El Analista Económico-Financiero

Hoy en nuestra sección de Colaboraciones Especiales, repite como autor invitado a Edgar Antonio Valdés Porras, experto en innovación tecnológica, que nos presenta la segunda parte de su entrega sobre los negocios digitales desde un enfoque de la complejidad económica y su conjunción con la ciencia de datos. Véase:   Negocios, complejidad y ciencia de datos: Parte I Negocios, complejidad y ciencia de datos: Parte II La orquestación de negocios, es un modelo que surge de la interacción entre pares mediante la conexión de quienes ofrecen un producto o servicio con los consumidores. Se distingue de los modelos tradicionales porque lo que ofertan estas compañías no es el producto en sí mismo, sino la interacción. Pensemos por ejemplo en negocios como Uber y Airbnb, que no son propietarios de bienes materiales, sino que proveen una plataforma segura donde los usuarios -tanto vendedores como compradores- interactúan entre ellos. ¿Cómo genera un modelo de negocios de orquestación sus primeros

Actualmente existe la fiebre por la ciencia de datos, donde el poder computacional y las herramientas libres y gratuitas marcan una diferencia con los análisis de datos hasta hace 5 años. El siguiente artículo nos habla de cómo los nuevos modelos de predicción y los datos oportunos llevan a mejores decisiones sobre las políticas públicas ( Ideas que cuentan ). La siguiente lectura, tiene relación con la recomendación anterior, ya que se trata sobre la privacidad de los datos y las políticas públicas. Donde se presenta un resumen de un análisis comparativo entre nueve países de las aplicaciones de rastreo de contactos durante la pandemia por covid-19 ( VoxEU ). Hace como 5 años, yo ya hablaba sobre la importancia de evaluar el impacto económico derivado de los ciber riesgos en los modelos de gestión de riesgos, sin embargo, muchos me respondían que eso no entraba en la gestión de riesgos y que era una cuestión exclusiva del campo de la informática. Desde hace un par de años, se empez

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 data science recommended readings for this weekend: Five steps for companies to make AI pilots a success.   The pandemic has made the need for organisations to digitise and increase technology adoption even more urgent. More and more companies are turning to artificial intelligence for help in their processes. But how can managers ensure that they go about it in the most effective way possible? Terence Tse, Dilpreet Sall, Mark Esposito and Danny Goh created a five-step methodology to improve the odds of success in AI adoption ( LSE Business Review ). Adopting a smart data mindset in a world of big data.   Industrial companies are using artificial intelligence to improve plant operations. To be successful, they will need to transform their data with the help of domain experts ( McKinsey ). After a year of COVID-19 charts, eight data communication lessons learned. In this article, the author choose eight examples from the last year that each reveal one key lesson anyone

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

Source:   Best of the Tableau Web: March 2021 . The expanding scope of models and the increased use of models based on advanced analytics have amplified the strategic importance of model risk management . Read more: A strategic vision for model risk management . This article will discuss the details of logistic regression in R. But for a refresher or better understanding, I will discuss some formulas behind the model . Read more:  A Complete Tutorial on Logistic Regression, and Inference in R .  Extreme Gradient Boosting (XGBoost) is an open-source library that provides an efficient and effective implementation of the gradient boosting algorithm . Read more: XGBoost for Regression . In Tableau 2021.1, we’ve added new connectors to help our customers access more data in Azure than ever before: an Azure SQL Database connector and an Azure Data Lake Storage Gen2 connector . Read more:  Unlock the value of your Azure data with Tableau . An easier way to create a pipeline from scripts and

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

Hoy en nuestra sección de Colaboraciones Especiales , tenemos como autor invitado a Edgar Antonio Valdés Porras, experto en innovación tecnológica, que en una serie de entregas nos hablará sobre los negocios digitales desde un enfoque de la complejidad económica y su conjunción con la ciencia de datos. Los modelos de negocio de orquestación de redes ( NOBMs , por sus siglas en inglés), como Uber, Alibaba, y Airbnb, crean valor de la interacción entre las personas. Cada viaje, cada compra, cada estancia genera datos sobre los comportamientos de clientes y proveedores. Las diferencias entre estos y la variedad de acciones que llevan a cabo hacen que los datos generados por la red sean de largo alcance. Como en la evolución biológica, donde pequeñas variaciones acumuladas a la largo del tiempo llevan a la separación entre una especie y otra, los negocios adaptan su propuesta para satisfacer las demandas de clientes y usuarios. Ello conduce hacia una bella complejidad continua entre datos

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