<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Diego ibagon on Medium]]></title>
        <description><![CDATA[Stories by Diego ibagon on Medium]]></description>
        <link>https://medium.com/@dibagon?source=rss-1e80c5228590------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*nkjjilMrc2uHYFaY.jpeg</url>
            <title>Stories by Diego ibagon on Medium</title>
            <link>https://medium.com/@dibagon?source=rss-1e80c5228590------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 18:19:31 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@dibagon/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Multi-channel campaigns with attribution models]]></title>
            <link>https://medium.com/dot-sense/c%C3%B3mo-medir-la-eficiencia-en-las-campa%C3%B1as-multicanal-f1640aa086a2?source=rss-1e80c5228590------2</link>
            <guid isPermaLink="false">https://medium.com/p/f1640aa086a2</guid>
            <category><![CDATA[interaction-design]]></category>
            <category><![CDATA[attribution]]></category>
            <category><![CDATA[online-marketing]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <category><![CDATA[advertising]]></category>
            <dc:creator><![CDATA[Diego ibagon]]></dc:creator>
            <pubDate>Tue, 04 Sep 2018 00:06:53 GMT</pubDate>
            <atom:updated>2019-07-03T21:04:33.181Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zMRKIxWtP_ktdJrbUGqAqQ.png" /></figure><h3>Models of attribution and causal inference <strong>[1/5]</strong></h3><blockquote><em>These blogs will be built by collaborators of Grupodot, to give continuity to the series of articles.</em></blockquote><p>This article is the first of a serie built by collaborators of Grupodot, presenting the basic concepts, such as methodologies and tools available for the implementation of attribution models and causal inference, aimed at understanding and promoting specific conversions (actions) of your customers, especially in the advertising interaction.</p><p>From marketing, attribution is the practice of tracking and assigning values ​​to the online marketing contact points, (or in various channels) that lead to a defined conversion.</p><p>Rather than dealing with a casual issue, having efficient models of both, attribution and causality, allows us to know the causes that trigger the customer’s actions, being an imperative for any company that is committed to a digital transformation process or wants to win a competitive advantage, relying on interactions with customers in physical and digital channels.</p><p>We consider that employing these two complementary concepts, analyzes and constructions can be carried out around the client’s behavior, obtaining an alternative strategy to answer common questions and assess the moments of interaction that can contribute the most to the objectives and intentions of a company in front of your target audiences.</p><p>The basic concepts will be presented from the social psychology, helping to have a different perspective in front of the understanding of cause / effect models, its application to marketing and analysis of user behavior; In the same way, the concepts of “hard” sciences related to models of causal inference will be addressed.</p><h3><strong>The first problem: Putting correlation analysis and prejudice in place</strong></h3><p>Perhaps it is due to our linear formation that we tend to give a high value to the results based on averages and correlations, for this, we attribute the totality of the causes of the events to the correlations that have qualitative and quantitative values ​​between them.</p><p>We can see dramatic examples such as those presented by<a href="http://www.tylervigen.com/spurious-correlations">spurious-correlations</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SERTuZpCGk7GlrITofMTPw.png" /><figcaption>Source: <a href="http://www.tylervigen.com/spurious-correlations">http://www.tylervigen.com/spurious-correlations</a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8-Z5toBX-Y2FD7V7HuqRpw.png" /><figcaption>Source: <a href="http://www.tylervigen.com/spurious-correlations">http://www.tylervigen.com/spurious-correlations</a></figcaption></figure><p>After seeing these graphs, surely you can think that it isn’t far from situations in which the bias prevails over objectivity, either by pressure, need to “win” a customer or a place within a company. Perhaps, it’s because of the subjective natural tendency that we often give wrong use to correlation tools.</p><blockquote><a href="https://ipfs.io/ipfs/QmXoypizjW3WknFiJnKLwHCnL72vedxjQkDDP1mXWo6uco/wiki/Correlation_does_not_imply_causation.html">“Correlation doesn’t imply causation</a>”</blockquote><p>Therefore, an essential condition for the successful inclusion of the concepts of attribution models to the practices of the teams of: Marketing, Data Engineer, among others, is to give rise to correlations and prejudice, focusing on the work that it requires causal analysis and additional data processing, since the correlation between two variables does not imply that one causes the behavior of the other.</p><p>Two complementary work routes are presented: <strong>theory of attribution and causal inference</strong>, the first one comes from social psychology and the second from basic sciences (statistics, mathematics and related).</p><p>An anticipated conclusion and first prerequisite suggested in this type of modeling recipes, is that before entering into the preparation of a causal data model, it’s essential to evaluate if the correct questions are being asked about the user segments, since the traditional segmentation, based on the value-spending-monetary capacity of the client, tends to hide in the eyes of analysts and marketing teams the forms of vital grouping, such as those that focus on the consistency of user behavior for decisions making.</p><h3><strong>Attribution Theory by Fritz Heider</strong>(1958)</h3><p><strong>The Psychology of Interpersonal Relations</strong> <br>by Fritz Heider <br><strong>Link:</strong><a href="http://a.co/d/6MNKhee"> http://a.co/d/6MNKhee</a></p><p>Heider’s <a href="https://es.wikipedia.org/wiki/Atribuci%C3%B3n">attribution</a> theory tries to analyze the people’s behavior and the events of life. In social psychology it’s called the attributive process.