El 90% de las entidades financieras ya trabaja con machine learning

El machine learning se emplea prácticamente en toda la industria financiera. Es más, el 90% de los directivos y expertos en big data aseguran haber implantado esta tecnología en sus compañías. A pesar de todo, el 43% de los profesionales señala la baja calidad de los datos dificulta como el principal obstáculo para aprovechar al máximo las posibilidades del machine learning, seguido de la falta de disponibilidad de los datos 38%, según datos de Refinitiv.

 Eso demuestra cómo ha evolucionado la industria en los últimos años, ya que en 2017 las primeras empresas en implantar la inteligencia artificial fueron las tecnológicas y tan solo el 28% de las firmas financieras habían puesto en marcha proyectos relacionados con esta tecnología.

Más talento especializado y mejor calidad de datos

El 75% de las compañías financieras está llevando a cabo importantes inversiones en machine learning y el 62% de los directivos tiene previsto contratar más profesionales especializados en la gestión de datos en el futuro. Esto se debe a la ventaja competitiva que los bancos y gestores de activos pretenden obtener de la administración de datos y tecnología.

En este sentido, la gestión de riesgos, el análisis e informes de rendimiento y la generación de rendimientos alfa son las principales aplicaciones del machine learning en la industria financiera. Así mismo la incorporación de inteligencia artificial está destinada a la obtención de información de mayor calidad en el 60% de los casos a una mayor productividad y velocidad (48%) y a la reducción de costes 46%.

Tim Baker, director global de Innovación Aplicada de Refinitiv, explica que “en el futuro, se acelerará la innovación gracias a una mayor disponibilidad de potentes herramientas de IA basadas en la nube, que reducirán drásticamente las barreras de entrada y, por lo tanto, cambiarán la dinámica competitiva en toda la industria. No obstante, ninguna institución financiera podrá utilizar la tecnología con éxito a menos que los datos subyacentes estén preparados para su procesamiento por una máquina”

BIG DATA EN EL DEPORTE ¿UNA VENTAJA O DESVENTAJA?

El Big Data, macrodatos, datos masivos o datos a gran escalas es un concepto que hace referencia a conjuntos de datos tan grandes que las aplicaciones informáticas tradicionales del procesamiento de datos no son suficientes para tratar con ello, y  los procedimientos usados para encontrar patrones repetitivos dentro de esos datos.

En  el mundo del deporte se mueven una cantidad de datos inmensos donde por ejemplo en un partido de fútbol  se pueden llegar a registrar unos 8 millones de datos; es por esto que el Big Data es fundamental para que no se pierdan y se puedan registrar y almacenar correctamente para su uso en el futuro.

¿Cuáles son los usos mas comunes de Big Data en el deporte?

Los usos más comunes del Big Data en este ámbito son:

1.  Producir estrategias de marketing de alguna entidad deportiva con el fin de satisfacer de la mejor manera las exigencias de los seguidores.
2.  Aumentar tanto las ventas de merchandising como del número de simpatizantes.
3.  Guardar y analizar el rendimiento físico de los deportistas (con la ayuda de diferentes sistemas de seguimiento como pulseras o relojes GPS que registran su actividad, llamados "fitness trackers") y sus estadísticas a lo largo de la temporada, para así evitar o disminuir las lesiones y para minimizar la probabilidad de fichar a jugadores que no rindan lo esperado.
4.  Definir las estrategias de juego en la etapa preparatoria de la competición y durante el juego para poder modificar la estrategia dependiendo del resultado.

¿Cuáles son algunas herramientas que se usan?

Las herramientas más usadas son por ejemplo las siguientes:

1. Data Warehouse: en ella se integran datos y se consolidan en esta datos de ventas de entradas, redes sociales y resultados de campañas de marketing para llegar de la mejor manera a los simpatizantes y así aumentar su numero.
2. SportVU Data: es un sistema de varias cámaras colocadas en el techo de los estadios donde recopila datos a una velocidad  de 25 veces por segundo y sigue en todo momento la pelota y a cada jugador en el campo mediante un software y algoritmos estadísticos. Este sistema se usa sobre todo en la NBA (baloncesto), en el fútbol y en el fútbol americano.



SportVU Data en el baloncesto

3. StatDNA: es una empresa que atienden a diferentes equipos deportivos donde captura y analiza los datos para ofrecerles después estadísticas avanzadas y una plataforma de vídeo fácil de usar. El StatDNA es usado sobre todo en el fútbol donde por ejemplo el Arsenal (equipo inglés) lo lleva utilizando desde 2004.

