Este documento describe la dualidad entre el mundo científico y el mundo empresarial para un científico de datos. Explica que un científico de datos en una empresa debe poseer habilidades técnicas como aprendizaje automático, recuperación de información y visualización de datos, así como habilidades no técnicas como investigación social y análisis de redes sociales. El documento enfatiza que un científico de datos enfrenta grandes retos al aplicar sus conocimientos científicos para resolver problemas complejos más allá de la

1. Dualidad onda-partícula del
científico de datos en la empresa

2. consulting, s.a.
autoritas
2
Mundo Científico vs. Mundo Empresarial

3. consulting, s.a.
autoritas
3
@kicorangel
www.kicorangel.com

4. AUTORITAS
Autoritas es una
consultora tecnológica
con profesionales
multidisciplinares de
diferentes países del
mundo:
- Ingenieros en
Informática y
Telecomunicaciones
- Psicólogos
- Economistas
- Abogados
- Politólogos

5. Nuestra sede central
está en Madrid
(España), y tenemos
oficinas en Argentina,
Brasil, Chile, México,
Panamá y Reino Unido.
AUTORITAS

6. Nos especializamos
en :
- Español
- Portugués
- Inglés
Estamos empezando a
trabajar con:
- Italiano
- Alemán
- Francés
AUTORITAS

7. La formación y la
comunicación son muy
importantes para
nosotros.
La Escucha Activa es
una nueva disciplina y
nosotros estamos
comprometidos con su
difusión y formación a
los profesionales
interesados en el
campo.
Iberolabs
AUTORITAS

8. consulting, s.a.
autoritas
8
‣ COSMOS es la herramienta de
Escucha Activa que ha desarrollado
Autoritas Consulting. “Active Listening
is more than paying attention”
Margaret Mead
‣ COSMOS da orden al caos de Internet
y proporciona una metodología para
encontrar oportunidades
‣ COSMOS ayuda a las organizaciones
a tocar Internet mediante la
extracción de conocimiento para el
proceso de toma de decisiones
TW
WWW
FB
TECHNOLOGICAL
PLATFORM
DESIGN
ACTION
TRAINING
INFLUENCERS
REPUTATION
INSPIRATION
DIAGNOSIS
METRICS
CONTENTS
INNOVATION
STRATEGY
“ACTIVE LISTENING”
¿Qué es Cosmos?

9. consulting, s.a.
autoritas
9
La Escucha Activa es...
‣ COSMOS trabaja con todo el universo de
Internet, cubriendo todas las
necesidades que una institución pueda
tener:
‣ ¿Qué dicen de nosotros?
‣ ¿Qué impacto tiene lo que nosotros
decimos?
‣ ¿De dónde nos podemos inspirar?
‣ ¿En qué está interesado nuestro
target?

10. consulting, s.a.
autoritas
10
No sólo consiste en responder preguntas...
...sino también en saber qué nuevas preguntas plantear

11. consulting, s.a.
autoritas
11
TOMA DE
DECISIONES
ESTRATEGIA
RECUPERACIÓN
DE INFORMACIÓN
FILTRADO, LIMPIEZA
Y ELIMINACIÓN DE RUIDO
EXTRACCIÓN DE
CONOCIMIENTO
Inteligencia
Social
Negocio
Ciclo de la Inteligencia Social de Negocio

12. consulting, s.a.
autoritas
12
Recuperación de Información...
...y limpieza

13. consulting, s.a.
autoritas
13
OBJETIVO:
Recuperar todo lo que
hay que recuperar y sin
recuperar nada que no
se deba recuperar

14. consulting, s.a.
autoritas
14
• > 500 millones de usuarios de
Facebook
• > 150 millones de usuarios de Twitter
• > 90 millones de Webs
• > 150 millones de blogs
• aprox. 1000 exabytes anuales
EXCESO DE INFORMACIÓN
DESESTRUCTURADA
Algunas cifras... (antiguas)

15. consulting, s.a.
autoritas
15
Orígenes de información (canales)

16. consulting, s.a.
autoritas
16
API vs.
Crawler
‣API restringe el acceso a los datos:
Facilitan sólo una muestra de la información
existente y accesible a través de buscador
‣API restringe la cantidad de peticiones
realizables
‣Crawler requiere infraestructura y solución
a problemas IR (periodicidad, fechas,
idiomas, almacenamiento...)
‣Crawler puede generar problemas legales
API gratuita
vs. pago
‣Restricción de resultados: las APIs gratuítas
restringen en exceso los resultados frente a la
interfaz del buscador
‣Limitaciones de licencia de las APIs
gratuítas, no permitiendo por ejemplo la
reordenación, mezclado y almacenamiento de
datos