</p><p>Although in his book and later work, Heider didn’t fully develop the methodology but laid the foundations for it, now he focuses on two possible causes that can account for the behavior of others:</p><p><strong>Internal attribution: </strong>The process of assigning cause of behavior based on the person’s internal traits such as personality, knowledge, skills, desires and intentions, rather than external agents.</p><p><strong>External attribution:</strong> Also called situational attribution, refers to the interpretation of person’s behavior immersed in a context such as climate and influence of others.</p><h3><strong>H. Kelley’s covariation model</strong> (1967-1973)</h3><p>One of the main problems that these definitions and attribution theory have, is that for many it is common sense, and that’s why they assume biased conditions in what Heider and other authors call naive psychology.</p><p>Harold H. Kelley expresses it in an interesting way in his article: The Processes of Causal Attribution (1973): “I think that social psychology is finally realizing that the appropriate role to take is not to co-ordinate common sense but rather to analyze , refine and expand on it”.</p><blockquote>For Kelley, attribution theory “… is about how people make causal explanations, about how people respond to questions starting with” why? “ It focuses on the information that people use to make causal inferences, and what they do with that information to answer the causal questions. “ <em>(</em><a href="http://web.comhem.se/u52239948/08/kelley73.pdf"><em>Kelley ,1973)</em></a><em>.</em></blockquote><p>In Grupodot we have integrated social psychology, which tries to understand why people decide how they decide, to complement part of the attribution model (cause / effect). The causality in events has for us a high component in the way people (users) perform an action, for example, the data samples give an account of how people flow within a physical space that belongs to a departments store.</p><p>Initial segmentations are made, dividing the groups between those that have a consistent response in all the series and those that don’t. The first group denominate as consistent and we decided that they base their decision mainly on their own traits (internal attribution), and only in these populations do we see the conditions of context, when for some reason, there is inconsistency in their behavior.</p><p>This allows global trend analysis to improve, since context and user-specific data of the same weight are not mixed, for the case in which they are consistent or inconsistent users that are likely to be influenced by external variables.</p><p>Kelley delved into the topic, focusing on a logical model for judging when a particular action should be attributed to the person’s characteristics or context. He defined the principle of co-variation: “An effect is attributed to one of its possible causes with which, over time, co-varies. This implies that there are times when both, the effect and its cause, are present and others in which both are absent”.</p><p>Returning to the example of the department store, almost all the people who visit it, have previously had a similar experience in the same store or in others, for which they have information from multiple observations and in different situations (Christmas, mother’s day, etc).</p><p>Therefore, when attribution models are built that seek to analyze the effectiveness of a notice or promotion, located at a specific point in the store, it must initially be taken into account if that user is a frequent and consistent visitor, if so, it can constructed a model that focuses on the co-variation between behavioral history in the store and there looking for the causes, or if on the contrary its an inconsistent user, the analysis should focus on the whole set of context variables inside and outside of the store.</p><p>We can say that in department stores there are people for any promotion, at any time of the year or at any point in the store, all are potential business that can not be lost, this answer we will call <strong>consistent</strong>.</p><p>On the other hand, the store has incentive mechanisms: products, discounts, which are use in any time of year or the type of person and the expected actions; we will call this answer<strong> consensus</strong>.</p><p>Finally we have situations in which there is a tremendously good or bad behavior, associated with a product or action that was never deployed with that intention, this will be the <strong>distinctive answer</strong>.</p><p>To answer the question: how does a person know if their perceptions, judgments and evaluations of the world are correct?, Kelley defines a framework of data work in three axes: <strong>person / entity / time.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*5xbaF1OGS8Qd0sziq3JxEQ.png" /><figcaption>The framework of the analysis of variance to make causal inferences according to Kelley (1973).</figcaption></figure><p>And based on it, formally define the answers like this:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*5-GjX1wrIL7CoHaiuWvKSA.png" /><figcaption>Data pattern that indicates attribution to a person: Consistent Response. Kelley (1973)</figcaption></figure><p><strong><em>Consistent answer:</em></strong> It means that the answer of this person is maintained over time, ie: successive exposures to stimuli with which it interacts, through different channels and sensory and perceptual modalities. In this way, the data will indicate that similar results or behavior are obtained for the same person regardless of the time and entities with which they interact in different channels.</p><p><strong>In this case, what we suggest in Grupodot is to focus on the internal data of the people: socio demography and user / brand interactions), reducing the significant weight of context-based analysis.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/386/1*whxE39x7Mfv2bghC_43NoA.png" /><figcaption>Data pattern that indicates attribution to the entity with which it interacts: Consensus response. Kelley (1973)</figcaption></figure><p><strong>Consensus answer: </strong>It means that the response of the subject is similar to other people with the same stimulus in the same channel. In this case, the data indicates that it is common that most people, regardless of the moment in time, respond in the same way.