Entrevistas a "leading data scientists" a nivel internacional en el blog ODBMS.org de Roberto V. Zicari

Roberto V. Zicari (con quien he tenido el placer de colaborar en el Frankfurt Big Data Lab y preparar artículos conjuntamente) ha iniciado recientemente en su blog una serie de cuestionarios (“Q&A with data scientists”) a científicos de datos, todos ellos profesionales de dilatada carrera desempeñando puestos de responsabilidad en universidades de todo el mundo y en organizaciones como Google, Apple, IBM, GE, Thomson Reuters, SAS, PwC, etc. Semejante plantel de interlocutores hace de esta serie de entrevistas toda una mina de conocimiento de la que extraer muy valiosas aportaciones sobre la práctica de data science desde diversas perspectivas.

Mi charla sobre modelado de negocios basados en Big Data en el Máster en Emprendimiento y Dirección de Empresas (MBAe3) de la UPV/EHU

Esta tarde participaré en el Máster en Emprendimiento y Dirección de Empresas (MBAe3) que se imparte en la Facultad de Ciencias Económicas y Empresariales de la UPV/EHU en Bilbao (Sarriko), con una conferencia centrada en el modelado de negocios basados en Big Data y analítica avanzada de datos.

En la charla me centraré en tres bloques principales:

¿Qué puede hacer (y qué no) la analítica predictiva?

Como hemos comentado anteriormente en el blog, gran parte del interés actual por la aplicación de las tecnologías Big Data y la analítica de datos en los negocios viene por el mayor valor y retorno potenciales a obtener de la aplicación de la analítica predictiva. Esto a su vez implica una mayor complejidad en estos proyectos que muchas veces se pasa por alto o no se termina de comprender totalmente al plantearse iniciar un proyecto en este campo. En otras ocasiones se tiene una cierta “percepción distorsionada” de lo que este tipo de técnicas pueden lograr realmente, otorgándoles capacidades que están bastante lejos de lo que en realidad se puede esperar de ellas hoy en día. En esta línea, Andrew Ng (uno de los mayores expertos en el área del aprendizaje automático, y parte implicada en los proyectos más importantes en este campo a nivel global) publicó hace escasos días un interesante artículo bajo el título “What Artificial Intelligence can and can’t do right now”, cuyas claves principales quiero repasar en esta entrada.

Repaso de diferentes perspectivas para entender la “ciencia de datos” (data science)

En anteriores entradas del blog hemos revisado el desarrollo del concepto de “ciencia de datos” (data science) y cómo su origen se remonta a principios de milenio con la propuesta de William S. Cleveland de revisión de las áreas técnicas en torno a la Estadística para adecuarse mejor a las nuevas prácticas de análisis de datos y al desarrollo del data mining. Sin embargo, no es hasta bastantes años después, y en paralelo a la eclosión del Big Data, cuando el concepto de ciencia de datos adquiere mayor relevancia. El “Data Science Venn Diagram” elaborado en 2010 por Drew Conway y publicado en su blog en 2013 supone un hito a reseñar de cara a dar a conocer dicho concepto y las áreas que integra.

Mi participación en la jornada “Big Data para Pymes locales” organizada por Fomento de San Sebastián

El pasado día 20 de abril tuve el placer de abrir la jornada divulgativa organizada por Fomento de San Sebastián (a quienes quiero agradecer su propuesta de participar en el evento) para acercar el Big Data a las pymes (podéis acceder a las diapositivas de mi presentación en este enlace). Cuando me proponen impartir la ponencia de apertura en este tipo de eventos, siempre suelo procurar que el enfoque de la charla (al menos la primera parte) sea el de poner en común con la audiencia unas mínimas bases (sin entrar en temas muy técnicos ni profundizar en herramientas o tecnologías concretas) para comprender realmente qué es y (cada vez más importante) qué no es esto del Big Data, en qué consiste realmente y cuáles son los aspectos fundamentales que entiendo que deben analizar y evaluar quienes estén pensando en alguna idea de proyecto en este campo.

Entendiendo el origen y motivación de la “Data Science”

La lectura del artículo “Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics”, publicado por William S. Cleveland en los Laboratorios Bell en 2001, nos aporta una serie de claves fundamentales para entender cuál es la motivación tras el origen del concepto de “Data Science” y su desarrollo y popularización durante la última década, estrechamente ligado a la repercusión del Big Data en particular y el Data Mining en general en el mundo de los negocios.

Hitos principales en el desarrollo de la “Data Science”, recopilados por Gil Press

En el artículo "A Very Short History of Data Science", escrito en mayo de 2013 escrito por Gil Press para Forbes, se presenta una recopilación muy completa de los hitos principales que, durante las últimas décadas, han marcado el origen y motivación del concepto de “Data Science”, así como su posterior desarrollo hasta nuestros días en los que dicha idea ha cobrado una gran relevancia al mismo tiempo que se han ido popularizando las tecnologías Big Data.

Claves para la creación de negocios en torno a Big Data (2/2)

En la entrada anterior comenzaba a repasar las que considero como las cuatro claves principales a combinar en la creación de negocios en torno al Big Data y la ciencia de datos en general. En esta entrada continuaremos con este análisis revisando otros dos aspectos clave: la tecnología a emplear y las personas con las competencias necesarias para entender las necesidades de negocio en términos de datos y para aplicar los principios y tecnologías necesarias de cara a extraer conocimiento y respuestas de los datos.

Definiendo las competencias del perfil de “data scientist”

Debido a la eclosión del Big Data y de diversos modelos de negocio dentro de diferentes sectores, uno de los perfiles profesionales que más atención está recibiendo es el de “data scientist” o científico de datos (en algunas fuentes también se refieren a dicho perfil como “data analyst”), al mismo tiempo que también gana popularidad la etiqueta de “data science” (relajando quizá la restricción de que los datos tengan que ser realmente “big”) como aglutinador de todas las disciplinas y técnicas que juegan un papel relevante dentro de esta área. ¿Cuáles serían entonces las competencias profesionales a desarrollar y aplicar para poder desempeñar dicho perfil con solvencia? Aunque nos movemos en un terreno donde las definiciones no están escritas en piedra ni son interpretadas de la misma manera por todo el mundo, podemos hacer un primer acercamiento a dicha cuestión revisando algunas de las referencias que han tratado este aspecto.