Para utilizar las funcionalidades completas de este sitio, es necesario tener JavaScript habilitado. Aquí están las instrucciones para habilitar JavaScript en tu navegador web .

Apasionado por descubrir qué historias están escondidas detrás de los datos, entusiasta de las nuevas tecnologías, en la búsqueda continua de los beneficios que la inteligencia artificial puede aportar, en constante aprendizaje, perseverante, soñador, creativo y amante de la guitarra y el bandoneón. Si quieres saber más de mí, comparto mi LinkedIn: https://www.linkedin.com/in/sheijers/

 

 


Fintech: del telégrafo a las criptomonedas

06 Julio, 2021 | Diversas industrias a lo largo de la historia, se han beneficiado positivamente de la incorporación de nuevas tecnologías a sus modelos de negocio, de esa afirmación hay un sin número de ejemplos que pueden mencionarse, uno de ellos es el sistema financiero. De hecho, la palabra Fintech es el acrónimo del inglés Financial Technology. Según Leong y Sung en su artículo “FinTech (Financial Technology): What is It and How to Use Technologies to Create Business Value in Fintech Way?” del año 2018 definen Fintech como “cualquier idea innovadora que mejore los procesos de servicios financieros al proponer soluciones tecnológicas de acuerdo con diferentes situaciones comerciales, mientras que las ideas también podrían conducir a nuevos modelos de negocios o incluso a nuevos negocios”. Si la banca moderna se inició en la Florencia renacentista, no es sino hasta mediados del siglo XIX que la industria bancaria comienza a trabajar estrechamente con las innovaciones tecnológicas para generar cambios importantes, como es el caso del telégrafo y el cable trasatlántico, dando así, el primer paso en el nacimiento Fintech. Breve Historia Fintech 1.0 (1871 - 1966): Inicios Aunque la compañía Western Union fue fundada en 1851 como una compañía telegráfica, es a partir de 1871 que comienza a ofrecer el servicio de transferencia de dinero apoyándose en su vasta red de telégrafos, así como también en 1914, crea una tarjeta para sus clientes más selectos, que no sólo les permitía acceder a un trato preferente, sino a una línea de crédito sin cargos. Otro evento importante fue la creación de Fedwire, los bancos de la Reserva Federal crearon en el año de 1919 el Fedwire Funds Service, un sistema de transferencia de fondos basado en código Morse que conectaba los 12 bancos de la reserva, la Junta de la Reserva Federal y el Departamento del Tesoro de los Estados Unidos. En febrero de 1950, inventada por Frank X. McNamara, Diners Club emitió la primera tarjeta de crédito tal como la conocemos hoy en día, seguida por el lanzamiento por parte de American Express Company en 1958 de su propia tarjeta de crédito que continuaría con la masificación de su uso. En 1966 Telex network se estableció en Estados Unidos, Canadá, Gran Bretaña, Alemania y Francia para sustituir el uso del telégrafo. Fintech 2.0 (1967 - 2008): Automatización, digitalización y Banca Electrónica En la industria bancaria hubo varios intentos de dispensar dinero de una manera alternativa al rígido horario bancario, el más conocido y cuyo éxito permitió su expansión, fue el invento de John Shepherd-Barron, este le propuso la idea al director del Barclays Bank y el 27 de junio de 1967, Barclays inauguró su primer cajero automático en su sucursal de Enfield, Londres. En 1971 nace NASDAQ (National Association of Securities Dealers Automated Quotation) como consecuencia de la petición del Congreso de los Estados Unidos a la comisión que regula la bolsa (Securities and Exchange Commission, SEC) de que realizara un estudio sobre la seguridad de los mercados. La SEC propuso su automatización y de ahí surgió el NASDAQ Stock Market. En 1973, se estableció SWIFT (Society for Worldwide Interbank Financial Telecommunication) y hasta el día de hoy es el protocolo de comunicación más utilizado entre instituciones financieras que facilita los pagos transfronterizos. Entre la década de los 70 y 80 comenzó una adopción masiva por parte de la banca del uso de dispositivos basados en semiconductores y microprocesadores tales como Mainframes, terminales, PC’s, entre otros. En la década de los 80’s comienza la experimentación de la banca en línea, Michael Bloomberg funda Innovative Market Solutions (IMS) en 1981, hoy Bloomberg L.P., y Wiliam Porter crea Trade Plus, hoy E*Trade Group. En 