</p><p>In this way, the data will reflect that it is a successful interaction. What we suggest is to increase the measurement mechanisms on the interaction itself (physical space, article, etc.), to build micro-segmentations about the behavior “inside” of the experience associated with the entity that achieves the consensus.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/378/1*KTgfGaDhXWoM5wTTId4TjQ.png" /><figcaption>Data pattern that indicates attribution to “circumstances”. Distinctive answer Kelley (1973)</figcaption></figure><p><strong>Distinctive answer:</strong> It is the most complex of all, since is only obtained when the person is subjected to a specific stimulus, in a given channel, for a particular time.<strong> In this case, actions similar to the consensus response are taken, but there are cases in which, necessarily, the problem must be attacked with causal inference models.</strong></p><h3><strong>Initial application: Archetypes / Personas</strong></h3><p>A tool commonly used in marketing and design is the Buyer Persona. A Persona is an archetype, which brings together in a detailed way characteristics that describe and bring the work teams closer to reality, the context, needs and intentions of the target audiences, which will be users and potential customers of the interactions they build.</p><p>A first application, from the approach of social psychology, the attribution and the type of answers, is to expand the model and personnel templates used in the conceptualization and design processes, and integrate from that first moment data teams with the design team, to determine how the first groups of users are composed based on the behavior, establishing this way,<strong> if the defined persona belongs to an internal or external attribution model and if their type of response in the story is consensus or distinctive</strong></p><p>For this, we suggest the following summary scheme of generic classification, based on the initial analysis of the people’s transaction data or interactions:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*Vzget4Y_Am9UBzFUfX8LkQ.png" /></figure><p>The suggested steps to apply in the complementary construction of personas are:</p><ol><li><strong>Selection of interaction data: </strong>Based on the interaction to be evaluated (printing a video, clicking an ad, filling in a form, approaching a section within a store, commenting on a social network, making a bank transaction, etc.), the description data of the persons must be counted, as well as the transactions executed. Regarding people, isn’t about working with reserved or personal data, the data that can be located socio-demographically are essential, as well as a generic identification (can be<a href="https://support.google.com/analytics/answer/3123662?hl=en"> Google Analytics userID</a>) that allows differentiating the subject in each one of the transactions that makes in different devices and moments.</li><li><strong>Putting Personas within attribution typologies: </strong>The objective is to divide all the Personas into two groups according to the data. Those that have a consistent behavior against the transaction, based on data such as: frequency, amount, type of product, place, time of purchase and those that don’t.<strong> </strong>The standard on which is the definition of consistent transactions, always issued by the business experts (the client), who know their nature and history.</li><li><strong>Detailed classification within the subjects with a consistent answer:</strong> With the second point, two families of Personas will have already been obtained, then the first one can be taken, the one of the consistent ones and look for if within them there are differences in business nature.</li><li><strong>Find the consensus and the distinctive: </strong>With the remaining group, that of external attribution, you can find those that have common behaviors as consensus and separate them from the distinctive.</li><li><strong>Extract attributes that describe the people that emerge: </strong>With 5 armed groups: two of attribution and three of response, the objective will be to find “emerging” groups with existing data and transactions, using grouping techniques such as <a href="https://en.wikipedia.org/wiki/Cluster_analysis">cluster analysis</a>.</li><li><strong>Analyze and propose Personas</strong>: With the iterative execution of points 1 to 5, it is possible to find and optimize the finding of “real” Personas, people who exist and currently interact with the business in different channels.</li></ol><p>This will allow that when advancing in the next step, causal inference, the analysis will be of higher quality since it will be contrasted with the populations that have already been validated.</p><p>Once you have a preliminary analysis about the behavior and type of Personas to be included, it’s time to take the next step: <strong>build models of causal inference</strong>, complemented with preliminary population analysis. In the next installment, we will discuss the basic concepts of these models and then integrate the two approaches into practice.</p><p>Finally, as a preview, the following deliveries will focus on the general presentation of the internal components and type results, which can be obtained with the suite of Grupodot’s attribution tools.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f1640aa086a2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dot-sense/c%C3%B3mo-medir-la-eficiencia-en-las-campa%C3%B1as-multicanal-f1640aa086a2">Multi-channel campaigns with attribution models</a> was originally published in <a href="https://medium.com/dot-sense">Talks Grupodot</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Inteligencia Artificial como generadora de servicios]]></title>
            <link>https://medium.com/dot-sense/inteligencia-artificial-como-generadora-de-servicios-2de9189f7bf8?source=rss-1e80c5228590------2</link>
            <guid isPermaLink="false">https://medium.com/p/2de9189f7bf8</guid>
            <category><![CDATA[interaction-design]]></category>
            <category><![CDATA[user-experience]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <dc:creator><![CDATA[Diego ibagon]]></dc:creator>
            <pubDate>Mon, 30 May 2016 18:59:03 GMT</pubDate>
