Las empresas unicornio son start-ups privadas valoradas en más de $1 mil millones. En el año 2022, había alrededor de 900 start-ups unicornio en todo el mundo, con un valor combinado de más de $3.5 trillones. Algunas de las empresas unicornio más populares en 2022 incluyen Airbnb, Uber, Palantir y Pinterest. La empresa de tecnología china Douyin, que es propietaria de TikTok, fue la empresa unicornio más valiosa a nivel mundial, con una valoración de alrededor de 200 mil millones de dólares estadounidenses. El término «unicornio» se acuñó en el año 2013 por Aileen Lee de Cowboy Ventures, quien observó que estas start-ups con un valor de mil millones de dólares eran tan raras como el animal mítico. También han surgido variaciones del término, como «decacornio» (valorado en más de $10 mil millones) y «hectacornio» (valorado en más de $100 mil millones).

Otras Start-ups que vale la pena mencionar son:

• Didi Chuxing
• DoorDash
• Epic Games
• Instacart
• JFrog
• JUUL Labs
• Opendoor
• PagerDuty
• Palantir Technologies
• Robinhood
• SpaceX
• Stripe
• Turo
• UiPath
• WeWork
• Wish
• Zoom
• Zscaler
• Entre otras.

Estas compañías son raras debido a que alcanzar la marca de un mil millardos es increíblemente desafiante. Solo el 0.004% de todas las empresas respaldadas por capital de riesgo logran esta distinción. Según un estudio de Statista de 2022, Douyin, la empresa tecnológica china dueña de TikTok, fue valorada en alrededor de $200 mil millones de dólares, lo que la convirtió en la empresa con mayor valoración en 2022.

Las empresas unicornio pueden ayudar a impulsar el desarrollo de una marca de varias maneras.

Aquí hay algunos ejemplos:

• Las empresas unicornio a menudo son conocidas por sus productos y servicios innovadores, lo cual puede ayudar a diferenciarlas de sus competidores y establecerlas como líderes en la industria. Esto puede ayudar a construir una sólida reputación de marca y atraer a clientes que buscan soluciones de vanguardia.
• Suelen apoyar al rápido crecimiento de marcas por medio de app, y otras aplicaciones de vanguardia, lo cual puede ayudar a construir la conciencia de marca y atraer nuevos clientes. A medida que la empresa crece, también puede expandirse a nuevos mercados y diversificar sus ofertas de productos o servicios, mejorando aún más su marca.
• Dado que las empresas Unicornio han atraído una significativa inversión de firmas de capital de riesgo, firmas de capital privado y inversores estratégicos, cuentan con los recursos y conocimientos necesarios para escalar el negocio y construir marcas.

América Latina ha visto un surgimiento de nuevas empresas en los últimos años, y muchas de ellas han logrado el éxito y alcanzan el estado de «unicornio», lo que significa que están valoradas en $1 mil millones o más. Según diversas fuentes, a partir de 2022 hubo 27 empresas latinoamericanas que alcanzaron el estatus de unicornio, con Brasil con más 12, seguido de Argentina con 5, México con 3, Colombia con 2 y Uruguay con 1. Además, la región ha visto un aumento significativo en la inversión de capital de riesgo en los últimos años, con $14.8 mil millones invertidos solo en 2021 y algunos meses del 2022 (ya que aún no hay cifras de cierre de año 2022), un aumento del 174% desde 2020. Estos unicornios son de naturaleza diversa, algunos están en la plataforma de comercio electrónico automotriz, bienes raíces residenciales y herramientas para pymes, Fintech también es un sector popular en América Latina.

En Centroamérica ¿Cuáles empresas UNICORNIO conoces?

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#empresasunicornio #startups #innovacionycrecimiento #inversionesenstartups #compañíasexitosas

La entrada «Un vistazo a las empresas unicornio más valiosas del mundo» se publicó primero en Analitika.