1995 Wells Fargo se convirtió en el primer banco en ofrecer una cuenta de cheques en línea, y en el año 1998 nace Paypal con el nombre de Confinity. En la década de los 90 comienzan a aparecer los primeros bancos virtuales, sin sucursales físicas: ING Direct es lanzado en Canadá como filial del grupo ING en 1997. La banca desarrolla centros de datos, intranets y sistemas corporativos para luego incorporar el uso de internet, dando inicio a la banca en línea. Este período finaliza con la Crisis Financiera Global de 2008 consecuencia del colapso de la burbuja inmobiliaria en los Estados Unidos en el año 2006. Fintech 3.0 (2009 -2019): Nuevo actores y Banca digital La Crisis Financiera Global de 2008 tuvo un efecto catalizador en el crecimiento y consolidación Fintech, desde la banca hasta la incursión de nuevos actores, esto podría explicarse dadas las nuevas regulaciones aplicadas a la banca, una alta cantidad de desempleados bancarios calificados, la desconfianza del público general en la instituciones financieras tradicionales, la penetración y masificación de los teléfonos inteligentes, entre otras cosas. Esta era comienza en 2009 con la irrupción de Bitcoin, un protocolo, proyecto de código abierto, red P2P (peer to peer) y criptomoneda o moneda digital descentralizada, creada por una entidad bajo el nombre de Satoshi Nakamoto, trayendo consigo la implementación de la tecnología Blockchain y con ello la creación de todo un ecosistema que a la fecha de publicación de este artículo según coinmarketcap.com tiene un mercado de capitalización de US $2.2 trillones. Son creadas también un grupo importante de empresas de la industria financiera pero que no pertenecen a la banca tradicional y se pueden nombrar algunas de ellas: En el 2010 Funding Circle fue fundada como la primera plataforma de préstamos peer-to-peer en UK; el mismo año nace Peerform, una plataforma de préstamos personales en línea que actúa como un mercado entre posibles prestatarios e inversores que prestan dinero; en 2011 los Estonios Kristo Käärmann y Taavet Hinrikus crean TransferWise, una plataforma de envío de dinero digital que ofrece entre sus servicios una cuenta multidivisa, una tarjeta electrónica y transferencias entre países para particulares y empresas; Coinbase Inc. fundada en junio de 2012 por Brian Armstrong y Fred Ehrsam es una plataforma de comercio de criptomonedas con sede en San Francisco, California, que ofrece servicios de intercambio entre criptomonedas y monedas fiduciarias en alrededor de 32 países, así como almacenamiento y gestión de activos digitales en 190 países en todo el mundo. Nacen las entidades financieras que desafían y se asemejan de tal manera a la industria bancaria tradicional que es acuñado el nombre Neobank. Estos surgieron de la mano de la transformación digital en Reino Unido y Alemania y han tenido una rápida expansión en Europa. Desde hace unos años, constituyen una nueva generación de entidades financieras que ofrecen servicios de intermediación bancaria de manera 100% digital, pueden nombrarse algunos de ellos: Nubank (2013), N26 (2013), Webank (2014), Atom (2015), Revolut (2015), C6 Bank (2018). Las grandes compañías tecnológicas se incorporan a la industria financiera: Google presenta en 2011 Google Wallet, permitiendo a los usuarios realizar compras en sus teléfonos móviles con tecnología NFC, por otro lado Apple lanzó Apple Pay de manera similar en 2014; en 2017, Alibaba lanza su plataforma de reconocimiento facial para pagos “Smile to pay”; en 2018, Google consiguió una licencia para realizar determinados servicios bancarios en Lituania y Facebook anuncia en 2019 su criptomoneda “Libra”, para la cual constituyó una nueva compañía de tecnología financiera en Suiza, Libra Networks. Aunque Fintech fue el nombre original del proyecto Financial Services Technology Consortium iniciado por Citicorp en el año 1993, es durante este período Fintech 3.0 que se acuña el nombre a toda aquella empresa que no es propiamente un banco tradicional pero que ofrece servicios financieros mediante el uso de la tecnología. Por otro lado, tanto la industria bancaria como las Startups Fintech incluyen como parte de su ecosistema de innovación a la Inteligencia Artificial, la Computación en la nube, Big Data, Blockchain, entre otras cosas. Es importante mencionar que durante este período también se da un proceso de transformación