El Analista Económico-Financiero

Aviso importante El objetivo de este análisis es demostrar que existen otras bandas y otros álbumes que siempre vale la pena darles una escuchada. Ser la banda que más vende no significa verdaderamente que sea la mejor. Recuerda: correlación no implica causalidad . Introducción En el mundo del Heavy Metal , el término The Big Four se refiere a las cuatro bandas consideradas como "las más importantes e influyentes" (en realidad con mayor éxito comercial) del Thrash Metal estadounidense: Metallica, Slayer, Megadeth y Anthrax.  The Big Four quedaría acuñado con la grabación en vivo del álbum: 'The Big Four: Live from Sofia, Bulgaria' en 2010. A partir de ese momento, mucho se ha discutido sobre ampliar el término a un “Big Seven” , añadiendo a Exodus, Overkill y Testament; ya que tanto Exodus (fundada por Kirk Hammett en 1979) como Overkill (1980) que junto a Metallica (1981) y Anthrax (1981) se podrían considerar como las bandas pioneras del movimiento Thrash . No

Hoy en día, las empresas colaboran en redes de valor hiperconectadas. El uso eficaz de los datos en la manufactura puede hacer que las empresas sean más sostenibles y rentables. Concretamente, utilizando aplicaciones de datos y análisis para impulsar la productividad, desarrollar nuevas experiencias de los clientes y mejorar el impacto social y medioambiental de las empresas. Con el análisis de datos las empresas pueden: Proporcionar información procesable discerniendo patrones a partir de los datos mediante el análisis humano de informes y cuadros de mando ( dashboards ). Predecir resultados futuros para que las partes interesadas actúen, utilizando análisis avanzados de datos históricos (series temporales). Habilitar sistemas de auto-optimización que tomen acciones autónomas a través de algoritmos de auto-aprendizaje, con información de datos históricos y en tiempo real ( machine learning ). La inversión digital está dando sus frutos de múltiples maneras para las empresas que lideran

La entrada del día de hoy se divide en 4 secciones. La primera, contiene una lectura recomendada sobre el Metaverso de Facebook como modelo de negocio. La segunda sección está dedicada la economía gig desde la perspectiva de las recomendaciones de políticas. En nuestro tercer apartado, encontrarán tres resúmenes y su correspondiente paper sobre FinTech. Por último, les comparto una serie de recursos para los interesados en aprender ciencia de datos y que van desde lo más básico hasta cuestiones de programación, modelización y metodologías. Espero que los disfruten.  1. Metaverso Desde que Mark Zuckerberg anunció el lanzamiento de Meta, una nueva compañía que reunirá en una Metaverso sus actuales productos Facebook, Instagram, WhatsApp y Oculus. La noticia ha causado, por una parte, revuelo entre los entusiastas tecnológicos, y por la otra, despertado el escepticismo entre los expertos. Mi primera lectura recomendada para iniciar la semana, es justamente un artículo objetivo acerca de

Después de un largo break entre un tiempo sabático y la pandemia. A mediados de 2021, tomé la decisión de reactivar varias de mis actividades, que van más allá de desempeñarme como consultor y docente de Análisis de Datos y de Business Intelligence . Así, en este último post del año, quiero compartir con todos ustedes estos recursos, los cuales espero encuentren de su interés: Artículos de divulgación Zorrilla Salgador, J.P. (2021). Diplomacia ciudadana: canal de vinculación y empoderamiento de la diáspora mexicana . Espacio México (2 de noviembre de 2021). Zorrilla Salgador, J.P. (2021). Business Intelligence: qué es y su importancia en las empresas . Senpai Academy Blog (31 de Agosto de 2021).  Zorrilla Salgador, J.P. (2021). El sector privado necesita científicos sociales de datos para innovar . Espacio México (26 de agosto de 2021).  Zorrilla Salgador, J.P. (2021). Cuatro lecciones de un mexicano en el exterior . Espacio México (12 de julio de 2021).  Zorrilla Salgador, J.P. (