El mercado de comida rápida ha estado creciendo a nivel mundial, con un tamaño de mercado calculado en USD 647.7 mil millones en 2021, y se prevé que alcance los USD 931.7 mil millones para fines de 2027 a una tasa compuesta anual de 4.6% durante el período de predicción. América del Norte dominó el mercado de comida rápida en 2021 con una participación en los ingresos del 28%. El crecimiento se atribuye al creciente gasto de los consumidores en comida rápida y al cambio en el gusto y la preferencia del consumidor. La introducción de nuevos sabores también está impulsando la demanda de comida rápida en los mercados regionales.

El consumo de comida rápida varía según el grupo de edad, y la cantidad de comida chatarra consumida por grupo de edad disminuye a medida que aumenta la edad. Según los Centros para el Control de Enfermedades, el 44.9% de las personas entre las edades de 20 y 39 años comen comida rápida, el 37.7% de las personas de entre 40 y 59 años comen comida rápida y solo el 24.1% de las personas mayores de 60 años comen comida rápida.

La industria de la comida rápida en los Estados Unidos tiene un valor de $ 278.6 mil millones de dólares en 2021 y se proyecta que alcance más de $ 281.6 mil millones para fines de 2021. A nivel mundial, el mercado es de $ 570 mil millones. Se espera que los ingresos de la industria de comida rápida continúen creciendo año tras año con más restaurantes ingresando al mercado.

Según la Encuesta Nacional de Entrevistas de Salud (NHIS), el 12.5% de los hogares estadounidenses padecían inseguridad alimentaria en algún momento del año.

En los últimos años, ha habido un aumento en el número de cadenas de comida rápida que ofrecen opciones más saludables, como ensaladas, frutas y yogur como parte de su menú. Además, el uso del vinagre de fruta original, el vinagre de sidra de manzana (ACV), como tónico para la salud ha visto una explosión en el crecimiento en los últimos años.

Sin embargo, en comparación con el mismo período del año pasado, los precios en los restaurantes de comida rápida son actualmente más del 7% más altos, parte de un aumento en toda la industria del 6,9% en los precios promedio del menú.

En general, si bien el consumo de comida rápida ha disminuido un poco, hay evidencia de que más consumidores están interesados en opciones más saludables y más cadenas de comida rápida están ofreciendo tales opciones, que se espera que crezcan en el futuro. Además, se espera que los ingresos de la industria de comida rápida continúen creciendo año tras año con más restaurantes que ingresan al mercado.

Las 10 principales marcas de comida rápida en el mundo basados en factores como ingresos, número de ubicaciones y popularidad de marca son:

1. McDonald’s
2. Subway
3. KFC
4. Pizza Hut
5. Domino’s
6. Starbucks
7. Burger King
8. Dunkin’ Donuts
9. Wendy’s
10. Taco Bell.

Estas son las diez principales marcas de comida rápida del mundo, las cuales son conocidas por su amplia presencia a nivel mundial, y son consideradas como las cadenas de comida rápida más populares y exitosas del mundo. Estas marcas tienen una sólida reputación y un sólido rendimiento financiero, basado en los ingresos netos, los ingresos y la rentabilidad. Estas marcas también son populares por sus ofertas de menú, servicio al cliente e imagen de marca en general.

La comida rápida “saludable”

La comida rápida ha sido considerada durante mucho tiempo una fuente de nutrición poco saludable debido a sus altos niveles de sal, azúcar, grasas saturadas, grasas trans, calorías y conservantes e ingredientes procesados. Sin embargo, es posible tomar decisiones más saludables cuando se come en restaurantes de comida rápida.

