El Data Scientist - Analytics, Business Intelligence and … · Datos Análisis Exploratorio de los Datos Construye Modelos Evalúa Resultados y crea Informes Usuario de Negocio Analista

Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .

EL DATA SCIENTIST

MAS QUE UNA MODA

JULIO 2015


AGENDA

• Origen y Evolución

• ¿Qué conocimientos y skills deben tener?

• ¿Cómo son los actuales Data Scientist?

• ¿Dónde están ubicados en las empresas?

• SAS Data Scientist


AGENDA







ORIGEN

• El Big Data

• El Business Intelligence/Analytics


VOLUMEN

VARIEDAD

VELOCIDAD

VALOR

HOY FUTURO

TA

MA

ÑO

DE

LO

S D

AT

OS

La ERA del BIG DATA

Datos Relevantes


BUSINESS INTELLIGENCE

En los años 90 aparecen los primeros sistemas ERP que se

convierten en los primeros grandes generadores de datos, y con estos

surgen las primeras preguntas de los Directivos

¿Dónde he vendido más?

¿A quién vendo más?

¿Qué producto es más rentable?

BUSINESS

INTELLIGENCE

BI 0.0


BUSINESS INTELLIGENCE + ANALITICA

Surgen nuevas preguntas, ya se QUÉ ha pasado pero necesito saber …


BUSINESS INTELLIGENCE/ANALYTICS

• Analítica Descriptiva

• Volúmenes pequeños de

Datos Estructurados

Internos de las Empresas

• Información con poca

influencia en la toma de

decisiones

Analytics 1.0


BUSINESS INTELLIGENCE/ANALYTICS

Los directivos son una fuente inagotable de preguntas; ya se PORQUÉ ha

pasado pero ahora quiero saber …

Analytics 2.0 • Analítica Predictiva

• Volúmenes medios de

Datos Estructurados

Internos de las Empresas

• Información para la toma

de Decisiones Operativas


PROCESO DE LOS DESARROLLOS ANALÍTICOS

Formula el

Problema

Explora y

Visualiza los

Datos

Prepara los

Datos

Análisis

Exploratorio de

los Datos

Construye

Modelos

Evalúa

Resultados y

crea Informes

Usuario de Negocio Analista de Negocio Analista de Datos Estadístico/Minero


EL NUEVO ESCENARIO


CARACTERÍSTICAS DEL BIG DATA

Velocidad

• Los procesos tradicionales

de ETL’s en modo batch

ya no sirven.

• Los datos fluyen y se

necesitan en tiempo real.

Volumen

• Incorpora cualquier origen

de datos interno o externo

a las Compañías.

• Es necesario solucionar

tres problemáticas:

• Almacenamiento

• Proceso

• Acceso

Valor

• Disponemos de información que era inimaginable hace cincoaños.

• Esta información no siempre es obvia.

Variedad

• Datos NO Estructurados.

• Los formatos de los

campos origen no pueden

ser estructurados.


CARACTERÍSTICAS DEL BIG DATA ANALYTICS

Patrones

• Se cambia de un enfoque

de hypothesis-driven a

data-driven

• La complejidad de los

datos hace necesaria la

detección de patrones

antes del proceso de

modelización

Datos

• Usa el Big Data

• Un número mayor de

variables que muchas

veces son desconocidas

• El análisis previo de los

datos require de potentes

herramientas de

visualización

Modelización

• El número de modelos se

incrementa para alcanzar

una mayor granularidad

• Requiere de capacidades

iterativas automáticas

• Requiere de nuevas

técnicas de modelización

como por ejemplo la

Minería de Textos

Analytics 3.0

• Analítica Prescriptiva

• Volúmenes grandes de

Datos Estructurados o

no; y de origen Interno y

Externo a las compañías

• Información para la toma

decisiones operativas

con un mayor grado de

granularidad y para

decisiones Estratégicas


PROCESO DE LOS DESARROLLOS ANALÍTICOS CON BIG DATA

Analiza

diferentes

fuentes de

Datos

Formula el

Problema

Busca

Patrones

Prepara los

Datos

Construye

ModeloS

Evalúa y

Presenta

Resultados

Data Scientist


AGENDA







CONOCIMIENTOS Y SKILLS DEL DATA SCIENTIST


CONOCIMIENTOS Y SKILLS

Analiza

diferentes

fuentes de

Datos

CONOCIMIENTOS

• Lenguajes de programación Not only SQL

• SAS Base

• “R”

• Herramientas de Visualización

• Análisis Estadístico

• Machine Learning

• Statistical Hypothesis Testing

Busca

Patrones

Formula el

Problema

SKILLS

• Curioso

• Proactivo

• Interés por el “Negocio”

• Curioso

• Imaginativo

• Creativo

• Habilidad para la solución de Problemas


CONOCIMIENTOS Y SKILLS

Prepara los

Datos

CONOCIMIENTOS

• Hadoop

• Tratamiento de Datos no Estructurados

• Modelización Predictiva

• Análisis Estadístico

• Machine Learning

• “R”, Python

• Statistical Hypothesis Testing

• Herramientas de Reporting

SKILLS

• Colaboración

• Curioso

• Innovación

• Imaginativo

• Buen Comunicador

• Habilidades de Presentación

Construye

ModeloS

Evalúa y

Presenta

Resultados


AGENDA







TIPOLOGÍAS DE LOS ACTUALES DATA SCIENTIST


LOS FRIKIS (GEEKS)