digital notorio en la banca tradicional: La masificación de dispositivos inteligentes, generó un nuevo medio para interactuar con los clientes, recolectar datos, y realizar pagos simplificados (Ej. Zelle, 2017), así como también, la identificación biométrica, implementación de RPAs, integración de asistentes virtuales, digitalización de documentos por medio de visión artificial, entre muchísimas más. Fintech 4.0 (2020 - futuro) La Pandemia del Covid-19, obligó a que ocurriera una aceleración del proceso de transformación digital dentro de la industria bancaria, así como también, un crecimiento exponencial de Startups Fintech y con ello nuevos modelos de negocios: Crowdlending, Crowdsourcing, Lending P2P, Roboadvisors, Trading algorítmico, Cryptocurrency, DeFi, Smarts Contracts, entre muchos otros. Una nueva era Fintech posiblemente ocurra con la accesibilidad a la computación cuántica y el desarrollo de nuevos paradigmas de programación basados en esta tecnología así como también más y nuevas regulaciones. Fintech en números Para entrar en contexto de lo que sucede en el mundo Fintech, es necesario visualizar en números cómo ha sido su crecimiento, adopción, inversión y expansión; por ejemplo, la revista Pulse of Fintech H2’20 de KPMG indica que aunque la inversión global en el área presentó un crecimiento sostenido entre el año 2017 y 2019, decreció en 2020 (una causa probable de tal decrecimiento fue la pandemia de Covid-19), pero que en el último cuarto (Q4) de ese mismo año retomó su comportamiento alcista, mostrando un aumento de alrededor de 100% respecto al cuarto anterior (Q3). En el top 10 de acuerdos fintech a nivel global se encuentran: VER TABLA Cabe hacer mención que el día 14 de abril de 2021, Coinbase se hizo pública en Nasdaq a través de una cotización directa de acciones que inicialmente se fijó en un valor de US $250 por acción, obteniendo una capitalización por encima de los US$ 80 mil millones al cierre de la jornada, marcando un precedente en la industria del ecosistema cripto. La inversión en Fintech en las Américas mostró una resiliencia increíble en 2020, con más de US $79 mil millones en inversión, incluidos US $58 mil millones en H2’20. A pesar de su gran impacto en algunos sectores, la pandemia mostró el valor de muchos subsectores a medida que los consumidores y las empresas cambiaron a soluciones digitales para satisfacer sus necesidades financieras. La inversión total en Fintech en la región de Europa, Medio Oriente y África se redujo de US $61.5 mil millones en 2019 a US $14.4 mil millones en 2020, en parte debido a una importante disminución en la actividad de fusiones y adquisiciones a gran escala. La inversión de capital riesgo en Europa permaneció muy robusta; un récord del tercer trimestre de 2020 de más de US $3 mil millones ayudó a impulsar a esta región a un récord anual de US $9,3 mil millones. Europa impulsó la gran mayoría de las inversiones en Fintech, incluso a medida que los ecosistemas en el Medio Oriente y África continuaron evolucionando.   La inversión en la región de Asia y el Pacífico se desplomó al nivel más bajo desde 2014: US $11.6 mil millones. COVID-19 alejó muchas inversiones de los mercados emergentes como el sureste de Asia, particularmente en la segunda mitad del año. Fuente: Pulse of Fintech H2’20, Global Analysis of Investment in Fintech, KPMG International Definitivamente estamos ante la presencia de un movimiento sin precedentes en el mundo financiero, la inversión y el crecimiento de empresas Fintech se ha dado de tal manera que ahora mismo, los ojos del mundo están centrados en torno a ello y todos sus subcampos, los tiempos que estamos viviendo cambiaron radicalmente nuestros hábitos de consumo, la forma de hacer negocios, la manera en que manejamos nuestras finanzas; hoy en día, muchos de nosotros no pudiéramos siquiera imaginarnos hacer una fila durante horas en un una entidad bancaria esperando ser atendido dentro de un rígido horario para cobrar un cheque, luego, cargar con el dinero en efectivo para hacer un depósito en una entidad financiera diferente o hacer un pago de algún bien o servicio. Fuentes: https://www.federalreserve.gov/paymentsystems/files/fedfunds_coreprinciples.pdf Leong, Kelvin.; Sung, Anna (2018). “FinTech (Financial Technology): What is It and How to Use Technologies to Create Business Value in Fintech Way?”