• Una estrategia para elegir comida rápida más saludable es seleccionar elementos del menú que sean más bajos en calorías, grasas saturadas y sodio. Por ejemplo, elegir una sola hamburguesa en lugar de una hamburguesa doble o triple puede reducir el contenido de calorías y grasas de la comida. Además, optar por guarniciones más saludables, como una ensalada con aderezo bajo en grasa o una papa al horno, puede proporcionar una fuente de nutrientes al tiempo que reduce el contenido general de calorías y grasas de la comida.
• El uso de condimentos, ya que muchos restaurantes de comida rápida ofrecen condimentos altos en calorías y grasas, como la mayonesa, que pueden aumentar significativamente el contenido de calorías y grasas de una comida. Al limitar o eliminar el uso de estos condimentos, las personas pueden elegir comida rápida más saludable.
• Otra estrategia es usar herramientas como la calculadora de comidas rápidas, por ejemplo la aplicación “MyFitnessPal” entre muchas otras. Esta herramienta permite a las personas ingresar sus restricciones y preferencias dietéticas y proporciona recomendaciones para los elementos del menú que cumplen con esos criterios. Además, algunas cadenas de comida rápida ahora proporcionan información nutricional en sus sitios web, lo que también puede ser útil para informarse. Te dejo las 10 apps que conozco para contar calorías.

1. MyFitnessPal
2. Lose It!
3. Calory
4. MyPlate by Livestrong
5. Calory – Diet & Calorie Tracker
6. Fooducate
7. FatSecret
8. Carb Manager
9. Noom
10. Calory – Diet & Calorie Tracker

En los últimos años, ha habido una tendencia creciente hacia ofrecer opciones más saludables en los restaurantes de comida rápida. Esta tendencia está impulsada por la creciente demanda de los consumidores de opciones de alimentos más saludables, así como la creciente conciencia sobre los efectos negativos para la salud de la comida rápida tradicional.

Uno de los principales actores en la industria de la comida rápida que ha adoptado esta tendencia es Chipotle Mexican Grill. Chipotle se ha posicionado como una opción de comida rápida más saludable mediante el uso de ingredientes frescos, no procesados y ofreciendo una variedad de opciones vegetarianas y veganas. La cadena también proporciona información nutricional en su sitio web, lo que facilita a los clientes tomar decisiones informadas.

Otra cadena de comida rápida que se ha comprometido a ofrecer opciones más saludables es Panera Bread. Panera Bread ofrece una variedad de elementos del menú que están hechos con granos enteros, proteínas magras y productos frescos. Además, se han comprometido a eliminar los conservantes, edulcorantes y colores artificiales de su menú para fines de 2020.

Taco Bell, una subsidiaria de Yum! Brands, también ha estado trabajando en esta tendencia lanzando su campaña «Drive-Thru Diet», que promueve opciones de menú bajas en calorías y proporciona información nutricional para los clientes.

McDonald’s también ha estado trabajando para ofrecer opciones más saludables mediante la introducción de elementos como ensaladas, frutas y yogur como parte de su menú.

Estos son solo algunos ejemplos de cadenas de comida rápida que han adoptado la tendencia de ofrecer opciones más saludables. A medida que los consumidores continúan exigiendo opciones de alimentos más saludables, es probable que más cadenas de comida rápida sigan su ejemplo y comiencen a ofrecer opciones de menú más saludables.

Por último, y a manera de resumen, los drivers más importantes a la hora de elegir una opción de restaurante de comida rápida incluyen la variedad de opciones en el menú, la calidad de los ingredientes utilizados, la rapidez y eficiencia del servicio, la ubicación conveniente del restaurante, los precios razonables y la limpieza y la apariencia del lugar. También pueden ser importantes las opiniones y reseñas de otros clientes, así como las iniciativas de responsabilidad social y medioambiental de las marcas.

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#ComidaRápidaSana #ComidaSanaEnMovimiento #OpcionesSaludablesEnComidaRápida #ComidaRápidaConConsciencia #EligeComidaSana

La entrada Comida rápida vs salud: ¿Es posible tener los dos? se publicó primero en Analitika.

La investigación cualitativa es un método de recopilación de datos no numéricos, con el fin de examinar cómo las personas perciben la variable de investigación/su mundo/las marcas, etc. Las técnicas utilizadas en la investigación cualitativa incluyen el análisis de contenido de narrativas, entrevistas en profundidad, grupos focales, observación participante y estudios de casos, a menudo realizados en entornos propios de los participantes de la investigación.