            <atom:updated>2019-03-13T22:04:09.923Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HfMfVQaaWDcwKDk0QgsXMg.png" /></figure><p>El uso de inteligencia artificial para soportar nuevas formas de interacción y servicios, con un alto nivel de calidad en UX (User eXperience), ya está pasando de ser solo una herramienta de diferenciación de la competencia, a un imperativo que debe incluirse en la conceptualización y construcción de nuevos servicios. Sin embargo, la posibilidad de incluir dentro de la oferta de servicios, componentes que realmente aprendan, clasifiquen y predigan posibles comportamientos o escenarios para los usuarios, está determinada por las capacidades de captura, limpieza, procesamiento y análisis de datos que están detrás de toda la plataforma.</p><p>Acá presentamos algunos de los puntos de relación que existen entre el diseño de servicios, la inteligencia artificial y el procesamiento de datos, así como los retos y mínimos que consideramos, debe tener cualquier organización que aspire a contar con una oferta competitiva de servicios. De igual manera relacionamos varias de las herramientas de i<a href="https://cloud.google.com/products/machine-learning/">nteligencia artificial</a> que pone a disposición la <a href="https://cloud.google.com/">Plataforma Cloud de Google</a>.</p><h3>Herramientas para comprender las necesidades e intenciones del usuario (UX+AI+IxD)</h3><p>El diseño de servicios, puede definirse como el conjunto metodológico de estrategias y herramientas que buscan construir artefactos de valor para los usuarios, logrando destacar ofertas similares de marcas competidoras. El valor diferencial yace en el producto que garantice un diálogo y un flujo de sentido, el cual interpreta más claramente las necesidades e intenciones del usuario.</p><p>Quienes parten de la experiencia del usuario, lo hacen entendiendo realmente las necesidades de las personas, delimitando así la búsqueda del producto que sobrepase los mínimos esperados, llevándolo a escalar en la evaluación subjetiva diferencial.</p><p>Para ello, las herramientas tradicionales se fundamentan en la evaluación del comportamiento y reacciones obtenidas para analizar la experiencia del usuario. Como complemento del análisis tradicional, es clave contar con datos suficientes sobre el usuario, en calidad y cantidad, de tal forma que el ambiente de interacción dispuesto para él, se acople tanto a sus necesidades como a sus intenciones.</p><blockquote><strong><em>Definición de Machine Learning </em></strong><em>según </em><a href="http://www.deeplearningbook.org/"><em>http://www.deeplearningbook.org/</em></a><em>: </em>The diﬃculties faced by systems relying on hard-coded knowledge suggest that AI systems need the ability to acquire their own knowledge, by extracting patterns from raw data. This capability is known as machine learning.</blockquote><p>Dada la dinámica de evolución que la competencia por oferta de servicios impone, el enfoque en experiencia de usuario cambia de uno estático, en el que se construía la experiencia asumiendo condiciones invariables del usuario, a uno dinámico en el que el servicio aprende, evoluciona y se adapta para sobrepasar las expectativas del cliente.</p><p>Siendo así, el servicio que mejor se adapte a las necesidades del usuario, tiene mayor probabilidad de ganar frente a la competencia del servicio. Esto implica que el proceso preliminar de conceptualización y diseño, debe contar con un conjunto de datos y herramientas que ayuden a construir información, para que los diseñadores de experiencia los empleen dentro de sus tareas.</p><p>El uso de la inteligencia artificial como generadora de servicios, parte de la capacidad que tiene el equipo de diseño y desarrollo, para incorporar el uso y análisis de datos de la historia, además de apoyar la toma de decisiones de los usuarios frente a los artefactos entregados, permitiendo aprender y predecir resultados.</p><p>Siendo así ¿cuál es el resultado?: una nueva forma de definir UX, en la que las experiencias se enriquecen con la capacidad de adaptación que los productos y servicios, para operar de forma personalizada frente a nuestros usuarios.</p><p>Algunos ejemplos son:</p><ul><li><a href="http://googleresearch.blogspot.com.co/2016/05/aw-so-cute-allo-helps-you-respond-to.html">Allo</a>: Es una iniciativa de Google que hace la mensajería más fácil, eficiente y expresiva.</li><li>Motores de recomendación en e-commerce: Con base en el análisis de datos de co-ocurrencia entre productos, perfiles de usuario y el comportamiento del cliente que está en línea, se presentan ofertas relacionadas con las referencias revisadas.</li><li>Chat Bots</li><li>Asistentes en la toma de decisiones para inversión, tomando en cuenta el análisis del perfil del usuario, su comparación con una población similar y las proyecciones para el mercado.</li><li>Reconocimiento de imágenes para búsqueda de artículos.</li><li>Reconocimiento de voz para autenticación o apoyo en línea.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Rip0jy0S62OihL_v2lYM2g.jpeg" /><figcaption><strong>Oferta dinámica 1/2:</strong> La disposición de un landing page que verían todos los clientes que visiten la página por primera vez.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2kLS4KAnPWENQV_OK32XFQ.jpeg" /><figcaption><strong>Oferta dinámica 2/2:</strong> El landing se ajusta según el comportamiento del usuario, que de forma repetida ingresa a las opciones de la tarjeta de crédito y la caja fuerte. En este caso, el landig se pone a disposición según el historial de comportamiento del usuario.</figcaption></figure><h3>¿Por qué las técnicas de IA están teniendo mayor auge hoy en día?</h3><p>Si bien los algoritmos y teorías base de la inteligencia artificial y <em>machine learning</em> existían hace varias décadas, la viabilidad práctica ha tardado en llegar y actualmente, gracias a la infraestructura de nube pública de bajo costo y alto desempeño (como <a href="https://cloud.google.com/">Google Cloud Platform</a>), es posible usarlos sin restricciones y con esquemas financieros adecuados, permitiendo una rápida integración con el negocio. Así aparecen nuevos servicios que complementan y soportan su operación con la ayuda de AI/ML, gracias a aspectos como:</p><ul><li>Disponibilidad de poder de cómputo a gran escala y bajo costo.</li><li>Facilidad para que los desarrolladores utilicen técnicas de<em> machine learnin</em>g y API disponibles a bajo costo, incluso de forma gratuita.</li><li>La presión de los usuarios y el mercado por disponer de plataformas en las que la interface se base cada vez más en formas “naturales de interacción” como voz, imagen y movimiento.