Tras ver todo esto nos podríamos preguntar una cosa  ¿ha ayudado realmente el Big Data al deporte? pues..... podríamos decir rotundamente que si ya que es un apoyo importante a la hora de elegir la estrategia a seguir para la temporada,  la formación del equipo y la contratación  de nuevos jugadores entre otras cosas. ¿y tu qué  opinas? 

https://www.cronista.com/columnistas/Big-Data-y-sus-multiples-usos-en-el-deporte-20181206-0040.html

COMO INFLUYE BIG DATA EN LAS ELECCIONES Y CAMPAÑAS ELECTORALES?

El Big Data llega a la política. 

¿Para qué les sirve a los partidos políticos esta información?

En toda buena estrategia de marketing, es necesario en primer lugar segmentar a tu audiencia. En el ámbito político sucede algo parecido. Gracias a Big Data los partidos pueden conocer un poco mejor a su público potencial, es decir, a sus votantes. Algunos de los beneficios de Big Data son los siguientes:

• Predice el comportamiento electoral de la audiencia.
• Permite segmentar.
• Extrae los gustos e intereses de la audiencia, pudiendo realizar así programas políticos que satisfagan las necesidades de los potenciales electores.
• Mide las opiniones sobre problemas que importan, como es la realidad socio-económica del país así como las tendencias culturales de la población.
• Permite la personalización de las campañas electorales.
• Provocan una mayor interacción entre los partidos políticos y la población votante.

El caso de Cambridge Analytica

Cambridge Analytica es una empresa de tratamiento de datos que fue fundada en 2013.  Una de las principales razones por las que es conocida esta organización es por la polémica que se filtró el pasado mes de marzo. Cambridge Analytica utilizó datos de usuarios estadounidenses de Facebook sin el consentimiento de los mismos con fines políticos, las acciones de Facebook cayeron hasta un 7% a cuenta de este escándalo. Estos datos fueron revendidos y utilizados finalmente en la última campaña electoral norteamericana. También tuvo una gran influencia en la campaña a favor del Brexit.

¿Se pueden ganar unas elecciones gracias a Big Data?

Gracias a Big Data, los partidos políticos pueden intentar adaptar sus ideales al de sus votantes.  Hay que recordar que estos datos dan una idea general de cuáles son los miedos y retos del potencial elector. Por lo tanto, al igual que toda empresa, los partidos venden a su público el producto que mejor se adapta a sus necesidades (políticas en este caso).

Teniendo en cuenta esta reflexión, creo que sí se puede lograr una victoria electoral gracias a esta tecnología.

Big Data se ha convertido en esencial en toda campaña política que se precie y es una vía ideal para conocer al electorado. Solamente queda preguntarnos… ¿cuál será su fecha de caducidad?

Netflix, un éxito gracias a Big Data.

Netflix era una empresa que alquilaba películas por correo, hasta que en 2009 decidieron usar un algoritmo para predecir los gustos de sus clientes y así poder realizar recomendaciones, lo cual les lanzó al éxito.

Usando datos del usuario tales como los horarios, contenidos, dispositivos y tipos de búsqueda, los desarrolladores de Netflix construyeron modelos que ayudaron a predecir “la situación perfecta”.

Los hábitos del usuario no solo han servido para recomendaciones personalizadas, Netflix también  ha usado la capacidad de Big Data para producir una serie que se adapte a todos los gustos de la audiencia, la famosa ‘House of Cards’.

Analizando dichos datos, Netflix se dió cuenta de que había una gran cantidad de usuarios segmentados en tres áreas:

1. Muchos de los suscriptores habían visto la película ‘La Red Social’, dirigida por David Fincher, de inicio a fin.
2. La versión británica de ‘House of Cards’ había sido bien valorado.
3. Los usuarios que vieron la versión británica también habían visto películas protagonizadas por Kevin Spacey y/o dirigidas por David Fincher.

La combinación de estos factores y además del éxito de thrillers políticos, les llevó a adoptar estrategias de innovación de distribución, como el lanzamiento de todos los capítulos de una temporada en una única entrega.

Después de invertir más 100 millones de euros en las dos primeras temporadas, Netflix tuvo que pensar en una estrategia de marketing en la que poder obtener un éxito asegurado. Para ello, usaron los datos disponibles y crearon varias versiones del trailer, de esta forma se adaptaría al gusto de cada cliente. En total creo 10 cortos basándose en las visualizaciones anteriores. Si habían visto muchas películas de Kevin Spacey (protagonista de ‘House of Cards’), verían un trailer donde él apareciera; aquellos que vieron  muchas películas protagonizadas por protagonistas femeninas, verían un trailer con mujeres; y los fans del director David Fincher, verían un trailer donde destacarían sus peculiaridades.