En la era digital, se están utilizando métodos digitales para llevar a cabo investigaciones cualitativas, este método tiene la ventaja de poder llegar a un gran número de participantes y recolectar datos en tiempo real. Sin embargo, también plantea desafíos como la privacidad de datos entre otros. Los métodos tradicionales de investigación cualitativa, como las entrevistas cara a cara y los grupos focales, pueden ser percibidos más confiables si se realizan en persona, ya que proporciona información más profunda y matizada, sin embargo, esa percepción está cambiando aceleradamente y el uso de la investigación cualitativa digital es un hecho común en 2023 y lo seguirá siendo cada vez más. La elección del método de investigación (cara a cara/digital) depende finalmente del tema de investigación, la pregunta de investigación y los recursos y el tiempo disponibles.

La investigación cualitativa digital puede cambiar la investigación de mercado tradicional de varias maneras:

En primer lugar los métodos de investigación cualitativa digital pueden utilizarse para recolectar datos de un gran número de participantes en un período de tiempo relativamente corto, mientras que los métodos de investigación de mercado tradicionales, como las entrevistas en persona y los grupos focales, a menudo se adecuan al tiempo del consumidor y suelen ser mucho más costosas.

En segundo lugar, los métodos de investigación cualitativa digital utilizan la tecnología digital para facilitar el análisis de datos, el eye tracking, sentiment analysis y otros métodos son aplicables en un ambiente digital cualitativo. Las herramientas, como el software de análisis de texto y el software de visualización de datos, pueden ayudar a los investigadores a analizar rápida y fácilmente grandes cantidades de datos, mientras que los métodos de investigación de mercado tradicionales a menudo requieren codificación y categorización manual de datos, etc…

En tercer lugar, los métodos de investigación cualitativa digital permiten a los investigadores llegar a una población más amplia y diversa, ya que pueden recolectar datos de participantes ubicados en diferentes regiones y de diferentes grupos demográficos. Los métodos de investigación de mercado tradicionales a menudo tienen limitaciones en términos del número de participantes y el alcance geográfico.

En cuarto lugar, estos métodos permiten más flexibilidad en términos de recolección y análisis de datos, así como de horarios. Los investigadores pueden cambiar su diseño de investigación y métodos en cualquier etapa del proceso de investigación, mientras que los métodos de investigación de mercado tradicionales a menudo son más rígidos.

En quinto lugar, la investigación cualitativa digital proporciona retroalimentación en tiempo real, permitiendo a nosotros los investigadores hacer ajustes a su diseño de investigación o métodos de recolección de datos según sea necesario. La investigación de mercado tradicional a menudo requiere un tiempo significativo para la recolección y análisis de datos, lo que puede retrasar el proceso de retroalimentación.

En sexto lugar, son a menudo menos caros que los métodos tradicionales de investigación de mercado.

La Confiabilidad de lo digital versus lo presencial

Por otra parte, al analizar la confiabilidad de la investigación cualitativa digital y la investigación cara a cara se deben definir desde la perspectiva de varios factores, tales como el diseño de la investigación, los métodos de recopilación de datos y los métodos de análisis de datos utilizados. Ambos métodos tienen sus propias ventajas y limitaciones, y la elección del método a utilizar dependerá de la pregunta de investigación y del contexto específico del estudio.

Para que la investigación sea confiable, el diseño de la investigación debe ser sólido, los métodos de recopilación de datos deben ser apropiados e imparciales, y los métodos de análisis de datos deben ser rigurosos. Además, el investigador debe ser transparente y honesto acerca de sus métodos, y los resultados deben ser reportados de una manera clara e imparcial.

En general, la elección entre la investigación cualitativa digital y la investigación cara a cara debe hacerse en función de la pregunta de investigación, el contexto específico del estudio y los recursos y limitaciones del equipo de investigación. Es importante considerar las limitaciones potenciales de cada método y desarrollar estrategias para mitigarlas con el fin de garantizar la fiabilidad y validez de la investigación.