17. consulting, s.a.
autoritas
17
Organizar orígenes
Histórico
de 53MM
de noticias
27MM de
blogs

18. consulting, s.a.
autoritas
18
(Re)Clasificar lo recuperado
¿Qué pasa cuando entra una noticia desde
un buscador generalista?
¿Qué canal es la url que se enlaza desde otro
canal?
¿Cómo diferenciar un blog de una web
corporativa?
¿Cómo determinar de qué dominio es una
determinada página?
Identificar
Acotar
Clasificar
Desambiguar

19. consulting, s.a.
autoritas
19
Sección de
anuncios sin
relevancia para el
contenido
Sección de última
hora que
distorsiona la
semántica de la
página
Contenido útil
Recuperar contenido útil

20. consulting, s.a.
autoritas
20
Inglés
estoy sin internet ¬¬ fuuuuck!!!
Finlandés
... euskocaja, como euskolabel, euskotren,
euskomueble... XDDD
Portugués
Flowah Powah!
Alemán
Vierrrrrrrrrrrrnes, egunon!!
Modelos del lenguaje vs. n-Gramms vs. Machine Learning
Filtrar por idioma

21. consulting, s.a.
autoritas
21
Geografía de origen vs. geografía de contenido vs. geografía de perfil
Filtrar por geografía

22. consulting, s.a.
autoritas
22
resultados
elimina url
prescindibles
filtra palabras
marca url’s como
Spam
Elimina url’s
Quita de la ‘vista’ los
antitesauros
filtra #hastags
filtra influenciadores
filtra localizaciones
Otros filtros

23. consulting, s.a.
autoritas
23
TIEMPO REAL ES CUANDO EL USUARIO ASÍ LO PERCIBE
NOCHE DE ELECCIONES
GENERALES
216.000 documentos analizados
‣Tweets: 176.815
‣Posts: 7.034
‣News: 2013
‣Facebook: 2.184
‣Multimedia: 671
283.000 etiquetas generadas
1.900.000 términos indexados
Elevado número de usuarios
concurrentes
Por supuesto, en ¡¡tiempo real!!

24. consulting, s.a.
autoritas
24
Creo que he
resuelto el:

25. consulting, s.a.
autoritas
25
Evaluación de la Recuperación de Información...
...en la ciencia

26. consulting, s.a.
autoritas
26
7.000 recuperados
54 incorrectos
99.23% precisión
3.000 recuperados
50 no recuperados
98.36% alcance
Evaluación de la Recuperación de Información...
...en la empresa
¡¡Estamos
perdiendo
credibilidad!!

27. consulting, s.a.
autoritas
27
Pero es que... la
recuperación de
información NO es
una contabilidad
No me des
excusas...

28. consulting, s.a.
autoritas
28
=10
100
¡¡Pero Google
siempre exagera!
...porque
Google dice...

29. consulting, s.a.
autoritas
29
BUGS
Ante un “fallo” técnico lo primero que se busca...
...no es la solución, es al culpable

30. consulting, s.a.
autoritas
30
EL TÉCNICO SOPORTA
EL SOPORTE TÉCNICO

31. consulting, s.a.
autoritas
31
Extracción de conocimiento...

32. consulting, s.a.
autoritas
32
No sólo consiste en responder preguntas...
...sino también en saber qué nuevas preguntas plantear

33. consulting, s.a.
autoritas
33
ORDEN
¿Qué? -> E.g. Conceptualización de marcas
¿De qué está hablando la gente?

34. consulting, s.a.
autoritas
34
ORDEN
¿De qué hablan, de la consonante,
del lenguaje de programación o
de la empresa de
telecomunicaciones gallega?

35. consulting, s.a.
autoritas
35
ORDEN
¿Cuándo? -> E.g. Gestión de crisis
¿Cuándo suceden las cosas?

36. consulting, s.a.
autoritas
36
ORDEN
Si la fecha va
en la url es fácil saberla
Eso es relativo,
esta URL es de Julio o de
Enero:
http://xxx/07/01/2010/
crawler-403-
forbidden.html

37. consulting, s.a.
autoritas
37
ORDEN¿Dónde? -> Varias perspectivas
¿Dónde ocurre una conversación?
¿De dónde se habla en una conversación?

38. consulting, s.a.
autoritas
38
ORDEN
¿Cómo? -> No sólo sentiment analysis
La polaridad es sólo
una dimensión, la
emocional, la de
valores, DAFO...
todas ellas
responden a la
cuestión ¿cómo?

39. consulting, s.a.
autoritas
39
ORDEN
Un ejemplo: “La prima de riesgo en España está a 235”
¿Positivo, negativo, neutro o none?