Desde hace algún tiempo, en este blog he ido publicando entradas en inglés con recursos con las etiquetas de Análisis de Datos, Business Intelligence, Data Science, Inteligencia Artificial (IA), Machine Learning y Visual Analytics. Con la finalidad de promover más la difusión y divulgación de recursos en estas áreas, cambiare el formato de estas entradas a una presentación en español. No obstante, los enlaces a los mejores recursos casi siempre serán en inglés ( sorry pero siempre pueden usar algún traductor). La estructura de estos posts, se dividen en tres tipos: El primero, artículos que te brindarán conocimientos teóricos. Segundo, investigaciones que han utilizado modelos de machines learning o IA. Tercero, tutoriales para aprender/practicar algo de programación que se utiliza en la ciencia de datos o en IA. I. Artículos Dicho esto, inauguramos las entradas sobre ciencia de datos con el post el hoy. Mi primera recomendación es un artículo que discute la diferencia entre la inter

Hola a todos, arrancamos esta semana con una serie de artículos que les voy a compartir, que estoy seguro que serán de interés a todos los niveles, es decir, al que se quieren iniciar en el apasionante mundo de los datos, como aquellos que ya llevan un tiempo en la profesión del análisis de datos. El primer artículo que les voy a recomendar, es para el análisis visual de los datos, con 6 lecciones a tener en cuenta sobre la comunicación con datos:  6 lessons learned about data communication from the Iron Viz 2021 Feeder ( Tableau ). Escribí el siguiente post para el blog de Senpai Academy , una academia latinoamericana líder en marketing digital, programación, videojuegos, productos digitales y ciencia de datos:  Business Intelligence: qué es y su importancia en las empresas ( Blog de Senpai Academy ). Para aquellos que deseen ver un ejemplo práctico de cómo se hace un análisis de Business Intelligence, aquí les dejo:  Fantasy Football Draft Prep – Using Data to Build a Championship

My recommended articles for this week: How Software Is Eating the Car . The trend toward self-driving and electric vehicles will add hundreds of millions of lines of code to cars ( IEEE Spectrum ). This is Personal: The Do’s and Don’ts of Personalization in Tech ( The Decision Lab ). How Women Need To Be Involved In Data Science To Prevent Bias In Algorithms ( Rootstrap ). Exploratory Data Analysis of Text data Including Visualization with Python ( Regenerative ). How Databricks and Tableau customers are fueling innovation with data lakehouse architecture ( Tableau ). Real Estate pricing with Machine Learning & non-traditional data sources ( Tryolabs ). Design sandbox: Power calculations and optimal design for cost effectiveness : Part 1: The case of cash benchmarking and  Part 2: The case of nonlinearities . Plus:   Pharma’s digital Rx: Quantum computing in drug research and development ( McKinsey ). Feel free to follow me on Twitter

El jueves de la semana pasada, tuve el agrado de impartir el webinar titulado "El poder de los datos" . Este webinar tiene como objetivo general ofrecer al público una introducción al apasionante mundo de la ciencia de datos, su impacto en las organizaciones y cómo formarte en este sector. Entre los temas que se trató en la charla se encuentran: explicar qué es el Big Data; cómo ha sido la aceleración de la adopción digital en las empresas durante la crisis del covid-19; el estado actual de las empresas en cuanto a la obtención de valor de los datos; el camino de los datos y su análisis hacia la generación de impacto en las organizaciones; el estado actual de la práctica profesional dentro de la comunidad de científicos de datos. Finalmente, hago la presentación de un curso de formación en Análisis de Datos y Business Intelligence (BI). Si les interesa el tema, les recomiendo seguir viendo los últimos minutos de la charla, donde se plantearon preguntas que pueden ser de muc

These are my recommended articles for this week about data science. A  A Tale of Time Varying Covariates ( Causal Inference: the Remix ). Analytics-to-Value: Digital analytics optimizing products and portfolios ( McKinsey ). Reinforcement Learning & pricing: a complicated love story ( TryoLabs ). Book Review: Machine Learning for Asset Managers ( CFA Institute ). Six tips for the best experience at Tableau’s DataDev Hackathon ( Tableau ). Take Full Control Over the Subplots in Matplotlib ( Regenerative ). Finally, a good example of dashboard: Best-Selling Video Games ( Tableau Public ). Feel free to follow me on Twitter