Por ejemplo, si un investigador está interesado en estudiar un tema delicado y quiere garantizar el anonimato y la privacidad de los participantes, los métodos digitales, como las encuestas en línea, pueden ser más apropiados. Por otro lado, si el investigador está interesado en estudiar señales no verbales y desea recopilar información profunda y detallada, los métodos cara a cara, como las entrevistas en persona, pueden ser más apropiados. Además, es importante considerar las posibles limitaciones de los datos digitales y utilizar métodos apropiados para verificar los datos, como el uso de diferentes fuentes, la verificación cruzada con otros datos y la búsqueda de comentarios de los participantes.

Por lo tanto, es importante considerar las limitaciones potenciales de cada método y desarrollar estrategias para mitigarlas para garantizar la confiabilidad y validez de la investigación.

Aunque la investigación cualitativa es valiosa para obtener una comprensión profunda de los participantes y sus perspectivas, también es importante asegurar su confiabilidad. La confiabilidad se refiere a la consistencia y estabilidad de los resultados de la investigación.

Existen varios métodos utilizados para validar la confiabilidad en la investigación cualitativa, algunos de estos incluyen:

1. Triangulación, utilizando varias fuentes de datos y metodologías para obtener una comprensión más completa y precisa del tema de investigación.

2. Estudio de caso múltiple, utilizando varios casos para obtener una comprensión más completa del fenómeno estudiado.

3. Análisis de contenido, utilizando técnicas de análisis de contenido para analizar y categorizar los datos recolectados.

4. Revisión por pares, sometiendo los resultados de la investigación a un grupo de expertos para su revisión y comentarios.

5. Retroalimentación de los participantes, obteniendo retroalimentación de los participantes sobre la validez y confiabilidad de los resultados de la investigación.

6. En la era digital, también es importante asegurar la confiabilidad de la investigación cualitativa digital. Algunos de los métodos utilizados para validar la confiabilidad en la investigación cualitativa digital incluyen:

7. Verificación de la autenticidad de las fuentes de datos, asegurando que los datos recolectados provienen de fuentes confiables y auténticas.

8. Verificación de la identidad de los participantes, es decir un buen filtro, que asegure que los participantes son quienes afirman ser.

9. Análisis de datos en tiempo real, utilizando herramientas digitales para analizar y categorizar los datos en tiempo real, lo que permite hacer ajustes a la investigación en función de los resultados obtenidos.

10. Otra técnica utilizada es la auto, donde el investigador se considera a sí mismo como una fuente de datos y reflexiona sobre su papel en la investigación. La validación cruzada, donde los datos recolectados son verificados por un segundo investigador, también es un método utilizado para garantizar la confiabilidad.

11. Peer debriefing, involucar compartir los hallazgos con otros investigadores y discutir los métodos de recopilación y análisis de datos utilizados para establecer la confiabilidad de los hallazgos.

12. Prolonged engagement, nos lleva a pasar una cantidad significativa de tiempo con los participantes para generar confianza y establecer una comprensión más profunda de sus perspectivas y experiencias. Esto se puede hacer a través de visitas repetidas o mediante la realización de un estudio a largo plazo.

13. Auditing, obedece a que un investigador o experto independiente revise los métodos de recopilación y análisis de datos para establecer la confiabilidad de los hallazgos.

Además, también es importante tener en cuenta las limitaciones y sesgos potenciales en la investigación cualitativa. Por ejemplo, los datos recolectados en línea pueden estar sesgados hacia individuos con acceso a Internet y habilidades digitales, mientras que los datos recolectados cara a cara pueden estar sesgados hacia individuos dispuestos a participar en la investigación por el pago o regalo por su participación. Es importante ser consciente de estos factores y tomar medidas para minimizarlos. Es importante señalar que la fiabilidad de la investigación cualitativa no siempre es fácil de establecer, ya que los hallazgos son a menudo subjetivos y abiertos a la interpretación del investigador. Sin embargo, mediante el uso de una combinación de estos métodos, los investigadores pueden aumentar la credibilidad y la confiabilidad de sus hallazgos.