40. consulting, s.a.
autoritas
40
ORDEN
Un ejemplo: “La prima de riesgo en España está a 235”
¿Positivo, negativo, neutro o none?
Mi pregunta: ¿Para quién?
- ¿Para el presidente del país?
- ¿Para el líder de la oposición?
- ¿Para el director del Banco de España?
- ¿Para el inversor extranjero?
- ¿Para el capitalista nacional?
- ¿Para el que tiene una hipoteca?

41. consulting, s.a.
autoritas
41
ORDEN
¿Quién? -> Análisis de Red Social
Si quiero
transmitir con
éxito un mensaje,
¿quién me puede
ayudar?
Si hay un
conflicto,¿a
quién tengo que
vigilar?

42. consulting, s.a.
autoritas
42
ORDEN¿Por qué? -> Author Profiling
EMOTIONAL PROFILE
GENDER
AGE GROUP
NATIVE LANGUAGE
... ¡y mucho mucho más!

43. consulting, s.a.
autoritas
43
ORDEN
LA SOLUCIÓN
ES EL
BIG DATA
¡Todo el
mundo lo dice!

44. consulting, s.a.
autoritas
44
ORDEN
VOLUMEN
VELOCIDAD
VARIEDAD
VIRALIDAD
VISCOSIDAD
¡Busca a Neo!
¡¡¡NOOOO!!! El Big Data es el problema...

45. consulting, s.a.
autoritas
45
ORDENLas dimensiones del orden

46. consulting, s.a.
autoritas
46
Biografía Localización Idioma
TIME LINE
Un ejemplo: Lo que creemos tener en Twitter...

47. consulting, s.a.
autoritas
47
Biografía Localización Idioma
• No se rellena
• No contiene
información
significativa
• No se corresponde
con la realidad de
sus intereses
• No se rellena
• Se rellena con una
ubicación falsa
• Se actualiza con la
posición GPS
• Ambigüedad de
ubicación
• No se rellena
• Se deja por defecto
EN
• Se rellena con info.
falsa
• Se escribe en
diferentes idiomas
La terminología utilizada dista de cualquier lengua
oficial. PSEUDO-ARGOT
TL
...donde no todo lo que reluce es oro

48. consulting, s.a.
autoritas
48
La realidad de Internet

49. consulting, s.a.
autoritas
49
Un ejemplo, ¿quién es Milton Friedman?

50. consulting, s.a.
autoritas
50
Los rumores de la red...

51. consulting, s.a.
autoritas
51
Comunidades compartidas
• 997 usuarios
• 111.000 relaciones

52. consulting, s.a.
autoritas
52
¿Y un análisis lingüístico?

53. consulting, s.a.
autoritas
53
Precisión vs. coste computacional
0
375000
750000
1125000
1500000
Approach 1 Approach 4 Approach 7 Approach 10 Approach 13 Approach 16 Approach 19
10.26minutes28.83minutes38.31minutes54.03minutes1.04hours1.09hours2.66hours3.25hours4.66hours4.86hours5.08hours5.13hours6.37hours6.56hours6.82hours17.88hours4.44days
5.19days
6.68days
9.90days11.78days
0
10
20
30
40
Approach 1 Approach 4 Approach 7 Approach 10 Approach 13 Approach 16 Approach 19
29.06
34.72
39.86
24.20
28.34 27.98
35.06
25.14
27.03
38.58
31.25 32.34
7.87
24.65
22.87
27.03
32.22
24.67
33.04
15.40
19.82
%
s

54. consulting, s.a.
autoritas
54
Grandes retos para el
científico de datos...
...con grandes problemas
más allá de la ciencia

55. consulting, s.a.
autoritas
55
+
Skills técnicos
Skills “no-técnicos”

56. consulting, s.a.
autoritas
56
SKILLS
TÉCNICOS
Aprendizaje
Automático: Para
inferir nuevos modelos a
partir de los datos
existentes, para dotar de
inteligencia a nuestras
aplicaciones
Recuperación de
Información: Para
acceder a las enormes
cantidades de
información disponibles
en Internet
Data Mining: Para
identificar patrones
válidos, novedosos,
potencialmente útiles y
deseablemente
comprensibles a partir
de los datos
Natural Language
Processing: Porque el
contenido textual de la
Web está escrito en el
lenguaje humano
Data
Visualization
Collective
Intelligence
System
Architecture
User
eXperience
Social
Investigation
Social Network
Analysis

57. consulting, s.a.
autoritas
57
SKILLS NO TÉCNICOS
http://t.co/D6KHALU3Zm

58. consulting, s.a.
autoritas
http://es.slideshare.net/linkedin-talent-solutions/the-modern-recruiter-is-part-artist-part-scientist-infographic
La dualidad
onda-partícula del
científico de datos
en la empresa
@kicorangel