. International Journal of Innovation, Management and Technology. 9 (2): 74–78 Terrell, Ellen (2012). “https://web.archive.org/web/20130414213410/http://www.loc.gov/rr/business/amex/amex.html” Davis, Joshua (10 October 2011). “The Crypto-Currency: Bitcoin and its mysterious inventor”. The New Yorker. https://www.larepublica.co/internet-economy/estas-son-las-cinco-herramientas-deinteligencia-artificial-que-transformaran-la-industria-fintech-3108058 https://www.itsitio.com/co/inteligencia-artificial-y-machine-learning-transforman-elecosistema-fintech/ https://revistaitnow.com/inteligencia-artificial-el-futuro-de-las-plataformas-bancarias/ https://www.america-retail.com/tecnologias-emergentes/tecnologias-emergentes-cincoformas-en-que-la-inteligencia-artificial-podria-mejorar-la-industria-fintech-en-2021/ https://www.colombiafintech.co/novedades/las-fintech-y-la-banca-tradicional-no-pelean https://www.fintechgracion.com/2018/06/breve-historia-de-la-innovacion-tecnologica-en-losservicios-financieros/ https://blog.hostdime.com.co/historia-de-las-fintechorigen-evolucion/ https://assets.kpmg/content/dam/kpmg/xx/pdf/2021/02/pulse-of-fintech-h2-2020.pdf https://fortune.com/2021/04/15/coinbase-market-cap-direct-listing-valuation-coin-share-pricestock-brian-armstrong/#:~:text=FinanceCoinbase- ,Why%20you%20can%20expect%20Coinbase%20to%20have%20a%20very%20hard,its%20%2461%20billion%20market%20cap https://www.fintechmagazine.com/digital-payments/cross-border-payments-could-mitigatepost-brexit-fallout

Netflix, Waze, General Electric y American Express: ¿Qué tienen en común?

06 Julio, 2021 | Aunque el término Data Science no es tan nuevo como parece, sí comenzó a hacerse muy popular cuando en el año 2012, Harvard Business Review publica el artículo “Data Scientist: The Sexiest Job of the 21st Century”. Pero ... ¿Qué es realmente la Ciencia de Datos?, ¿qué hace un científico de datos? y ¿por qué ahora? Para comenzar a responder las interrogantes antes planteadas podemos hacer mención del concepto de Ciencia de Datos que aparece en el artículo de Alex Liu “Data Science and Data Scientist” del año 2015: “Es un campo interdisciplinario que involucra métodos científicos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas, ya sea estructurados o no estructurados“. Por otro lado, es necesario también definir el rol de Científico de Datos, que según Josh Wills de Slack es “una persona que es mejor en estadística que cualquier ingeniero de software y mejor en ingeniería de software que cualquier estadístico“ o tal vez como lo sintetiza Roger Huang de Springboard quien dice que “un científico de datos es un unicornio que une la matemática, los algoritmos, el diseño experimental, habilidades de ingeniería, comunicación y gerencia”. Ahora que tenemos un poco más claro los conceptos de ciencia de datos y de Científico de Datos podemos hablar de, ¿por qué ahora? Aunque los conceptos estadísticos usados en Ciencia de Datos son bastante antiguos de hecho, y las bases de datos junto con la Inteligencia Artificial llevan con nosotros más de 50 años, es recientemente que se conjugan eventos importantes en la aparición de la Ciencia de Datos como disciplina: se logran abaratar costos de manera significativa en el área de acceso y almacenamiento de grandes volúmenes de datos, así como también el procesamiento de los mismos de manera rápida y eficiente gracias a la computación distribuida y el procesamiento paralelo, el aumento en la velocidad de comunicación, la aplicación de nuevos paradigmas y plataformas en el desarrollo de software, así como su implementación, sin olvidarnos de uno de los puntos más importantes: el crecimiento del volumen, la variedad y la velocidad en la generación de datos digitales. Ahora bien, ¿cómo puede esta disciplina ayudar a mi negocio? Para comprender mejor la respuesta a esta pregunta, se pueden nombrar algunos ejemplos conocidos, de cómo la Ciencia de Datos está siendo usada en diferentes compañías en diversas industrias a nivel global: Netflix: Sistema de recomendación de películas basado en el comportamiento del usuario. Waze: Recolecta información desde los móviles de los usuarios para identificar el flujo vehicular en tiempo real y mostrar el comportamiento del tráfico. American Express: Analiza los datos de sus usuarios para predecir patrones de compra, así como también para detectar posibles estafas. General Electric: Utiliza los datos