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#QualitativeResearch #DigitalMethods #DataCollection #ResearchMethods #MarketResearch

#Estudios de Mercado Guatemala
Estudio de Marca Guatemala
Salud de Marca Guatemala
Posicionamiento de Marca Guatemala
Investigación de mercados Guatemala
Insights en Guatemala
Investigación cuantitativa en Guatemala
Investigación cualitativa en Guatemala
Neuromarketing en Guatemala
Encuestas en Guatemala
Grupos focales en Guatemala
Focus group en Guatemala
Estudios de Mercado El Salvador
Estudio de Marca El Salvador
Salud de Marca El Salvador
Posicionamiento de Marca El Salvador
Investigación de mercados El Salvador
Insights en El Salvador
Investigación cuantitativa en El Salvador
Investigación cualitativa en El Salvador
Neuromarketing en El Salvador
Encuestas en El Salvador
Grupos focales en El Salvador
Focus group en El Salvador
Estudios de Mercado Honduras
Estudio de Marca Honduras
Salud de Marca Honduras
Posicionamiento de Marca Honduras
Investigación de mercados Honduras
Insights en Honduras
Investigación cuantitativa en Honduras
Investigación cualitativa en Honduras
Neuromarketing en Honduras
Encuestas en Honduras
Grupos focales en Honduras
Focus group en Honduras
Estudios de Mercado Nicaragua
Estudio de Marca Nicaragua
Salud de Marca Nicaragua
Posicionamiento de Marca Nicaragua
Investigación de mercados Nicaragua
Insights en Nicaragua
Investigación cuantitativa en Nicaragua
Investigación cualitativa en Nicaragua
Neuromarketing en Nicaragua
Encuestas en Nicaragua
Grupos focales en Nicaragua
Focus group en Nicaragua
Estudios de Mercado Costa Rica
Estudio de Marca Costa Rica
Salud de Marca Costa Rica
Posicionamiento de Marca Costa Rica
Investigación de mercados Costa Rica
Insights en Costa Rica
Investigación cuantitativa en Costa Rica
Investigación cualitativa en Costa Rica
Neuromarketing en Costa Rica
Encuestas en Costa Rica
Grupos focales en Costa Rica
Focus group en Costa Rica
Estudios de Mercado Panamá
Estudio de Marca Panamá
Salud de Marca Panamá
Posicionamiento de Marca Panamá
Investigación de mercados Panamá
Insights en Panamá
Investigación cuantitativa en Panamá
Investigación cualitativa en Panamá
Neuromarketing en Panamá
Encuestas en Panamá
Grupos focales en Panamá
Focus group en Panamá
Estudios de Mercado Belize
Estudio de Marca Belize
Salud de Marca Belize
Posicionamiento de Marca Belize
Investigación de mercados Belize
Insights en Belize
Investigación cuantitativa en Belize
Investigación cualitativa en Belize
Neuromarketing en Belize
Encuestas en Belize
Grupos focales en Belize
Focus group en Belize
#

La entrada Investigación cualitativa y cuantitativa para las marcas: Estudios de mercado en Centroaméric se publicó primero en Analitika.

Todo apunta a que la economía mundial experimentará un fuerte slowdown económico en este año 2023, con un crecimiento esperado de sólo 1.7%, en comparación con el 3% que se esperaba hace seis meses en cifras del Banco Mundial. Este slowdown se atribuye a varios factores, como la inflación elevada, los mayores tipos de interés, la inversión que se verá reducida y los efectos causados por la invasión de Ucrania por parte de Rusia.

Las perspectivas económicas globales para 2023, según el FMI, el Banco Mundial, la CEPAL, la Comisión Económica Europea, la Reserva Federal de Estados Unidos y otras instituciones reconocidas a nivel mundial no son alentadoras para 2023.