My recommended readings for this weekend: What is Tableau Business Science? ( Tableau ). How To Effectively Utilize Data Visualization ( Rootstrap ). A Complete Image Classification Project Using Logistic Regression Algorithm ( Regenerative ). An Adversarial or “Long and Squiggly” Test of the Plausibility of Parallel Trends in Difference-in-Differences Analysis ( Development Impact ). AI-powered decision making for the bank of the future ( McKinsey ). The 7 big myths about AI in traditional businesses ( Tryolabs ). Sensemaking and Lens-Shaping: Identifying Citizen Contributions to Foresight through Comparative Topic Modelling ( Futures ). Feel free to follow me on Twitter

Future of work: AI and jobs: Evidence from US vacancies ( VoxEU ). Reflecting on a decade of data science and the future of visualization tools ( Tableau ). Tools, Libraries & Solutions: Detailed Guide to Multiple Linear Regression Model, Assessment, and Inference ( Regenerative ). Making Sense of News, the Knowledge Graph Way ( Medium ). iefieldkit to document primary data collection and cleaning in Stata ( Development Impact ). Cognitive Risk Management: Business Applications of NLP Technology ( Towards Data Science ). Real World Examples: Information sharing and the geography of banking ( VoxEU ). Planning Sustainable Energy Generation with Machine Learning and Decision Optimization ( Medium ). Research: A Vertical Federated Learning Method for Interpretable Scorecard and Its Application in Credit Scoring ( arXiv ). Cross-Document Language Modeling ( arXiv ). Feel free to follow me on Twitter

AI Skills: A Complete Beginners Guide to Regular Expressions in R ( Regenerative ). Probability - Math for Machine Learning.   Weights and Biases has put together a YouTube series to teach people the math needed for ML. This is their third video, and it covers probability. It's a nice primer series  ( Watch the video ). Advanced Econometrics 2: Foundations of Machine Learning.   Slides and syllabus for Max Kasy’s machine learning course   ( Personal GitHub site ) Modelling Economic Interventions to Fight Covid-19. How can policymakers use data science principles to understand the effects of economic interventions into a covid economy? IBM's Alvaro Corrales Cano shows the analytical foundation to answering that question using some familiar tools and unfamiliar principles ( Medium ). Research: Peeking into AI’s ‘Black Box’ Brain - With Physics. Cats aren’t dogs. Even modern AI knows that. But how exactly AI distinguishes cat images from those of dogs is not clear. Standard ne

Learning some Basic & Fundamentals: When to Use Big Data — and When Not To ( CFA Institute ). Announcing new Tableau Data Literacy curriculum for higher education ( Tableau ). Explore the winning vizzes from Iron Viz: Student Edition ( Tableau ). A Complete Beginners Guide to Data Visualization with ggplot2 ( Regenerative ). Measures & Metrics: Measuring Non-Cognitive Skills: Psychometric Validation of Scales ( Mind & Behaviour Research Group ). How do you measure success in digital? Five metrics for CEOs ( McKinsey ). Applications of Data Analysis and Analytics: Trade sentiment and the stock market: new evidence based on big data textual analysis of Chinese media ( BIS ). How healthcare services and technology companies can boost productivity with data and analytics ( McKinsey ). Plus:   10 Popular Coding Interview Questions on Recursion ( Regenerative ). You can follow me on Twitter: @jp_economics

A Collection of Advanced Visualization in Matplotlib and Seaborn ( Regenerative ). A discussion how the R package groundhog can be used to help with R code reproducibility by dealing easily with code updates. Groundhog: Addressing The Threat That R Poses To Reproducible Research ( Datacolada ). What is AutoML? AutoML offers data scientists some hope to simplify their workflows and help automate the tedious ( IBM ). A presentation from 2018 at ICML's Workshop on Human Interpretability asks data scientists to be more thoughtful about their use of interpretability methods: On the Robustness of Interpretability Methods ( arXiv ). Understanding the Mechanism and Types of Recurrent Neural Networks ( ODSC ). DALL·E: Creating Images from Text ( Open AI ). You can follow me on Twitter: @jp_economics

