<?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 Jorge Quintana on Medium]]></title>
        <description><![CDATA[Stories by Jorge Quintana on Medium]]></description>
        <link>https://medium.com/@jorgequintana_6762?source=rss-72f68af579b------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Ia_UY2xReF_7wfMHET_OgQ@2x.jpeg</url>
            <title>Stories by Jorge Quintana on Medium</title>
            <link>https://medium.com/@jorgequintana_6762?source=rss-72f68af579b------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 06:51:13 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@jorgequintana_6762/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[Todos queremos ser como Google…]]></title>
            <link>https://medium.com/@jorgequintana_6762/todos-queremos-ser-como-google-65d14d16d821?source=rss-72f68af579b------2</link>
            <guid isPermaLink="false">https://medium.com/p/65d14d16d821</guid>
            <category><![CDATA[transformación-digital]]></category>
            <category><![CDATA[data-driven-decisions]]></category>
            <dc:creator><![CDATA[Jorge Quintana]]></dc:creator>
            <pubDate>Wed, 10 Jul 2019 13:25:02 GMT</pubDate>
            <atom:updated>2019-07-10T14:07:10.876Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/500/1*MLClEVs-khfs-pwe0sw_Rw.jpeg" /></figure><p>Compañias de base tecnológica como Google, Amazon o Netflix, entre otras, han estado en la lista de referencias de los equipos directivos de gran cantidad de empresas así como en el inventario de estudios de caso de las principales escuelas de Administración y Negocios, no sólo por su masificación y penetración en nuestro día a día, sino porque se han convertido en casos exitosos de Investigación y Desarrollo en nuevas tecnologías y su impacto en procesos de innovación para la generación de productos y servicios.</p><p>Sin embargo, dicho éxito no sólo ha sido el resultado de la firme convicción de sus directivos por convertirse en empresas innovadoras y soportar su proceso de toma de decisiones basado en datos, sino al esfuerzo conjunto y organizado para adoptar y/o definir procesos y metodologías al interior de sus equipos de trabajo que habiliten procesos de mejora continua, de adopción tecnológica y de empoderamiento analítico habilitando la capacidad iterativa para el prototipado rápido y validación en el mercado de iniciativas para la generación de productos y servicios basados en datos y centrados en los usuarios.</p><blockquote>Todos queremos ser como Google, ¿pero estamos dispuestos a hacer lo que se necesita para lograrlo?</blockquote><p>Esto último ha estado acompañado de grandes cantidades de datos generados segundo a segundo por millones de dispositivos alrededor del mundo, además de grupos de ingenieros y desarrolladores que han re-definido las fronteras técnicas para hacer de este un proceso replicable, escalable y que permite capturar, almacenar, transformar y analizar dichos datos en búsqueda de una mejor experiencia para los usuarios y el desarrollo basado en sus preferencias.</p><p>No obstante, dichos esfuerzos, tanto técnicos como de negocio, no son mencionados con la misma insistencia como los resultados obtenidos y esto ha generado la creencia, cada día más generalizada en los equipos directivos, en que dichos procesos pueden ser liderados por áreas de tecnología, en muchos casos áreas incipientes y con poca exposición a las tecnologías pertinentes para cada tipo de solución o, incluso, sin experiencia para la implementación de los resultados. Así las cosas, estas áreas deben dar soporte técnico a las iniciativas analíticas de toda la organización dentro del camino hacia la <em>Transformación Digital, </em>soportando una carga adicional, — ya que si hasta ahora su trabajo era el de dar soporte técnico y mantener la infraestructura además de los sistemas de información garantizando el acceso y la disponibilidad de los datos, ahora recae sobre ellas la responsabilidad de ajustar y/o definir la arquitectura para las soluciones, así como la de validar el proceso de desarrollo e implementar los resultados — , convirtiéndose en un cuello de botella para la planeación y el desarrollo de las iniciativas analíticas, afectando su impacto sobre la organización y el retorno percibido por los equipos directivos.