El Analista Económico-Financiero

My recommended reading on Data Science for this week: The Evolution of Media: Visualizing a Data-Driven Future ( Visual Capitalist ). From RCT data to survey instruments: how to find what you need on the J-PAL Dataverse ( J-PAL ). Social media influences the mainstream media ( VoxEU ). Using machine learning to assess the impact of deep trade agreements ( VoxEU ). Complete Explanation on SQL Joins and Unions With Examples in PostgreSQL ( Regenerative ). Causal Forecasting at Lyft ( Lyft Engineering ). Last but not least, Get Trello Boards data with py-trello ( IBM Data Science in Practice ). Feel free to follow me on Twitter

Check out this week's series of resources to help you get up to speed with the world of data.: Megatrends Fueling the Rise of Data Storytelling ( Visual Capitalist ). 3 Key Benefits of Implementing a Data Fabric for Your Business ( IBM Data Science in Practice ). Learn the basics of Python ( IBM Developer ). A Complete Guide for Detecting and Dealing with Outliers ( Regenerative ). Using machine learning to study parenting styles ( VoxEU ). Recent Advancements in Applied Instrumental Variable Methods ( YouTube ). Finally,  LinkedIn’s Top Companies in Technology & Information ranks the 25 best companies to grow a career in the industry. Feel free to follow me on Twitter

El post del día de hoy lo vamos arrancar con un artículo, aunque basado en un estudio en España, nos sirve para darnos una imagen panorámica acerca del mercado laboral de los doctores en economía:  ¿Dónde trabajan los nuevos doctores en Economía? Creo que existe una tendencia en general de las preferencias de los nuevos doctores en economía por el sector privado con respecto a la academia. No obstante, la academia sigue representando el principal destino de los doctores en economía. Para aquellos lectores que se dedican a la academia, les comparto a continuación algunos recursos interesantes. Por una parte, para los que se dedican a la investigación (no sólo para economistas), les comparto un recurso con algunos consejos para hacer mejores experimentos de campo y conseguir que su trabajo se publique . Por otra parte, para los interesados en aprender más acerca del cómo ser un buen árbitro de artículos científicos les recomiendo:  How To Be A Constructive Referee . Aunque la economía e

La denominada "economía de los datos" ( data economy ) se caracteriza por un ecosistema de diferentes tipos de agentes del mercado -como fabricantes, investigadores y proveedores de infraestructuras- que colaboran para garantizar que los datos se encuentren accesibles y sean utilizables. Esto permite a los agentes extraer valor de estos datos, creando una variedad de aplicaciones con un gran potencial para mejorar la vida cotidiana, por ejemplo, la gestión del tráfico, la optimización de las cosechas o la atención sanitaria a distancia ( Comisión Europea , 2017). Dado que los datos son un activo, del cual los analistas de datos, pueden extraer valor de los mismos a través de highlights e insights de la información analizada, los cuales soy muy útiles para una mejor toma de decisiones avalada por los datos ( data-driven decision making ). Por ello, actualmente se reconoce la existencia de una economía basada en datos ( data-driven economy ). Explicado lo anterior, mi prime

Tanto el análisis de datos, la inteligencia de negocios y la ciencia de datos, tienen un objetivo en común, obtener a partir de los datos, un conocimiento que nos aporte valor o una ventaja competitiva a través de una mejor toma de decisiones basadas en evidencia. En el post del día de hoy, les comparto una serie de artículos que te serán de ayuda en el análisis de datos y las recomendaciones para la toma de decisiones y otras aplicaciones.   Muchas veces leemos o escuchamos sobre la toma de decisiones o los tomadores de decisiones.  Pero realmente ¿existe un proceso de toma de decisiones? La respuesta es sin duda que sí, y el proceso sería más o menos el siguiente: Definición del problema Fase previa: En la que hacemos un análisis del contexto. Toma de datos. Creación y toma de información. Creación de conocimiento. Toma de decisión propiamente dicha. Fuente: Sintetia Hoy en día, gracias a los avances tecnológicos, podemos hacer análisis más avanzados con ayuda de la inteligencia arti

The weekend is almost here! Get ready for our longer-form weekend reads with some resources for data scientists: Video:  How Will Machine Learning Impact Economics? ( Marginal Revolution University ). The design of a data governance system ( BIS ). Cloud economics and the six most damaging mistakes to avoid ( McKinsey ). Designing experiences through data stories ( IBM Design ). Six Questions about doing Power Calculations ( Development Impact ). Inflation Trends: What’s the Outlook? ( Enterprising Investor ). Regression in TensorFlow Using Both Sequential and Function APIs ( Regenerative ). On-device Text-to-Image Search with TensorFlow Lite Searcher Library ( TensorFlow Blog ). Feel free to follow me on Twitter

