La evolución de las tendencias tecnológicas y su ciclo de amortización

La diferencia entre enfoques respecto a las tecnologías clave sustentando las diferentes iniciativas y políticas que promueven la adopción de la Fabricación Avanzada/Inteligente podría generar un cierto debate respecto a si unos u otros proyectos tecnológicos deberían catalogarse o no como Industrie 4.0 o conceptos similares. Sin embargo, mi propuesta sería huir de dicho debate dado que muchas veces las elecciones de estas etiquetas que “aparaguan” diferentes avances tecnológicos terminan siendo un arma de doble filo que nos despista del sentido real de lo que queda oculto tras el “término de moda”, es decir, de la propuesta de valor que proporciona la adopción de las tecnologías adecuadas para cada perfil de negocio.

¿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.

De vuelta de Frankfurt

Ya de vuelta de mi estancia en Alemania colaborando con el Frankfurt Big Data Lab liderado por Roberto Zicari (unos magníficos anfitriones desde mi primer día allí, y a los que agradezco enormemente la acogida recibida y lo sencillo que ha sido integrarse en su equipo), y tras ir concluyendo durante las últimas semanas los trabajos abiertos derivados de dicha estancia, recupero el ritmo y foco habituales de trabajo. A modo de cierre de la citada estancia, quería recopilar unos apuntes sobre mi trabajo durante estos meses en la capital de Hesse.

Grüße aus Frankfurt

Escribo esta entrada desde Frankfurt (me voy a permitir la licencia de no escribir "Fráncfort" porque se me hace demasiado raro, que la RAE me disculpe), mi lugar de trabajo durante los próximos tres meses. Durante este tiempo estaré ubicado en el Frankfurt Big Data Lab liderado por Roberto Zicari, donde colaboraré en varios proyectos relacionados con Big Data y analítica de datos en general. Además tengo también planteadas para estas semanas reuniones de trabajo en otros centros e instituciones alemanas donde se desarrollan proyectos en la línea de Industria 4.0, con mi foco de atención puesto en iniciativas de aplicación de analítica de datos en contextos de manufactura avanzada.

Caso de estudio sobre Big Data: Cyril Data Systems

Como indicaba al comentar mi participación en la jornada “Big Data para Pymes locales” organizada por Fomento de San Sebastián, quiero dedicar una entrada específica a comentar el caso de Cyril Data Systems, presentado por su director Fernando Sáenz durante dicha jornada. Cyril Data Systems es una micropyme tecnológica de San Sebastián que, gracias a su estrategia para la captación y monitorización de datos en entornos industriales, ha conseguido desplegar sus productos a nivel internacional haciendo frente a importantes retos tecnológicos en el área de Big Data (y en este caso “big” con todas las letras).

¿Es realmente Big Data todo el "Big Data"?

A estas alturas creo que es innegable la enorme popularidad que está alcanzando el concepto de Big Data, ya no sólo dentro del ámbito exclusivamente tecnológico o profesional, sino también en los medios de comunicación generalistas donde de cuando en cuando nos encontramos con noticias referidas a este tema. Sin embargo, tanta repercusión debería ser merecedora de un mínimo pero riguroso análisis para comprobar si realmente “es Big Data todo lo que reluce” en lo que se nos cuenta como tal. Un breve repaso a algunos de los términos e hitos clave que hemos ido revisando en el blog nos puede ayudar en esta tarea.

El entorno RStudio y el framework Shiny para el desarrollo de aplicaciones en R

RStudio es uno de los entornos más populares para crear aplicaciones en el lenguaje R, habida cuenta de la disponibilidad de una versión gratuita, open source y multiplataforma de su programa de escritorio para disponer de un entorno integrado de desarrollo, y que nos facilitará tanto la tarea de uso interactivo de R como la programación de scripts en dicho lenguaje. RStudio proporciona asimismo una plataforma en modo servidor para poder programar a través del navegador web, y también con una versión gratuita y open source (en este caso más orientado a su instalación en plataformas Linux). Sin embargo RStudio va bastante más allá, y de dicha empresa salen algunas de las contribuciones más interesantes para exprimir al máximo el potencial del lenguaje R.