Su estrategia para ganar suscriptores y para diferenciarse del resto de cadenas, pronto mostraron sus buenos resultados de una forma notoria. Según un artículo de Mundo Contact, en el primer semestre de 2013, atrajo a 2 millones de nuevos suscriptores en Estados Unidos, lo cual supone un aumento del 7% respecto al trimestre anterior. Además también consiguió 1 millón de nuevos suscriptores en otras partes del mundo.

Para reflexionar sobre este caso nos podríamos plantear la siguiente cuestión: ¿Qué nos demuestra Netflix? Mediante el Big Data se puede conseguir la hipersegmentación del cliente, lo cual permite a las empresas resolver de forma precisa las nuevas demandas de consumo. Al mismo tiempo, nos posibilita la generación de exitosas estrategias para retener a los usuarios existentes, aumentar los beneficios y la oportunidad de proporcionar un servicio o producto superior.

https://mundocontact.com/netflix-big-data-y-analitica-una-formula-perfecta/

MACHINE LEARNING: PRINCIPIO DE EQUIDAD

¿Qué es Machine Learning?

Se trata de una Inteligencia Artificial que desarrolla técnicas que permiten a las maquinas tomar decisiones. es la idea de que existen algoritmos que pueden darte hallazgos o conclusiones relevantes obtenidas de un conjunto de datos, sin que el ser humano tenga que escribir instrucciones o códigos para esto.

¿Es fácil garantizar la equidad?

A priori, podría parecer un tema con cierta complejidad, pero en realidad se trata de un principio de justicia en la toma de decisiones que evita una equivocada valoración de nuestra solicitud basada en el comportamiento de otros. Más específicamente en datos protegidos como pueden ser la edad, la religión, la orientación política o el sexo.

Hoy en día, no se considera un tema complejo ya que es un procedimiento que intenta asegurar la calidad basándose en una ingeniería de datos y en unas matemáticas rigurosas.

¿Cuál es el problema de la equidad en los modelos de analítica avanzada?

Fundamentalmente, hay dos principios que deberían de cuidar un bien procedimiento de equidad:

• La paridad demográfica, o que la variable objetivo del modelo no este correlacionada con un atributo protegido como puede ser la edad o el género.

• la igualdad de oportunidades, que requiere que las personas que califican para un buen resultado obtengan ese resultado con la misma probabilidad, independientemente de si son miembros de un grupo protegido.

El desafío esta en balancear estos dos principios sin que esto afecte a la calidad de las predicciones. La valoración de la distribución del scoring versus (una herramienta estadística, automática y que ayuda a la decisión de riesgos)  que puede ayudar a gestionar el problema de la paridad demográfica.

La igualdad de oportunidades es quizás más complicada de controlar, ya que obliga a utilizar una técnica matemática más rigurosa basada en la probabilidad condicional de distintos grupos hacia la variables objetivo.

¿Que es el Machine Learning?

Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente

¿Por qué es importante?

La cantidad de datos que se generan actualmente en las empresas se está incrementado de forma exponencial. Extraer información valiosa de ellos supone una ventaja competitiva que no se puede menospreciar. En clever data  pensamos que es una oportunidad a la que se le debe prestar especial atención. La gran ventaja es que actualmente no hace falta ser un gurú de los datos para poder aprovechar este tipo de tecnologías

El reto de sacar partido de los datos se ha simplificado enormemente. El Machine Learning de hoy no es como antes. Esto quiere decir que con datos de calidad, tecnologías adecuadas y análisis propicios es posible actualmente crear modelos de comportamiento para analizar datos de gran volumen y complejidad. Además, los sistemas proporcionan resultados rápidos y precisos sin intervención humana, incluso a gran escala. El resultado: predicciones de alto valor para tomar mejores decisiones y desarrollar mejores acciones de negocio.

Ámbitos de aplicación del Machine Learning

·       Detectar fraude en transacciones.

·       Predecir de fallos en equipos tecnológicos.

·       Prever qué empleados serán más rentables el año que viene (el sector de los Recursos Humanos está apostando seriamente por el Machine Learning).

·       Seleccionar clientes potenciales basándose en comportamientos en las redes sociales, interacciones en la web…

·       Predecir el tráfico urbano.

Plan Digital 2025

En el Plan Digital 2025, existen medios que facilitan la digitalización y barreras o frenos que pueden dificultarla. Una buena gestión de unos y otros determina la capacidad para diferenciarse y por tanto competir en un mundo cada vez más digitalizado y global. 

(CEOE 2018, Plan Digital 2025 ver http://plandigital2025.ceoe.es/#plandigital )

 

 

En el siguiente video puedes observar resumidamente el Decalogo del Plan Digital 2025 de CEOE...