</li><li>La transición de arquitecturas tecnológicas a modelos altamente desacoplados, en los que es posible poner a disposición del cliente servicios granulares, permitiendo el cobro a través de funcionalidades altamente especializadas.</li></ul><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FoZikw5k_2FM%3Ffeature%3Doembed&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DoZikw5k_2FM&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FoZikw5k_2FM%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/30595b0e4341d2aff0d5962004a5c757/href">https://medium.com/media/30595b0e4341d2aff0d5962004a5c757/href</a></iframe><h3>Puntos relevantes para tomar en cuenta</h3><p>Las anteriores no son solo razones que sustentan la explosión de la Inteligencia Artificial en el último tiempo, sino que son los indicadores de la rápida reacción que emprenden las organizaciones, evolucionando el modelo de diseño y despliegue de artefactos de interacción.</p><p>Uno de los puntos más importantes del entorno actual para tomar en cuenta de forma inmediata son la venta de modelos predictivos y adaptativos, el desplazamiento de venta en procesos netamente transaccionales sobre modelos pre-entrenados. Esto significa generación de valor fundamentado en UX para el cliente final, cobrando relevancia en el procesamiento de datos, el modelamiento del comportamiento y el aprendizaje de las organizaciones sobre el comportamiento de sus usuarios.</p><p>Este camino se puede iniciar con los siguientes tres elementos:</p><ul><li><strong>Un inventario de datos sobre los clientes y su comportamiento:</strong> Este debe incluir la información de marcación del comportamiento que dispone Google Analytics, la información que brinda el sistema de información Core de negocio, CRM y datos contacto. En general se busca el modelamiento integral del cliente sobre un mismo esquema no relacional como <a href="https://cloud.google.com/bigquery/">Google BigQuery</a>, para garantizar el manejo adecuado de grandes volúmenes de datos, con alta capacidad de crecimiento y velocidad de respuesta.</li><li><strong>Definición de datos y segmentación de clientes: </strong>Con este insumo es posible definir oportunidades para generar nuevos servicios para el cliente final, con base en<strong> </strong>mapas de puntos de contacto, tales como el <em>buyer’s journey</em>. En una primera iteración, sugerimos trabajar con indicadores que sean clave para el cliente, por ejemplo ¿cuáles son los portafolios de inversión que mejor se adaptan para personas de 40 años, con disponibilidad de inversión en dólares y a largo plazo? o ¿cuál es la aerolínea con menos escalas y menor probabilidad de demoras para llegar al destino?</li><li><strong>Procesar los datos teniendo en cuenta los anteriores puntos:</strong> El objetivo es buscar patrones de relacionamiento y comportamiento que no sean evidentes. Este procesamiento puede apoyarse en las herramientas de <a href="https://cloud.google.com/products/machine-learning/">machine learning de Google</a>.</li></ul><h4>Proyectos centrados en la generación de valor</h4><p>El enfoque de los proyectos ya no son los procesos tradicionales de negocio, ahora son los servicios que generen valor, aquellos que brindan una experiencia de usuario más amplia y adaptable, que aporten al usuario <em>“como un amigo te podría aportar al ayudarte en una tarea, como ir de compras”</em>.</p><p>Por otra parte, la generación de valor no supone que deba contar con una plataforma para despligue; el enfoque puede ser complementado, incluso centrarse en formas alternativas de diálogo o en nuevas interfaces, para disponer el servicio sobre plataformas de terceros, por ejemplo: permitir que pidan un taxi desde Whatsapp, ordenar una pizza con un tweet o responder una queja gracias al análisis de conversaciones en Facebook.</p><h4>Bloques de construcción y servicios que aprenden</h4><p>Darle un enfoque a los microservicios no es solo ubicar fichas de lego que cumplen una función, sino fichas que cuentan con modelos y <em>bots</em> que “saben” ejecutar tareas específicas, incluso se han adaptado para aprender a ejecutarlas de mejor forma.</p><p>Estos servicios juntos, emergen con nuevas funcionalidades de mayor complejidad y mejor desempeño que impactan la UX.</p><h4>Captura y preparación de datos</h4><p>Es el diseño y puesta en operación de procesos que recolecten, agreguen, limpien y preparen todo tipo de datos como: fotos, vídeo, voz, texto, opiniones, calificaciones, comportamiento del usuario, sensores IOT, etc.</p><p><strong><em>Los datos deben ser transformados, de tal forma que estén listos para que los servicios inteligentes puedan emplearlos. Por ello, </em></strong><a href="http://www.grupodot.com/"><strong><em>Grupodot</em></strong></a><strong><em> siempre sugiere conformar el inventario de datos “interesantes” para el negocio y establecer los mecanismos de carga, transformación y generación de valor.</em></strong></p><blockquote>Las aplicaciones inteligentes son viables, solo si operan soportadas en big data.</blockquote><p>El <em>big data </em>le da sentido y soporta la operación de las aplicaciones inteligentes, siendo la base de la estrategia que permite garantizar que los modelos dispuestos puedan aprender y evolucionar.</p><p>Estos son algunos ejemplos típicos de aplicación con este enfoque:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Sq2hSQ93eslYtE8NTx1mHg.jpeg" /></figure><h3>Desafíos</h3><p>El panorama es cada vez más interesante y cómodo para la imaginación, quitando las ataduras que la capacidad de procesamiento imponía tradicionalmente. Sin embargo, la velocidad y el enfoque integral que debe tener este nuevo proceso de diseño de servicios, supone grandes desafíos para los equipos de trabajo de las organizaciones en todos los sectores que cuenten con un interés o que ya estén operando con activos digitales.</p><p>Enunciamos algunos desafíos para los perfiles que han estado en contacto con los servicios digitales dentro de las organizaciones:</p><h4>Desafíos para los profesionales en diseño</h4><ul><li>Análisis y comprensión del cliente fundamentado en datos.</li><li>Interfaces y esquemas de interacción dinámicos, con la suficiente capacidad de adaptación a las intenciones y entorno del usuario.</li><li>Uso de las técnicas tradicionales de análisis del usuario, mezcladas con la información que el procesamiento de datos puede dar sobre tendencias, además de referentes de uso en diferentes entornos alrededor del mundo.