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.

Claves para la creación de negocios en torno a Big Data (1/2)

El análisis de los puntos principales que hemos ido revisando respecto al origen del Big Data (los avances tecnológicos que se han venido dando desde entonces, las empresas que los han liderado y las necesidades que les motivaron a ello) nos pone sobre la pista de las que considero como las claves principales que sustentan la creación de negocios en torno al Big Data (y a la aplicación de la ciencia de datos en general, cuando las necesidades respecto a los datos no son tan masivas). En esta entrada y la siguiente vamos a repasar los que entiendo como los cuatro aspectos clave a considerar y combinar correctamente, comenzando aquí por los dos primeros.

¿Cuál es la relación entre “Data Science” y “Big Data”?

Más allá de las múltiples referencias que hemos hecho al Big Data, en la entrada anterior introducíamos también el término de “data science” (ciencia de datos) para explicar las competencias que engloba el perfil profesional de científico de datos. De hecho las referencias al concepto de data science se han venido multiplicando a la vez que ha crecido la popularidad del Big Data. ¿Cuál es entonces la relación entre ambos conceptos, son lo mismo o implican ideas diferentes? Como ya hemos dicho anteriormente no nos movemos en un terreno donde las definiciones estén escritas en piedra, y a veces lo que engloba o no un término tiene más que ver con el marketing que con razones puramente técnicas. No obstante, en esta entrada describiré un marco que nos permitirá encuadrar correctamente la relación entre Data Science y Big Data.

El entramado de siglas en la nube: SaaS, PaaS, IaaS

En un mundo tan profuso en siglas de todo tipo como el de las tecnologías digitales, el entorno de computación "en la nube" (cloud computing) no iba a ser una excepción. Llevamos ya muchos años oyendo hablar de "SaaS" o "Software as a Service" como aplicaciones que nos proveen de un servicio bajo demanda al que podemos acceder vía web, sin preocuparnos de instalaciones o mantenimientos, habitualmente con un modelo de suscripción o de pago por consumo de recursos. Los conceptos de "IaaS" y "PaaS" abundan en esta misma línea de soluciones TIC ofrecidas como un servicio bajo demanda vía web (lo que de alguna manera define ese concepto de "la nube"), aunque se enfocan a niveles más bajos de la "pila tecnológica" para facilitar la construcción y puesta en marcha de aplicaciones web.

“Full-stack development”: Dominando todas las capas de una pila tecnológica... ¡y más allá!

Hemos hablado anteriormente del concepto de la “pila de tecnologías” (“technology stack”, más comúnmente referida como “pila tecnológica”), como el conjunto de herramientas, lenguajes, frameworks, bases de datos, etc. que utilizamos para construir nuestro producto digital. En este contexto también se suele utilizar la expresión “full-stack development” (habitualmente traducida como “desarrollo integral”) para referirse a una aproximación a la construcción de un producto digital en la que los elementos de las diferentes capas de la pila tecnológica tienen un cierta conexión o elemento en común que facilita trabajar con todos ellos a modo de “solución integral”.

¿Cómo medir el éxito de un negocio web? La métrica "pirata" de Dave McClure: AARRR!

En agosto de 2007 Dave McClure presentó, durante su charla "Startup Metrics for Pirates" en el evento "Ignite Seattle", el marco de referencia que había diseñado para medir el rendimiento de un negocio web. Dicha métrica se conoce como AARRR (de ahí ese toque de "grito pirata") por el acrónimo que forman sus cinco bloques principales: Acquisition, Activation, Retention, Referral, Revenue. Este marco de referencia se ha venido utilizando desde entonces y sigue siendo muy popular hoy en día, hasta el punto de que algunos especialistas en "growth hacking" hacen de dicha métrica su seña de identidad (pirata, por supuesto). Por todo ello he considerado interesante traer al blog la referencia del material de la charla original donde se presentó la métrica AARRR.