</p><p>Por su parte, los equipos directivos, y la organización en general, pasan por un proceso de incertidumbre al no saber qué esperar, cuándo esperarlo ni cómo será usado, afectándose así la confianza en la analítica y en las nuevas tecnologías como motores de mejora de procesos y como soporte para la toma de decisiones en la organización. Sin embargo, reconocer los datos como un activo que logre informar al negocio no es el principal reto que enfrentan las compañias en su proceso de transformación, sino generar espacios efectivos en donde la cultura organizacional logre adoptar la analítica como parte de su día a día, no sólo para lograr enriquecer su entendimiento del negocio haciendo uso de los datos, sino para aprender a identificar oportunidades de mejora logrando traducir de forma efectiva las preguntas de negocio en tareas técnicas y generando valor para la organización.</p><p>Finalmente, las iniciativas de transformación hacia compañias guiadas por datos (Data-Driven) y generadoras de valor mediante el uso de nuevas tecnologías deben estar acompañadas de procesos de formación para el uso y adopción tecnológica, así como talleres y sesiones de trabajo en donde se logre transmitir el potencial de transformación, su vinculación con la estrategia y el impacto esperado para así lograr motivar el cambio cultural que la <em>Transformación Digital</em> demanda. Adicionalmente, junto con la democratización de los datos las áreas deben estar en la capacidad de identificar potenciales proyectos y poder priorizarlos de acuerdo con el impacto que estos generen sobre la organización, el cual debe ser medible en el tiempo, y su factibilidad de desarrollo, requerimientos tanto técnicos como de negocio, convirtiéndose así en áreas con empoderamiento analítico y generadores de cambio, además de liberar recursos y reducir la sobrecarga de trabajo de las áreas de tecnología.</p><p>La Transformación Digital y la adopción de nuevas tecnologías no es un proceso que se deba delegar a los equipos de tecnología, debe ser un proceso de empoderamiento organizacional que logre permear a todos los niveles de la organización, entendiendo que cada quien jugará un papel diferente y tendrá tareas diferentes, pero buscando generar un conocimiento mínimo viable para ser capaces de escalar de forma efectiva como organizaciones guiadas por datos mediante el uso y adopción de nuevas tecnologías.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=65d14d16d821" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[El peor error de mi carrera….]]></title>
            <link>https://medium.com/@jorgequintana_6762/el-peor-error-de-mi-carrera-a7e85e1c9af5?source=rss-72f68af579b------2</link>
            <guid isPermaLink="false">https://medium.com/p/a7e85e1c9af5</guid>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[estadística]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Jorge Quintana]]></dc:creator>
            <pubDate>Thu, 02 Aug 2018 12:12:16 GMT</pubDate>
            <atom:updated>2018-08-02T12:21:17.013Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fe1jmBrEL0AsXcJNfcuNlg.jpeg" /></figure><p>Fue hace algunos años, durante los comienzos de mi carrera como científico de datos y mientras trabajaba con una empresa de tecnología en Bogotá. Aún lo recuerdo muy bien, no sólo porque sigo pensando en ello, a modo de reflexión, sino porque me ha enseñado más de lo que esperaba aprender de un error.</p><h3>Un caso de uso y una PoC</h3><p>Trabajaba como consultor para una empresa de tecnología, de esas compañías con ingresos millonarios y un centenar de productos, y había sido asignado a un proyecto con los equipo de ventas de Big Data y Marketing -es interesante como trabajan estas empresas, ya que pueden tener varios equipos técnicos dedicados tiempo completo a hacer <em>Pruebas de Concepto</em> (PoC, por sus iniciales en inglés) para mostrar cómo sus productos pueden solucionar los <em>Casos de Uso</em> de sus clientes-. En ese caso el cliente era una reconocida empresa de retail y estaba interesada en adquirir un software para gestionar sus campañas de marketing de forma automática. Para ello habían llamado a reconocidos proveedores de productos de analítica (IBM, SAS, etc) y les habían propuesto un caso de uso en el que cada equipo debería trabajar y proponer una solución, al final se escogería la alternativa con mejores resultados.</p><p>Así las cosas, el caso de uso fue definido así: Cada equipo tenía acceso a una base de datos de clientes con información sobre su comportamiento de compras reciente (número de visitas al almacén, número de productos comprados, valor monetario de la compra, puntos acumulados con la compra, etc…), además, algunas características adicionales como edad, genero, email y dirección. Adicionalmente, una lista con 10 productos que querían ofrecer dentro de un esquema de venta cruzada para incrementar el valor de las compras de sus clientes y aumentar la rotación del inventario de los productos objetivo. Basados en esos datos cada equipo debía plantear una solución en la que identificara qué producto(s) ofrecer de acuerdo con la propensión de compra de cada cliente para cada producto y cómo ofrecerlo de la forma más eficiente (estrategia de contactabilidad, alcance, presupuesto, etc…).