de sensores en maquinaria como turbinas de gas y motores a reacción para identificar formas de mejorar los procesos de trabajo y la confiabilidad. La Ciencia de Datos es una disciplina que utilizando toda la información que se genera cada segundo y que puede ser almacenada, procesada, y accedida rápida y fácilmente, en definitiva ayudaría a mejorar, transformar y crear nuevos procesos en nuestra empresa. Tomando en cuenta lo anterior, supongamos que nuestra compañía es una tienda en línea, ¿cómo puede ayudarnos la Ciencia de Datos a aumentar nuestras ventas, hacer más eficiente nuestro manejo de inventario y mejorar la experiencia del cliente, entre otras cosas? Usando algoritmos de agrupamiento (clustering), mencionando solo algunos como el K-means en cuyo caso es necesario indicar el número de clusters o el HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) el cual realiza el agrupamiento mediante la densidad y cercanía, se pueden desarrollar sistemas de recomendación de productos y segmentación de clientes, con el fin de personalizar o incluso hiperpersonalizar las experiencias de usuario, así como también desarrollar estrategias de marketing basadas en el comportamiento y las características de quienes interactúan con nuestro marketplace. Por otro lado, si logramos captar la atención de nuestros clientes, atraer nuevos y aumentar nuestras ventas, es necesario mantener nuestros inventarios al día, esto podría lograrse prediciendo el volumen de ventas de cada uno de los productos que ofrecemos en nuestro marketplace durante un período determinado de tiempo. Una propuesta para lograrlo sería tal vez, mediante la implementación de algoritmos usados en forecasting, que dependiendo del caso podrían aplicarse LSTM (Long Short-Term Memory) o las GRU (Gate Recurrent Unit) por sus siglas en inglés, las cuales son redes neuronales artificiales de la variación recursiva RNN (Recurrent neural network) siendo muy robustas en el manejo de grandes volúmenes de información y datos no estructurados; también puede ser utilizado el XGBoost (Extreme Gradient Boosting), algoritmo de aprendizaje automático de conjunto basado en árbol de decisiones que utiliza un marco de impulso de gradiente que se comporta muy bien con datos estructurados, solo por nombrar algunos ejemplos. Para mejorar la experiencia de usuario, hacer conversiones (ventas en nuestro caso) más rápidas, captar y mantener la atención de nuestros visitantes entre muchas cosas más referentes al UX/UI (User Experience/ User Interface): se pueden aplicar heatmaps para determinar cuáles objetos de nuestro Website están teniendo mayor o menor cantidad de interacciones; realizar análisis detallados de los resultados obtenidos en un A/B testing en los que se pueden hacer variaciones de color, cantidad, tamaño, y forma de los objetos; tipo, tamaño, color y posición del texto de nuestro website, entre tantísimas otras cosas. La Ciencia de Datos es una disciplina que utilizando toda la información que se genera cada segundo y que puede ser almacenada, procesada, y accedida rápida y fácilmente, en definitiva ayudaría a mejorar, transformar y crear nuevos procesos en nuestra empresa; incluso podrían llegar a darnos una gran sorpresa los resultados obtenidos en un EDA (Exploratory Data Analysis) de la información que nuestra compañía produce, generando la posibilidad de que cambiemos la percepción que tenemos de nuestros usuarios, permitiéndonos ser más eficientes, más rentables y conocer mejor a nuestros clientes a la vez que vamos poco a poco descubriendo los misterios que se esconden detrás de los datos. Fuentes: https://store.hbr.org/product/data-scientist-the-sexiest-job-of-the-21st-century/R1210D http://www.researchmethods.org/DataScienceDataScientists.pdf https://medium.com/datos-y-ciencia/qu%C3%A9-diablos-es-ciencia-de-datos-f1c8c7add107 https://www.youtube.com/watch?v=iJUzouXg5kY https://www.icas.com/thought-leadership/technology/10-companies-using-big-data https://towardsdatascience.com/https-medium-com-vishalmorde-xgboost-algorithm-longshe-may-rein-edd9f99be63d https://towardsdatascience.com/understanding-hdbscan-and-density-based-clustering-121dbee1320e http://dprogrammer.org/rnn-lstm-gru https://towardsdatascience.com/understanding-hdbscan-and-density-based-clustering-121dbee1320e

Netflix, Waze, General Electric y American Express: ¿Qué tienen en común esas empresas?