</li><li>Incluir dentro de sus habilidades y lenguaje, los mínimos acerca de la comprensión de modelos de datos y diseño de información.</li></ul><h4>Desafíos para los equipos de desarrollo</h4><ul><li>Ubicar en el foco principal los intereses y necesidades del usuario desde los datos, comenzando desde los servicios que los datos ponen a disposición e integrando de forma complementaria el mapeo tradicional del proceso.</li><li>Incluir dentro de sus habilidades y lenguaje los mínimos de <em>machine learning</em> y procesamiento de datos. Algunas sugerencias son:</li></ul><ul><li><a href="http://neuralnetworksanddeeplearning.com/index.html">Neural networks and deep learning</a></li><li><a href="http://www.deeplearningbook.org/">Deep Learning</a></li></ul><h4>Desafíos para los CMOs</h4><ul><li>Enriquecer el análisis del cliente a través de variables sobre el comportamiento y el desempeño en micro-conversiones de transacciones tradicionales.</li><li>Buscar la conformación de un repositorio unificado de datos sobre el cliente, que mezcle segmentación tradicional con segmentación basada en el comportamiento.</li><li>Integrar al proceso de conceptualización y diseño de servicios un enfoque integral, en el que se conformen equipos transversales con diferentes miradas dentro de la organización: TI, ventas, soporte al cliente, líderes de producto, áreas de producción, etc.</li><li>Enfrentar que el crecimiento y efectividad ya no están basados en mensajes tipo <em>broadcast</em> y que cada vez más son requeridas interacciones a “la medida” de cada usuario.</li></ul><blockquote>Referencias (utilizadas y sugeridas)</blockquote><blockquote>1. Microservices, Martin Fowler <a href="http://martinfowler.com/articles/microservices.html">http://martinfowler.com/articles/microservices.html</a></blockquote><blockquote>2. Tensorflow <a href="https://www.tensorflow.org/">https://www.tensorflow.org</a></blockquote><blockquote>3. Playground <a href="https://playground.tensorflow.org/">https://playground.tensorflow.org</a></blockquote><blockquote>4. Google Cloud Platform <a href="https://cloud.google.com/">https://cloud.google.com</a></blockquote><blockquote>5. Is conversational web the future of UX ? <a href="http://www.webdesignerdepot.com/2016/04/is-conversational-ux-the-future-of-the-web/">http://www.webdesignerdepot.com/2016/04/is-conversational-ux-the-future-of-the-web/</a></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2de9189f7bf8" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dot-sense/inteligencia-artificial-como-generadora-de-servicios-2de9189f7bf8">Inteligencia Artificial como generadora de servicios</a> was originally published in <a href="https://medium.com/dot-sense">Talks Grupodot</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Un Roadmap para el diseño y despliegue de servicios de valor sobre la Plataforma Cloud de Google]]></title>
            <link>https://medium.com/dot-sense/un-roadmap-posible-para-el-dise%C3%B1o-y-despliegue-de-servicios-de-valor-sobre-la-plataforma-cloud-de-3a117b55fc84?source=rss-1e80c5228590------2</link>
            <guid isPermaLink="false">https://medium.com/p/3a117b55fc84</guid>
            <category><![CDATA[design-thinking]]></category>
            <category><![CDATA[digital-marketing]]></category>
            <category><![CDATA[google-cloud-platform]]></category>
            <dc:creator><![CDATA[Diego ibagon]]></dc:creator>
            <pubDate>Sat, 30 Apr 2016 02:11:45 GMT</pubDate>
            <atom:updated>2016-05-06T18:53:14.140Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KxJhLIilSl02mAczGzsnxA.jpeg" /><figcaption>dotSense Abril 27 de 2016 — Starbucks Parque de la 93 Bogotá</figcaption></figure><p>En la ejecución de proyectos y en el diálogo constante con personas de diferentes áreas dentro de organizaciones que cada vez más tienen el deseo y la necesidad de poner a disposición de sus clientes, potenciales y actuales en canales digitales, servicios que más allá de las transacciones tradicionales generen valor y experiencias memorables, es evidente que las herramientas metodológicas que de forma independiente áreas como : marketing, diseño, tecnología, ventas y soporte al cliente, han empleado en las últimas décadas, ya no entregan los resultados y las propuestas de evolución con la velocidad y nivel de innovación que el mercado exige.</p><p>La propuesta que realizamos para atacar este nuevo desafío es puntual: emplear el pensamiento de diseño y en especial el <a href="https://en.wikipedia.org/wiki/Interaction_design">diseño de interacción (IxD)</a>, con un enfoque de diseño de servicios y combinarlo con el uso de la mejor plataforma tecnológica en cloud disponible: <a href="https://cloud.google.com/">Google Cloud Platform</a></p><blockquote>Creemos que la mejor forma de abordar el conocimiento y la evolución de la Plataforma Cloud de Google es desde el diseño de Servicios.</blockquote><p>Lo que buscamos es el uso aplicado y el aprendizaje en “acción” de la Plataforma Cloud de Google para todos los públicos involucrados en la conceptualización, diseño y despliegue de servicios digitales que generen valor.</p><p>Presentamos en esta primera entrada de dotSense una propuesta de los componentes temáticos que constituirán el roadmap base, alrededor del cual la comunidad de usuarios de Google Cloud Platform Latinoamérica construirá y se beneficiará de la colaboración, el diálogo y las experiencias de otros. Esta es una comunidad que une todos los enfoques y en donde pondremos a disposición documentación, código, prototipos, arquitecturas de referencia, resultados obtenidos por otros, preguntas y respuestas de punta a punta: desde lo más técnico, pasando por marketing y diseño hasta la gerencia de la organización.</p><h3>Áreas de interés y estudio de esta comunidad (primera versión Roadmap)</h3><p>Si bien el listado de áreas de interés para dotSense se irá ajustando, existe un fundamento general desde el cual parte el enfoque de trabajo y que ha sido puesto a prueba y operado de forma exitosa en diversos proyectos:</p><p>El uso del <a href="https://en.wikipedia.org/wiki/Interaction_design">Diseño de Interacción</a> sumado con las capacidades de la Plataforma Cloud de Google como sustento para soportar los procesos de ideación, conceptualización, construcción, prototipado y puesta en operación de servicios en canales digitales.