</p><p>Junto con el equipo de marketing definimos la metodología que íbamos a seguir. Primero, se ajustaría un modelo analítico para calcular la propensión de compra para cada uno de lo productos objetivo. Segundo, con base en esos resultados se haría un trabajo de segmentación y se definiría la estrategía y el(los) medio(s) más eficientes para ofrecer dichos productos a los clientes.</p><p>Desde la parte analítica varias alternativas fueron planteadas, desde un modelo probabilístico multinomial hasta un motor de recomendación. Se enriqueció la base de datos por medio de ingeniería de características (<em>Features Enginnering</em>) y se procesaron los datos para tener una conjunto de observaciones etiquetadas y listas para el proceso de entrenamiento. Al final, los mejores resultados se obtuvieron con el modelo probabilístico multinomial. Luego, se generaron las predicciones para la base de clientes y se agregaron algunos datos como edad, genero, puntos acumulados y datos de contactabilidad. Con base en esos resultados el equipo de marketing realizó su trabajo y presentamos nuestros resultados al cliente.</p><h3>La Evaluación y los Resultados</h3><p>Luego de tan arduo trabajo y de presentar los resultados al cliente llegó la implementación. La idea era ejecutar por 3 semanas dichas campañas y hacer seguimiento al comportamiento de dichos clientes. Finalmente, con base en los resultados obtenidos y algunos criterios adicionales se escogió al ganador. ¡Nosotros no ganamos! Pero la pregunta era, ¿por qué?</p><h3>La Estadística al rescate</h3><p>Tiempo más tarde entendí por qué no ganamos. Y es que no dependía de nosotros ganar ni del modelo ni de la campaña, realmente. Tecnicamente dicho caso de uso se puede catalogar como un A/B Testing o, como lo llaman los estadísticos, un diseño experimental, es decir, lo que se buscaba era poner a prueba una versión <em>A</em> de un producto (campaña, en este caso) contra una versión <em>B</em>, evaluando cómo lograba impactar el comportamiento de los clientes.</p><p>En Estadística el diseño del experimento es clave para lograr determinar si los resultados son significativos y/o representativos, es decir, si son producto del azar o no y si dicho efecto puede llegar a dar un indicio sobre cómo dicha campaña funcionaría a nivel problacional. No sólo porque hay muchas variables involucradas, sino porque el <em>Ceteris Paribus </em>es más bien la excepción en estos casos. Asimismo, porque de acuerdo con el esquema de muestreo, la definición de los grupos de control y tratamiento, la metodología de medición y la definición de qué medir y cuándo medir los resultados pueden variar y hacernos concluir de forma errada.</p><p>En esa ocasión los creadores del caso de uso habían omitido todas las bases estadísticas y la definición del problema era, además de errada, ambigüa. Al mismo tiempo, los equipos que participamos en dicho <em>concurso </em>pasamos por alto cosas básicas relacionadas con el diseño del experimento que se deberían haber revisado a la hora de embarcarnos en dicho proyecto. Omisiones y errores de ambos lados.</p><h3>Conclusión</h3><p>La educación en estadística y matemáticas es fundamental para trabajar como científico de datos, más aún, si lo que se busca es generar buenos resultados para las compañías que, obedeciendo a la creciente locura derivada del rápido crecimiento y popularización de temas como <em>Aprendizaje de Maquina</em> e <em>Inteligencia Artificial</em>, hacen inversiones intentando desarrollar productos basados en datos y/o mejorar los ya existentes. Asimismo, el desconocimiento de conceptos técnicos, la omisión de los supuestos y la lógica detrás de las técnicas a usar trae consigo resultados contrarios a los esperados y pérdidas de inversión, tiempo y confianza, tanto en las técnicas como en los miembros del equipo (como en el caso de uso descrito arriba).</p><p>El camino para convertirse en científico de datos es largo, demandante y a veces frustrante, pero la clave está en permanecer en un constante proceso de aprendizaje, de ir a la base de los métodos y técnicas para aprender cómo y cuándo usarlos. Sin embargo, nada nos protege de cometer errores, pero la clave está en aprender de ellos y no volver a cometerlos.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a7e85e1c9af5" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>