Según el Fondo Monetario Internacional (FMI), en la región centroamericana se espera que se experimente una desaceleración en el crecimiento económico en 2023. El FMI señala factores como el impacto de la pandemia de COVID-19 que sigue generando efectos negativos en las economías, los altos niveles de deuda y la incertidumbre política y económica en la región como contribuyentes a la desaceleración.

El Banco Mundial también pronostica una desaceleración en la región centroamericana en 2023, con un crecimiento que se verá afectado por los mismos factores mencionados por el FMI. El Banco Mundial también destaca la dependencia de la región de las exportaciones y las remesas, que se espera que se vean afectadas negativamente por la desaceleración económica global.

La Comisión Económica para América Latina y el Caribe (CEPAL) también pronostica una desaceleración en la región centroamericana en 2023, con un crecimiento que se espera sea menor que la media histórica. La CEPAL señala el impacto de la pandemia de COVID-19, la disminución de los precios de los productos básicos y la disminución del turismo como factores contribuyentes a la desaceleración.

La Comisión Económica Europea (CEE) también espera una desaceleración en la región centroamericana en 2023, con un crecimiento que se espera sea menor que la media histórica. La CEE señala el impacto de la pandemia de COVID-19, la disminución de los precios de los productos básicos y la disminución del turismo como factores contribuyentes a la desaceleración.

La Reserva Federal de los Estados Unidos (FED) también espera una desaceleración en la región centroamericana en 2023, con un crecimiento menor que la media histórica. La FED señala entre otros la disminución de los precios de los productos básicos, la inflación y la disminución del turismo como factores contribuyentes a la desaceleración.

Las principales causas del slowdown mundial para 2023 incluyen:

El impacto de la pandemia de COVID-19, que ha causado una generalizada interrupción económica, aumento precios del petróleo, gas, una disminución del comercio mundial entre otros.

Inflación elevada, lo que puede dar lugar a tipos de interés más altos y una inversión reducida.

Nuevas interrupciones causadas por la invasión de Ucrania por parte de Rusia, lo que puede reducir el comercio y aumentar la incertidumbre económica.

El impacto en Centroamérica

Altos niveles de deuda en la región, lo que puede dificultar que los países respondan a los desafíos económicos.

Incertidumbre política y económica continua en la región de América Central, lo que puede reducir la inversión y el crecimiento económico.

Dependencia de las exportaciones y las remesas en la región de América Central, lo que puede verse afectado negativamente por el ralentizamiento económico mundial.

Declive en los precios de los productos básicos y el turismo en la región de América Central, lo que también puede afectar negativamente el crecimiento económico.

Es importante tener en cuenta que estas son previsiones y que los eventos reales pueden ser diferentes a las predicciones. La previsión económica a menudo es incierta por ello ha sido importante considerar varias fuentes y perspectivas al analizar las condiciones económicas.

Como indicamos según el Banco Mundial, la economía mundial está en riesgo de entrar en una recesión en 2023. El banco ha reducido su proyección de crecimiento para 2023 del 3% al 1,7%, lo que marcaría la tercera tasa más baja de crecimiento en casi tres décadas. El banco teme que nuevos shocks adversos multipaís puedan llevar a la economía mundial a la recesión en 2023, con los estados pequeños especialmente vulnerables.

En América Central, países como El Salvador, Guatemala, Nicaragua, Honduras, Costa Rica y Panamá se espera que se desempeñen mejor que la media mundial. Sin embargo, el Banco Mundial no ha publicado proyecciones específicas de crecimiento para estos países en 2023.

Según el Banco Mundial, se espera que los países en desarrollo crezcan al 3,4% en 2023, lo mismo que en 2022, pero aún solo aproximadamente la mitad del ritmo del 2021. Es decir,

No sólo se verá afectada la economía centroamericana, por ejemplo te cito los impactos que se prevén para otras regiones:

• El crecimiento del PIB de China se prevé que disminuya del 5,2% al 4,3% en 2023.
• El crecimiento del PIB de Japón se prevé que disminuya del 1,3% al 1% en 2023.
• El crecimiento del PIB de Europa y Asia Central se prevé que disminuya del 1,5% al 0,1% en 2023.
• América Latina y el Caribe se espera que el crecimiento se desacelere a 1,3 % en 2023.
• Medio Oriente y África del Norte el crecimiento se desacelerará a 3,5 % en 2023.
• Entre otras

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#SlowdownEconomico2023 #DesaceleracionRegionCentroamericana #PandemiaCOVIDImpactoEconomico #InflacionAltaInterésAlto #DisminucionTurismoInversiones

La entrada «La recuperación económica en riesgo: Pronósticos para 2023» se publicó primero en Analitika.