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nZqPZJ9Ns7SY7L4qebqV1w.jpeg" /></figure><h3>¿Porqué mezclarlos produce verdadero valor?</h3><h4>1. Porque es posible modelar el contexto del usuario y compararlo contra el universo al que pertenece, con una certeza cercana al 100% sobre el resultado obtenido</h4><p>El diseño de servicios parte, principalmente, del análisis del contexto y bagaje de los usuarios, este tipo de análisis no contaba hace una década con la facilidad para captura y procesamiento de datos con que contamos hoy día: teníamos modelos metodológicos como <a href="https://en.wikipedia.org/wiki/Persona_%28user_experience%29">persona</a>, <a href="https://en.wikipedia.org/wiki/Touchpoint">mapa de puntos de contacto</a>, buyer’s journey, etc., que son construidos con base en una vista parcial o fundamentada únicamente en el diálogo con muestras de usuarios (amamos el diálogo como herramienta y la seguiremos empleado pero no es suficiente para garantizar un modelo completo del usuario), mas no en la explotación y modelamiento del conjunto completo de datos de los usuarios objetivo y mucho menos de la posibilidad de mezclar datos demográficos clásicos con un nuevo conjunto de variables del contexto a las que es posible acceder hoy día: ubicación, gusto, humor, intención, dispositivo empleado, etc.; todo ello, con la posibilidad de comparar y procesar en tiempo real (o cercano normalmente al real), la información de un usuario o un conjunto de ellos contra la totalidad de la población.</p><p>Lo que estamos enfrentando es la posibilidad de contar con modelos altamente detallados del contexto y bagaje del usuario, complementados con la potencia de mezclar datos puntuales con poblaciones ilimitadas de usuarios sin preocuparnos por tener que convencer a la organización de invertir en un cluster de servidores que tengan la capacidad de ejecutar el proceso.</p><blockquote>Tenemos como nunca antes la capacidad de reducir lo que asumimos de forma hipotética en los análisis sobre el comportamiento de los usuarios, hasta el punto de tener ahora la capacidad de compararlos con todas las variables que el mundo real tiene para el universo completo de ellos en un escenario específico.</blockquote><h4>2. Porque es posible construir prototipos y versiones finales de producto en menor tiempo (la tecnología y la capacidad de cómputo ya no son una barrera)</h4><p>Contar con el acceso a infraestructura casi ilimitada e invirtiendo solo en los recursos empleados elimina muchas de las barreras que la capacidad de cómputo limitada o los costos de procesamiento imponían a los equipos de prototipos que soportan el diseño de nuevos productos y servicios.</p><p>Adicionalmente este acceso está acompañado de la posibilidad de emplear los mismos API y tecnología que Google emplea para sus productos con lo que son eliminadas diversas restricciones e imposiciones funcionales y técnicas pues muchos elementos y herramientas se encuentran ya disponibles para ser integradas a nuevos emprendimientos.</p><h3>¿Porqué no es fácil hacerlo?</h3><p>La respuesta es simple: No estamos preparados, entre otras, por las siguientes razones:</p><ul><li>El enfoque tradicional para el diseño y evaluación de nuevos servicios en las organizaciones fundamenta buena parte del criterio de decisión en el retorno esperado y por lo tanto el análisis preliminar y el resultado mismo de las interacciones no toma en cuenta buena parte de las condiciones y restricciones del usuario así como tampoco su bagaje.</li><li>Las iniciativas de nuevos servicios son lideradas y llevadas adelante por áreas de forma independiente dentro de la organización, un ejemplo: el área de ventas detecta una oportunidad y trabaja de forma aislada el concepto y los requerimientos para el negocio, mismos que luego son entregados al área de IT para que esta implemente un conjunto de casos de uso que deben ejecutar un proceso lineal. En estos casos la viabilidad técnica y económica son las que rigen, dejando de lado criterios relacionados como que tan “deseable” puede ser para el usuario, cual es el tamaño de la población de usuarios a los que podría impactar, que tan innovador es para el mercado, cual es el contexto en el que se empleará, entre otros. Modificar los esquemas tradicionales de evaluación y conceptualización de nuevos servicios implica la inserción de nuevas prácticas dentro de las organizaciones.</li><li>Puede que estemos entrenados para trabajar en equipo con un enfoque en el que son divididas responsabilidades dentro de una línea de producción, mas no para que el trabajo en equipo sea utilizado como una forma de complementar enfoques acerca de un mismo reto. Aquí es vital el enfoque de pensamiento de diseño “<a href="https://www.ideo.com/by-ideo/change-by-design">Design Thinking</a>”</li><li>Prima la segmentación clásica de los usuarios para determinar quienes deben ser contactados para un tipo de oferta específica, esta forma de clasificación de datos dificulta encontrar patrones y comportamientos que son oportunidad para interacciones innovadores.</li><li>Existe una baja correlación entre los indicadores clave de desempeño de diferentes áreas: cada quien está centrado en sus metas y tareas puntuales. En buena medida es natural que ocurra pues las evaluaciones principales de gestión son más dadas por área que por los resultados de “empresa”.</li><li>Problemas en lograr comunicar el sentido y la verdadera misión de un nuevo servicio para las diferentes áreas de la organización.</li><li>Limitarse y suponer que solo existe una arquitectura tecnológica (normalmente monolítica), limitando de esta forma la velocidad o integraciones de nuevas formas de interacción. El problema aquí es que el principal rector para definir nuevas interacciones lo da la “tradición” tecnológica de la compañía más que la oportunidad que el momento e intención del usuario brinda.</li></ul><h3>Cómo sugerimos atacar el problema</h3><p>Afortunadamente el diseño de servicios es un campo abierto en el que cada día son incorporadas nuevas prácticas y formas de atacar este tipo de problemas. Dentro de muchos otros que pueden emplearse, sugerimos algunas herramientas que pueden contribuir a la solución:</p><ul><li>Construcción de prácticas de pensamiento de diseño. <a href="http://www.servicedesigntools.org/">Emplear herramientas de diseño de servicios</a>.