29 Marzo, 2021 |                  Aunque el término Data Science no es tan nuevo como parece, si comenzó a hacerse muy popular cuando en el año 2012, Harvard Business Review publica el artículo “Data Scientist: The Sexiest Job of the 21st Century”. Pero ... ¿Qué es realmente la Ciencia de Datos?, ¿qué hace un Científico de Datos? y ¿por qué ahora?                  Para comenzar a responder las interrogantes antes planteadas podemos hacer mención del concepto de Ciencia de Datos que aparece en el artículo de Alex Liu “Data Science and Data Scientist” del año 2015: “Es un campo interdisciplinario que involucra métodos científicos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas, ya sea estructurados o no estructurados“.                  Por otro lado, es necesario también definir el rol de Científico de Datos, que según Josh Wills de Slack es “ Una persona que es mejor en estadística que cualquier ingeniero de software y mejor en ingeniería de software que cualquier estadístico“ o tal vez como lo sintetiza Roger Huang de Springboard quien dice que “Un Científico de Datos es un unicornio que une la matemática, los algoritmos, el diseño experimental, habilidades de ingeniería, comunicación y gerencia”.                  Ahora que tenemos un poco más claro los conceptos de ciencia de datos y de Científico de Datos podemos hablar de, ¿por qué ahora? Aunque los conceptos estadísticos usados en Ciencia de Datos son bastante antiguos de hecho, y las bases de datos junto con la Inteligencia Artificial llevan con nosotros más de 50 años, es recientemente que se conjugan eventos importantes en la aparición de la Ciencia de Datos como disciplina: se logran abaratar costos de manera significativa en el área de acceso y almacenamiento de grandes volúmenes de datos, así como también el procesamiento de los mismos de manera rápida y eficiente gracias a la computación distribuida y el procesamiento paralelo, el aumento en la velocidad de comunicación, la aplicación de nuevos paradigmas y plataformas en el desarrollo de software así como su implementación, sin olvidarnos de uno  de los puntos más importantes… el crecimiento del volumen, la variedad y la velocidad en la generación de datos digitales.                 Ahora bien, ¿cómo esta disciplina puede ayudar a mi negocio? para comprender mejor la respuesta a esta pregunta, se pueden nombrar algunos ejemplos conocidos, de cómo la Ciencia de Datos está siendo usada en diferentes compañías en diversas industrias a nivel global: Netflix: Sistema de recomendación de películas basado en el comportamiento del usuario. Waze: Recolecta información desde los móviles de los usuarios para identificar el flujo vehicular en tiempo real y mostrar el comportamiento del tráfico. American Express: Analiza los datos de sus usuarios para predecir patrones de compra así como también para detectar posibles estafas. General Electric: Utiliza los datos de sensores en maquinaria como turbinas de gas y motores a reacción para identificar formas de mejorar los procesos de trabajo y la confiabilidad.                   Tomando en cuenta lo anterior, supongamos que nuestra compañía es una tienda en línea, ¿cómo puede ayudarnos la ciencia de datos?: aumentando nuestras ventas, hacer más eficiente nuestro manejo de inventario y mejorando la experiencia del cliente,  entre otras cosas. Desarrollando nuestro caso de estudio tenemos:                         Usando algoritmos de agrupamiento (clustering), mencionando solo algunos como el K-means en cuyo caso es necesario indicar el número de clusters o el HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) el cual realiza el agrupamiento mediante la densidad y cercanía, se pueden desarrollar sistemas de recomendación de productos y segmentación de clientes, con el fin de personalizar o incluso hiperpersonalizar las experiencias de usuario, así como también desarrollar estrategias de marketing basadas en el comportamiento y las características de quienes interactúan con nuestro marketplace.    