For data science enthusiasts, here are my recommended articles to read this weekend: How advanced analytics can address agricultural supply chain shocks ( McKinsey ). Satellite Maps: Shanghai’s Supply Chain Standstill ( Visual Capitalist ). Machine learning can help protect urban water. Here's how ( WEF ). Asjad Naqvi has released a package bimap that provides the ability to draw bi-variate maps in Stata ( GitHub ). Details of Violinplot and Relplot in Seaborn ( Regenerative ). 20 Very Commonly Used Functions of PySpark RDD ( Regenerative ). Why I am now more cautious about using or recommending matched pair randomization and like matched quadruplets instead ( Development Impact ). Feel free to follow me on Twitter

En posts anteriores, he compartido una serie de recursos dirigidos a los entusiastas por aprender ciencia de datos para todos los niveles (básico, intermedio y avanzado). Sin embargo, la entrada del día de hoy proporciona recursos para personas que ya saben programar, y lo que necesitan es mejorar sus conocimientos técnicos/científicos de los datos. Teoría y metodologías para la ciencia de datos What is edge computing?  Un entorno de edge computing distribuye y gestiona las cargas de trabajo más allá del centro de datos o de la nube, en o cerca de las ubicaciones donde una empresa lleva a cabo sus actividades ( IBM Developer ). Rhetological Fallacies . Web interactiva en español que te permite visualizar los errores y manipulación de la retórica y el pensamiento lógico ( Information is beautiful ). Selection in surveys . Las encuestas son una fuente de información crucial para muchas decisiones políticas importantes. Sin embargo, se sabe poco sobre la medida en que los diferentes sesgo

En la entrada del día de hoy, les hablaré sobre dos aspectos fundamentales de la ciencia de datos. Por una parte, por qué es tan importante promover la alfabetización y la cultura de los datos en las organizaciones. Por la otra, la relevancia de aplicar el método científico para el tratamiento de los datos. La alfabetización y cultura de los datos El año pasado, me dí a la tarea de impartir webinars con el objetivo de la alfabetización de los datos ( ver vídeos ), ya que la alfabetización en datos es la clave para tomar mejores decisiones, innovar y crear organizaciones basadas en datos ( Tableau ). Así como, sin una alfabetización universal en Inteligencia Artificial, ésta nos fallará ( WEF ). También te podría interesar:  The Economics of Data Businesses ( Pivotal ). El método científico para el tratamiento de los datos Una de las grandes confusiones en el análisis de datos y en el data science, es la ansiedad de los jóvenes en programar sin saber estadística y matemática. Aunado,

1. Seis tendencias del emprendedurismo ¡Hey! ¿cómo andan? espero que todo bien. Pues esta semana arrancamos con un artículo publicado en la página web del Foro Económico Mundial acerca de las 6 tendencias del emprendedurismo a nivel mundial.  Veamos cuáles son estas tendencias post covid-19: El sentimiento empresarial positivo sobre las oportunidades sugiere una recuperación global. Las tasas de actividad empresarial siguen siendo inferiores en la mayoría de los países en comparación con la época anterior a la pandemia. Existe una tendencia al alza de la actividad empresarial de bajo crecimiento. Existe una paradoja entre la percepción de que es fácil crear una empresa y la intención de hacerlo. La digitalización está aumentando entre los países de bajos ingresos y los nuevos empresarios. La educación empresarial en la escuela sigue fallando. Aquí , si te interesa leer el artículo completo. 2. Ciencia de Datos Sin duda, para muchos emprendedores/empresarios, los puntos del cuatro al s

Esta semana, les traigo a colación una serie variopinta de temas de actualidad, así como invitarlos a dos webinars que estaré impartiendo esta semana. Aquí una lista con los temas del post del día de hoy, espero que los disfruten: Algunas innovaciones como resultado de los experimentos espaciales Evaluación de una app de rastreo Educación Financiera Cinco mitos de las metodologías ágiles La regulación financiera y los riesgos climáticos Cuaderno Centroamericano del ICAP No. 37 (2022) Invitación webinars 22 y 23 de febrero de 2022 1. Algunas innovaciones como resultado de los experimentos espaciales Cuando se habla de exploración espacial, muchas personas se cuestionarán el costo-beneficio para la humanidad, para ayudar a despejar estas dudas, aquí va mi primera lectura recomendada para esta semana: Así es como la investigación en el espacio está cambiando la vida en la Tierra ( WEF ). 2. Evaluación de una app de rastreo A veces, cuando hablamos del costo que tiene una app el total nos