Retail’s urgency: Addressing customer and inventory needs with data ( Tableau ). An Introductory Level Exploratory Data Analysis Project in R ( Regenerative ). Top 10 Python libraries of 2020 ( TryoLabs ). Green bonds and carbon emissions: Exploring the case for a rating system at the firm level ( VoxEU ). Forecasting expected and unexpected losses ( BIS ). The disaster you could have stopped: Preparing for extraordinary risks ( McKinsey ). Visualizing the Biggest Tech Mergers and Acquisitions of 2020 ( Visual Capitalist ). You can follow me on Twitter: @jp_economics

Entendiéndose por ecosistema, como una comunidad de entes cuyos procesos se relacionan entre sí y se desarrollan en función de los factores de un mismo ambiente. Hoy hablaremos sobre el ecosistema empresarial y la innovación. En nuestro primer gráfico, se muestra el porcentaje de empresas  startups y empresas unicornios (un unicornio es una empresa emergente o startup , con una valuación de más de 1.000 millones de dólares) por región. Se puede apreciar que Europa produce alrededor del 36% de las startup a nivel global pero solo cerca del 14% de los unicornios en el mundo. En cambio, EE.UU. produce un 9% más de startups , pero 50% de ellas se convierten en empresas unicornio (36 puntos porcentuales de diferencia de la participación en todo el mundo). En este caso, estamos hablando de un ecosistema de empresas emergentes ( startups ) donde un factor determinante es la existencia, disponibilidad y acceso a diversos tipos de financiamiento de desarrollo empresarial (pre/acelerador, capi

I. Research and data science skills Shrinking deep learning’s carbon footprint ( MIT News ). Stata/Python integration part 6: Working with APIs and JSON data ( STATA Blog ). COVID 19 impact on U.S. real estate markets: enhancing business storytelling with data ( Tryolabs ) Transformers are Graph Neural Networks ( The Gradient ). Will quantum computing drive the automotive future? ( McKinsey ) II. Responding to Global Challenges in Food with AI This is how AI could feed the world’s hungry while sustaining the planet ( WEF ). An inside look: The World Food Programme’s data-driven response to hunger during COVID-19 ( Tableau ). III. Tools & Libraries Reinforcement Learning frameworks: Proximal Policy Optimization using RLlib-Ray ( Toward Data Science ). Please allow me to introduce myself: Torch for R ( Medium ). Running notebook pipelines in JupyterLab ( Medium ).

Recientemente, el sitio de visualizaciones en Internet, Visual Capitalist, publicó la típica infografía sobre qué es lo que pasa cada minuto en el Internet 2020 (referido en la cantidad de datos que generamos cada minuto). Como se mostró recientemente en el post titulado:  La evolución de los websites más populares de Internet (1993-actualidad) , Internet ha sido un catalizador tanto para el surgimiento como para la desaparición de nuevas compañías y plataformas. La siguiente figura extraída del artículo en cuestión, nos permite observar qué empresas han aparecido en el gráfico en años anteriores, podemos a grandes rasgos trazar la prominencia de ciertos segmentos de la tecnología, así como observar los negocios con mayor poder de permanencia. Algunas de las lecturas que podemos dar de este gráfico son las siguientes: Desde el 2012 hasta el 2020, empresas como YouTube , Instagram y Twitter , destacan como las empresas tecnológicas muy dominantes en Internet, en cuanto la permanencia d

Tableau Blog: These data vizzes show how COVID-19 has affected traffic and pollution levels in Europe Seizing the moment: Enabling schools to manage COVID-19 using data-driven analysis Infuse your Tableau dashboard with real-world AI and machine learning from Aible Networks analysis: Rewiring supply chain networks Network effects are critical for research collaborations Plus:   Stata/Python integration part 5: Three-dimensional surface plots of marginal predictions

This are my reading recommendations for this week related with data and advanced analytics: AI is here. This is how it can benefit everyone ( WEF ). The economics of social data ( VoxEU ). How governments can deliver on the promise of digital ID ( McKinsey ). Machine learning studied more than 11,000 couples and found the 5 factors that can make or break your relationship ( WEF ). Socio-demographics predict behaviour during a pandemic ( VoxEU ). Social distancing floor plan for restaurants: Meeting COVID-19 guidelines and optimizing capacity ( Tableau ).