Figura 1. Comparación entre K-means donde se indica el número de grupos requeridos  y el HDBSCAN que determina el número de grupos de forma automática. ​             Por otro lado,  si logramos captar la atención de nuestros clientes, atraer nuevos y aumentar nuestras ventas, es necesario mantener nuestros inventarios al día, esto podría lograrse prediciendo el volumen de ventas de cada uno de los productos que ofrecemos en nuestro marketplace durante un período determinado de tiempo. Una propuesta para lograrlo sería tal vez, mediante la implementación de algoritmos usados en forecasting, que dependiendo del caso podrían aplicarse LSTM (Long Short-Term Memory) o las GRU (Gate Recurrent Unit) por sus siglas en inglés, las cuales son  redes neuronales artificiales de la variación recursiva RNN (Recurrent neural network) siendo muy robustas en el manejo de grandes volúmenes de información y datos no estructurados; también puede ser utilizado el XGBoost (Extreme Gradient Boosting), algoritmo de aprendizaje automático de conjunto basado en árbol de decisiones que utiliza un marco de impulso de gradiente que se comporta muy bien con datos estructurados, solo por nombrar algunos ejemplos.   Figura 2. Estructuras de las unidades de RNN, LSTM y GRU respectivamente.                      Para mejorar la experiencia de usuario, hacer conversiones (ventas en nuestro caso) más rápidas, captar y mantener la atención de nuestros visitantes entre muchas cosas mas referentes al UX/UI (User Experience/ User Interface): Se pueden aplicar heatmaps para determinar cuáles objetos de nuestro website están teniendo mayor o menor cantidad de interacciones; realizar análisis detallados de  los resultados obtenidos en un A/B testing en los que se pueden hacer variaciones de color, cantidad, tamaño, y forma de los objetos; tipo, tamaño, color y posición del texto de nuestro website entre tantísimas otras cosas.   Figura 3.  Mapa de calor (heatmap) que muestra la interacción de los usuarios con una página web.   Figura 4. Resultados hipotéticos de un A/B Test                     La Ciencia de Datos es una disciplina que utilizando toda la información que se genera cada segundo y que puede ser almacenada, procesada, y accedida rápida y fácilmente, en definitiva ayudaría a mejorar, transformar y crear nuevos procesos en nuestra empresa;  incluso podrían llegar a darnos una gran sorpresa los resultados obtenidos en un EDA (Exploratory Data Analysis) de la información que  nuestra  compañía produce, generando la posibilidad de  que cambiemos la percepción que tenemos de nuestros usuarios, permitiéndonos ser más eficientes, más rentables y conocer mejor a nuestros clientes a la vez que vamos poco a poco descubriendo los misterios que se esconden detrás de los datos.   Fuentes:   https://store.hbr.org/product/data-scientist-the-sexiest-job-of-the-21st-century/R1210D http://www.researchmethods.org/DataScienceDataScientists.pdf https://medium.com/datos-y-ciencia/qu%C3%A9-diablos-es-ciencia-de-datos-f1c8c7add107 https://www.youtube.com/watch?v=iJUzouXg5kY https://www.icas.com/thought-leadership/technology/10-companies-using-big-data https://towardsdatascience.com/https-medium-com-vishalmorde-xgboost-algorithm-long-she-may-rein-edd9f99be63d https://towardsdatascience.com/understanding-hdbscan-and-density-based-clustering-121dbee1320e http://dprogrammer.org/rnn-lstm-gru            https://towardsdatascience.com/understanding-hdbscan-and-density-based-clustering-121dbee1320e