</li><li>Insertar práctica que estimulen la aparición y consolidación de un enfoque integral al diseño de servicios dentro de la organización. No es fácil pues implica tocar elementos culturales y sociales de los entornos de trabajo. Un buen comienzo <a href="http://designthinking.ideo.com/">aquí</a>.</li><li>Construir una visión consistente: contar no solo con un “norte” común, tal vez es mas importante tener un “guión” de como deben ocurrir las cosas para llegar a él, un RoadMap en el que sean consignados los servicios e intervenciones que serán desarrolladas de común acuerdo por toda la organización para mejorar la relación y experiencia con el usuario. Aquí el trabajo solo comienza con definirlo, el verdadero reto está en mantenerlo e integrar su administración a las prácticas de gestión de activos digitales de la organización.</li><li>Trabajo en prototipos, a todo nivel y de toda clase (conceptuales y funcionales).</li><li>Contarle a otros, dentro y fuera de la organización, y estar abierto y emplear de forma positiva el feedback.</li><li>Implementar prácticas de evaluación de servicios en las que se involucren no solo variables de viabilidad técnica y económica sino elementos del contexto e intención de los usuarios objetivo.</li><li>Construir planes de medición soportados en datos que brinden una vista integral de los usuarios. Los planes de medición a menudo se concentran solo en cantidades generales de usuarios y conversiones finales, es importante adicionar más sobre el comportamiento y análisis de los puntos intermedio durante los procesos de conversión. A veces el tesoro está donde menos lo esperamos.</li><li>Contar con modelos integrales de datos acerca del comportamiento del usuario. Integrar el uso de comportamiento en internet (por ejemplo datos de Google Analytics), con fuentes de datos que den cuenta de comportamiento en otros canales: CRM, BackOffice, Servicio al cliente, etc.</li></ul><h3>Cuales son las áreas sobre las que mantendremos conversación</h3><p>Interaction Design</p><p>Marketing</p><p>Data Science</p><p>Arquitectura y Aplicaciones sobre Google Cloud Platform</p><p>Experiencias de nuestros asistentes en cualquier vertical y si relación con la tecnología y el servicio</p><p>Inteligencia Artificial: Machine Learning y Prediction</p><p>Segmentación y Clasificación de usuarios: modelos clásicos, micro-momentos y modelos basados en comportamiento</p><p>Behavioural Marketing</p><p>…Los que la comunidad nos proponga he integremos</p><h3>¿Cuáles son los sectores (verticales) a las que está dirigida esta iniciativa?</h3><p>Todas, el uso de enfoque de diseño de servicios junto la Plataforma Cloud de Google brinda posibilidades que cualquier sector de producción o servicios público o privado puede emplear. Entre otros los que tocaremos en nuestros diálogos son:</p><ul><li>Telcos</li><li>Entidades financieras y Fintech</li><li>Moda y Textiles: Tanto fabricantes como retail</li><li>Aerolíneas</li><li>Media&amp;Entertainment</li><li>Startups</li></ul><h3>La opinión de asistentes al último dotSense</h3><blockquote>Este evento es una experiencia enriquecedora. Vale la pena también tratar el tema de metodologías para generar empatía (Desing Thinking) y modelos de negocio (Lean — BMC). Mateo Rojas <strong>ON3D Studios</strong></blockquote><p><strong>dotSense</strong> ¿En este momento ustedes están trabajando en el diseño de servicios para el usuario, cómo es su idea de negocio a este respecto?</p><p><strong>María Fernanda Caicedo — Colfondos</strong> ¿Cómo diseñar y hacer atractivo el negocio de las cesantías? . Es fundamental no quedarse en la prestación del servicio convencional, cómo hacer que el tema de las pensiones y cesantías sea un tema más digerible y atractivo para el usuario, sobre todo porque la mayoría de nuestros usuarios son personas que superan los 35 años y por ende tienen dificultad para interactuar con todos estos procesos. También hemos aprendido que es muy importante sentarse a pensar como usuario, para poder entender qué quieres y a partir de esto diseñar cosas nuevas y tener una implementación sostenible para ellos.</p><p><strong>Mateo Rojas Barrero — ON3D Studios. </strong>En el ámbito de los videos-juegos el punto clave es entender que es una industria muy joven, nosotros por ejemplo llevamos aproximadamente ocho años preparándonos para entrar a competir en el medio internacional, lo malo es que todo esto ha hecho que las startup piensen en un sistema de producción lineal, lo que trae bastantes problemas porque no deja que pensemos en “servicios” (diferentes al juego mismo).</p><p><strong>Jaime Corral-Subástala.</strong> En el mundo inmobiliario este tema es un poco complicado porque en su mayoría los usuarios son adultos que aún no están en la onda digital, y las nuevas generaciones no tienen mucha fuerza en el tema inmobiliario. Sin embargo es un enfoque muy interesante porque apoya a que la comunicación sea selectiva.</p><p><strong>Ana Corral-Subástala.</strong> Constantemente fallamos en la forma en como comunicamos las cosas a nuestros clientes, creo que debemos entender con más claridad cómo comunicarle y llegarle a la gente de manera asertiva, casi siempre se habla de un montón de cosas en general, pero en últimas el mensaje esencial e importante no se está transmitiendo.</p><p>Agradecemos a los asistentes al dotSense 001 de 2016:</p><ul><li><a href="https://twitter.com/MafeCaicedoR">Maria Fernanda Caicedo</a></li><li><a href="https://twitter.com/mrbmemate">Mateo Rojas Borrero</a></li><li><a href="https://twitter.com/CaroConsta">Carolina Constain</a></li><li><a href="https://twitter.com/fslpezz">Fernando Soto</a></li><li><a href="https://twitter.com/javiescb">Javier Escobar</a></li><li><a href="https://twitter.com/linitavm">Lina Vacca</a></li><li><a href="https://twitter.com/cattapaez">Catalina Paez</a></li><li><a href="https://twitter.com/alejingutierrez">Alejandro Gutierrez</a></li><li><a href="https://twitter.com/belenespinosa88">Belen Espinosa</a></li><li><a href="https://twitter.com/Aphotekke">Monica Gallego</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3a117b55fc84" width="1" height="1" alt=""><hr><p><a href="https://medium.com/dot-sense/un-roadmap-posible-para-el-dise%C3%B1o-y-despliegue-de-servicios-de-valor-sobre-la-plataforma-cloud-de-3a117b55fc84">Un Roadmap para el diseño y despliegue de servicios de valor sobre la Plataforma Cloud de Google</a> was originally published in <a href="https://medium.com/dot-sense">Talks Grupodot</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>