Que aportan• Profundos conocimientos técnicos

• Mente Analítica

• Curiosos

• Creativos

• Resolución de Problemas

De que carecen• Interés por el Negocio, esto hace que su Proactividad e

Innovación sean cuestionables

• Habilidades de Comunicación y Presentación

• Colaboración


LOS GURÚS

Que aportan• Profundos conocimientos técnicos

• Innovación

• Curiosidad

• Habilidades de Presentación y

Comunicación

De que carecen• Interés por el Negocio, esto hace que su Proactividad no

sea eficiente

• Colaboración


• Creatividad


LOS JEFES DE PROYECTO (DRIVERS)

Que aportan• Habilidades de Comunicación y

Presentación


• Proactividad

• Interés en el Negocio

• Colaboración

De que carecen• Profundos Conocimientos Técnicos

• Creatividad

• Curiosidad

• Innovación


LOS EXPERTOS (CRUCHER)

Que aportan• Profundos Conocimientos Técnicos


• Colaboración

De que carecen• Creatividad

• Habilidades de Comunicación y

Presentación

• Curiosidad

• Proactividad

• Innovación

• Interés por el Negocio


Los resultados no fueron buenos, la solución formarlos en las Habilidades (Soft Skills)

LO QUE LAS EMPRESAS BUSCAN

En los inicios del Big Data las empresas buscaban solo Conocimientos Técnicos:

Siguió sin funcionar había problemas por la personalidad de los primeros Data Scientist e

intervino RR HH


LO QUE RECURSOS HUMANOS BUSCA

Mente Abierta (Open)• No partir de premisas para

fomentar la Innovación

• Abiertos a cualquier nueva

idea = Curiosidad

• Imprescindible para el

desarrollo de la Creatividad

Meticuloso

(Conscienious)• Sin Organización no se

puede trabajar con la ingente

cantidad de variables del Big

Data

• Imposible trabajar con cientos

de modelos si no se es

meticuloso

Extrovertido (Extraverted)• Necesario para ser un buen

Comunicador

• Tienen mejores habilidades

de Presentación

• Los extrovertidos trabajan

mejor en Colaboración


LO QUE RECURSOS HUMANOS BUSCA

Estable (Stable)• El estrés está peleado con la

Ciencia de los Datos.

• Para ser Creativos hay que

sentirse felices

Afabilidad (Agreeable)• Mejora la Colaboración en el

trabajo

• Mejora la percepción en la

Comunicación


AGENDA







SU ORIGEN EN LAS EMPRESAS

Origen de la necesidad• La Modelización Predictiva tradicional

empezaba a mostrar signos de

agotamiento

• No era capaz de generar

oportunidades creativas

• No aportaba ideas brillantes

para las Decisiones

Estratégicas

• La irrupción del Big Data con fuentes

de datos externos se vio como una

posibilidad de mejorar la Analítica de

las empresas

Sponsors de la idea• Las Áreas de Marketing son las

principales promotoras del uso del

Big Data Analytics

• Posibilidad de tener un mayor

grado de granularidad que

permitiría ofrecer una oferta aun

más personalizada

• Posibilidad de detectar nuevos

productos, servicios, canales,

vías de comunicación

• Las Áreas de Riesgos, para mejorar

los modelos y la posibilidad de hacer

cálculos más rápidos


¿DÓNDE?

Dónde los ubicamos• Se presentaban tres opciones:

• Del Área de Analytics

• Del Área de IT

• Del Área de Marketing

• Lo más habitual es el Área de

Analytics y luego de Marketing

De donde los sacamos• Se presentaban también diferentes

opciones:• Recursos Internos

• Estadísticos/Mineros

• Programadores expertos en

tratamiento de datos

• Analistas de Negocio

• Contratar Data Scientist


¿QUÉ HACEN EN LAS EMPRESAS?

• Medición efectiva y comprensión del impacto de las acciones de Marketing

• Análisis de las causas de la fuga de clientes

• Obtención de información a partir de las transacciones interbancarias

• Mejora de los modelos de cross selling y up selling con la inclusión de datos

externos para lograr un mayor nivel de granularidad

• Obtención de información de la visión de los productos y la compañía por

medio del análisis de las redes sociales

• Descubrir nuevos productos para incluir en el offering de las Empresa

• Mejora de la detección del fraude con la inclusión de datos externos

• Evaluación del Riesgo en clientes potenciales


AGENDA







TECNOLOGÍAS PARA EL BIG DATA


SAS DATA SCIENTIST


SAS DATA SCIENTIST


DATA SCIENTIST PRESENTE O FUTURO

Buscando en Google por “ofertas de empleo sas

data scientist ” se obtienen 381.000 resultados


DATA SCIENTIST PRESENTE O FUTURO

Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d . www.SAS.com

GRACIAS

Juan Lorenzo Prieto

[email protected]

http://www.sas.com/

http://www.sas.com/

El Data Scientist - Analytics, Business Intelligence and … · Datos Análisis Exploratorio de los Datos Construye Modelos Evalúa Resultados y crea Informes Usuario de Negocio Analista

Documents