Wikipedia define a la ciencia de datos como un concepto para unificar estadísticas, análisis de datos, aprendizaje automático, y sus métodos relacionados, a efectos de comprender y analizar los fenómenos reales, empleando técnicas y teorías extraídas de muchos campos dentro del contexto de las matemáticas, la estadística, la ciencia de la información, y la informática. Si eres emprendedor/empresario y no sabes como la ciencia de datos te puede ayudar en tu empresa, te recomiendo empezar por esta lectura, acerca de cómo las empresas se convierten en líderes en su sector, gracias a la aplicación/implementación de técnicas de aprendizaje automático y desarrollo de inteligencia artificial en sus operaciones de negocio ( McKinsey ). Análisis de texto Para los que ya tiene práctica con Python y les interesa aprender a realizar un análisis de texto, les recomiendo echarle un vistazo a  How Topic Modelling can help companies to mine customer reviews ( IBM Data Science in Practice ). Análisi

1. El impacto de las FinTech en la economía Hoy toca hablar de tecnología, específicamente de la economía basada en los datos y, para ello, inicio con dos documentos de trabajo sobre los efectos de la tecnología en la economía. El primero de ellos, encontró que una mayor entrada de tecnología financiera tiene efectos positivos a largo plazo en la producción agregada y el consumo ( Fintech Entry, Firm Financial Inclusion, and Macroeconomic Dynamics in Emerging Economies ). El segundo, señala que las tecnologías de la información hacen que la oferta de crédito de los bancos sea más sensible a los cambios en los precios locales de la vivienda, y debilitan la importancia de la distancia geográfica entre prestatarios y prestamistas. Estos resultados sugieren que la adopción de tecnologías de la información por parte de los bancos puede aumentar el dinamismo al mejorar el acceso de las nuevas empresas a la financiación ( Does IT help? Information technology in banking and entrepreneurship ).

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

Hola a todos, hoy les traigo a colación un post con artículos sobre temas prácticos de ciencia y tecnología, y su cruce con la ciencia de datos. 1. Redes Sociales Profesionales Vamos a iniciar con lo más simple de todo, con una recomendación que te ayudará en la creación de tú marca personal (profesional) en las redes:  How to Master Social Media: Consistency . También te podría interesar:  Porqué Twitter es una red social poco comprendida y cómo sacarle el mayor provecho . 2. Economía Espacial En este blog, desde el 2013, he escrito y publicado sobre la 'economía espacial' ( Space Economy ) algo que en su momento, seguramente muchos lectores interpretaban como un tema más de ciencia ficción o de la futurología. Hoy en día, es un tema más recurrente y de actualidad en los medios. Como McKinsey que ha publicado el siguiente artículo sobre la financiación de la exploración espacial: R&D for space: Who is actually funding it? . Aquí para ver los artículos publicados en este b

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

My recommended reads for this week: Open Data: A New Power Struggle Emerges ( Visual Capitalist ). Your Blueprint for governed analytics at scale ( Tableau ). Jumpstarting value creation with data and analytics in fashion and luxury ( McKinsey ). Report: Language Models in Plain English. Humans understanding how machines understand language ( IBM Community ). Five Common Distance Measures in Data Science With Formulas and Examples ( Regenerative ). After floods and pandemics: How to obtain a meaningful forecast ( VoxEU ). DiD you see Beta? Beta who? Part 1 & Part 2 (Development Impact). Meet VanDEEPol: a hybrid AI/mechanistic model to predict brain activity and structure from imaging data ( IBM Research ). Feel free to follow me on Twitter Have a nice week

The weekend is almost here! Pour yourself a mug of coffee, and get ready for our Data weekend reads: Data Governance: How to Focus on three areas for a holistic data governance approach for self-service analytics ( Tableau ). Visual Data Analysis: What 3.5 million French firms can tell us about the efficiency of Covid-19 support measures ( VoxEU ). ML: Operationalizing machine learning in processes ( McKinsey ). ML: A Complete Sentiment Analysis Project Using Python’s Scikit-Learn ( Regenerative ). ML:   Can We Use Machine Learning to Predict Energy Savings? ( Resources ). AI:   How to prioritise humans in artificial intelligence design for business ( LSE Business Review ). AI: Building Explainable AI (XAI) Applications with Question-Driven User-Centered Design ( Medium ). DS:   Building your Data Science portfolio using GitHub ( YouTube ). Feel free to follow me on Twitter Have a nice weekend

My recommended back to work reads for this week: How to harness a new wave of data-driven decision-making ( Tableau ). Hyper-personalization: The Silver Bullet to Success in Digital Banking ( The Decision Lab ). Cloud cost-optimization simulator ( McKinsey ). PairPlot and PairGrid in Python ( Regenerative ). Money flow networks: Evidence from Japan ( VoxEU ). Can artificial intelligence make software development more productive? ( LSE Business Review ). Can I pool together data from the same experiment in multiple countries to boost sample size and power? ( Development Impact ). Feel free to follow me on Twitter