novedades que nos ha dejado Power BI en el mes de octubre. ¡Ya estamos esperando lo que nos tienen preparado para el próximo mes!

¿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.

Modelos de Scoring o cómo categorizar científicamente a mis clientes

Modelos de Scoring o cómo categorizar científicamente a mis clientes

¡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. 

Metodología Machine Learning. ¿Por dónde empiezo?

Metodología Machine Learning. ¿Por dónde empiezo?

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 cliente, también 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 clientes, optimizar 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 e–commerce 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:

Descargar

¿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.

Machine Learning y su aplicación real

Machine Learning y su aplicación real
Seguramente, habrás oído hablar de términos como Machine Learning o Inteligencia Artificial. En la actualidad, cada vez son más los medios de comunicación que comienzan a emplear esta serie de términos, aunque algunas veces realmente desconozcan la aplicación que puedan tener.

Si es tu caso, tranquilo, estás en el sitio adecuado. En este artículo daremos un repaso al concepto de Machine Learning, así como a algunas de sus aplicaciones reales.

¿Qué conocemos como Machine Learning?

El concepto de Machine Learning se refiere al hecho de que las máquinas puedan aprender mediante algoritmos capaces de generalizar y automatizar comportamientos a partir de unos datos de entrada, obteniendo conclusiones relevantes como salida.

Tiene como propósito que las personas y las máquinas trabajen conjuntamente, al éstas ser capaces de aprender como un ser humano lo haría. Este aprendizaje se basa en el desarrollo de la capacidad de la máquina de asociar patrones, pudiendo así desempeñarse de manera autónoma.

¿Y cómo es posible esto? El factor clave son los datos. Permiten a la máquina etiquetar con mayor seguridad y ofrecer mejores predicciones.

Tipos de aprendizaje

Dependiendo de los datos que tengamos, el aprendizaje se realizará de un modo u otro. Entre los diferentes tipos de aprendizaje en Machine Learning podemos encontrar:

  • Supervisado: La información de entrenamiento es completa, es decir, tenemos los datos de entrada y la salida de estos. Es el tipo de aprendizaje que mejores resultados ofrece, ya que es el que más información posee.
  • No supervisado: Únicamente se disponen de los datos de entrada y tiene como objetivo el obtener la información de salida, de la que no tiene ningún dato.
  • Semi-supervisado: Híbrido entre el aprendizaje supervisado y no supervisado.
  • Adaptativo: Se parte de un modelo previo cuyos parámetros se modifican o adaptan usando los nuevos datos de entrenamiento.
  • On-line: El sistema aprende mediante el propio proceso de predicción en el que hay una supervisión humana que consiste en validar o corregir cada salida en función de la entrada.
  • Por refuerzo: Híbrido entre el aprendizaje on-line y el aprendizaje semi-supervisado. Se basa en el argumentum ad baculum, utilizado normalmente en la educación de los animales.

Aplicaciones

Basta de definiciones. ¿Qué mejor manera de conocer el concepto de Machine Learning que descubriendo lo que nos puede ofrecer? A continuación, encontramos algunas de sus principales aplicaciones:

  • Etiquetado de correo electrónico como spam.
  • Reconocimiento de caracteres.
  • Detección de patrones en imágenes.
  • Reconocimiento de voz.
  • Detección de fraude en transferencias mediante tarjetas de crédito.
  • Predicción de la demanda, impagos o incluso abandono del cliente en compañías telefónicas.
  • Predicciones económicas.
  • Sistemas de recomendación, como por ejemplo los que utilizan compañías como Spotify o Amazon.
  • Clasificación de clientes en campañas de marketing.

¿Quieres conocer más detalles?

En sumamoOs tenemos un equipo dispuesto a ayudarte a que comiences a aprovechar el potencial que pueden ofrecer a tu empresa las técnicas basadas en inteligencia artificial y minería de datos. 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.