El Analista Económico-Financiero

"Si tuviera una hora para resolver un problema y mi vida dependiera de la solución, emplearía los primeros 55 minutos en determinar la pregunta adecuada, pues una vez que conozca la pregunta adecuada, podría resolver el problema en menos de cinco minutos" -Albert Einstein (1879-1955) Viene el fin de semana y si eres de los que les gusta mantenerse al día con lo último en ciencia de datos, aquí te dejo siete lecturas que te ayudarán a mejorar tus habilidades: 23 preguntas que se hace un proyecto de ciencia de datos exitoso antes de embarcarse ( IBM Data Science ). En el siguiente artículo, se explica de manera sencilla qué es la valoración del impacto y cómo puede medir el valor empresarial de los esfuerzos sociales y medioambientales ( WEF ). Sin duda, les dará buenas ideas en el análisis de datos en los criterios ESG (factores ambientales, sociales y de gobierno corporativo que se tienen en cuenta a la hora de invertir en una empresa). El siguiente artículo justamente pro

El post del día de hoy viene cargado de recursos, por lo que he decidido dividirlo en dos bloques. El primero, dedicado a recursos para fortalecer los conocimientos en técnicas y metodologías aplicadas a la ciencia de datos. El segundo, con recursos más avanzados para profesionales que trabajen con inteligencia artificial. Técnicas y Metodologías How to Run Surveys: A Guide to Creating Your Own Identifying Variation and Revealing the Invisible How to Make Sure Your Research Paper is Reproducible? Evidence from 55 Papers . No te dejes engañar por el título, ya que son consejos y buenas prácticas para que tu código sea reproducible. Agile funding: An investment management approach to funding outcomes . Metodologías ágiles en finanzas, pero los consejos de este artículo valen igual para los equipos/proyectos de ciencia de datos. How to do meta-analysis using a Bayesian Hierarchical Model and when does it make sense to do so? Machine Learning e Inteligencia Artificial Four Benefits of Dat

En el post del día de hoy, les traigo una serie de artículos sobre ciencia de datos ( data science ), especificamente mucho sobre aplicaciones de aprendizaje automático ( machine learning ). Ciencia de datos Mi primera recomendación es leer Economistas en ciencias de datos: un terreno fértil y una adaptación con impronta bilardista de Walter Sosa Escudero todo un referente de la divulgación del data science . Ejemplos de aplicaciones de ML e IA A continuación, les dejo una lista de lecturas que muestran diversas aplicaciones de machine learning (ML) o inteligencia artificial (IA): Podcast The Mixtape with Scott - S1E24: Interview with Ronny Kohavi, Computer Scientist . Ronny Kohavi habla de los primeros días del aprendizaje automático y las pruebas A/B en tecnología. ¿A quién le importa el cambio climático? la respuesta se obtuvo con un web scraping y un análisis de texto con un enfoque de redes complejas. Introducing Whisper . Los autores han entrenado y están abriendo ( open IA )

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 transformación digital, en sentido amplio, es la integración de las tecnologías digitales en todas las áreas de una empresa, mejorando los procesos operativos actuales y creando otros nuevos, y aportando más valor a los clientes. Representa un cambio cultural hacia formas más ágiles e inteligentes de hacer negocios, impulsadas por tecnologías como la analítica avanzada y la Inteligencia Artificial ( Statista ). Con esta definición sobre la transformación digital, arrancamos el post del día de hoy, dedicado a compartirles recursos, tanto para los interesados en aprender ciencia de datos, como para aquellos que desean seguir practicando con herramientas más avanzadas.  Índice de Calidad de Vida Digital 2021 Antes que nada me gustaría compartirles un Índice que mide el nivel de Calidad de Vida Digital en 2021. Se trata de una investigación global sobre la calidad de bienestar digital en 110 países (90% de la población mundial). Este estudio rankea a los países atendiendo a cinco pilar

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

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

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 ).

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

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

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