¿Qué es el Machine Learning-Aprendizaje Automático y algunos beneficios que pueden obtener las empresas?

El ‘machine learning’ conocido como – ‘aprendizaje automático’ – es la capacidad de las máquinas para aprender a partir de los datos. Es una rama de la inteligencia artificial que ha tomado auge en los últimos 20 años mejorando el desempeño en las empresas. Básicamente, se refiere a la creación y a la programación de modelos matemáticos, compuestos por algoritmos de aprendizaje automático, para “enseñarle” a las computadoras a identificar patrones y a crear posibles escenarios con suposiciones coherentes, basado en grandes volúmenes de datos previamente analizados por las mismas, con la finalidad de generar contenido de valor o nueva información.

Es muy importante conocer, diferenciar y apreciar similitudes en los conceptos de Data Mining & Machine Learning:

Data Mining: es la exploración y análisis, por medios automáticos o semiautomáticos, de grandes cantidades de datos con el propósito de descubrir patrones y reglas interesantes. (Berry & Linoff, s/f)

Machine learning: estudia cómo las computadoras pueden aprender o mejorar su desempeño, basándose en datos existentes. (Han, Kamber & Pei, 2011)

Es decir, el Data Mining nos ayuda a identificar patrones ocultos en grandes bases de datos, mientras el Machine Learning con su aprendizaje constante nos ayuda a realizar predicciones e inferencias sobre acontecimientos futuros. Ambos agilizan el dragado de los Data Lake que acopian las empresas y que hemos observado por mucho tiempo permanecer estáticos o inaprovechables, en el mejor de los casos solo meses y en el peor por muchos años. Estos lagos de datos que se generan deben tener un tratamiento adecuado para evitar se conviertan en Data Swamp o Pantano de Datos, es decir, un desperdicio de recursos, diamante en bruto sin extraer y procesar.

¿Cuáles son los diferentes tipos de Machine Learning?

Dentro de los modelos de Machine Learning encontramos tres tipos principales:

Aprendizaje Supervisado

Es un algoritmo que consiste en una variable dependiente (label) o variable objetivo (target) para realizar una predicción dado un conjunto de variables de entrada o predictoras. Generalmente, se debe responder una pregunta que contiene el objetivo que se desea conocer: por ejemplo, ¿Qué grupo de clientes podrían comprar nuestros productos o servicios? El objetivo es comprar. Usando dicho conjunto de variables de entrada, se crea una función que agrupa los aportes correspondientes con la respuesta deseada y un margen de error tolerable, debido a que ningún modelo es perfecto. El proceso de entrenamiento de este algoritmo es constante hasta lograr un nivel deseado de precisión con los datos usados en el entrenamiento. Las técnicas de modelado utilizadas en el aprendizaje supervisado son: regresión lineal, regresión logística, árboles de regresión, árboles de clasificación, KNN, deep learning/neural networks, naive bayes, etc.

Podemos agregar respecto al aprendizaje supervisado, este se divide en dos tipos: de predicción y de clasificación. En el tipo de predicción, la variable a pronosticar es continua o numérica, mientras que en la de clasificación, la variable a pronosticar es nominal o categórica.

Aprendizaje Sin Supervisión

No existe la variable objetivo (target) o de resultado en este algoritmo (variable dependiente o label). En cambio, se utiliza para agrupar poblaciones en diferentes categorías. Por ejemplo: se aplica para segmentar clientes en diferentes grupos objetivo. La pregunta que debemos responder sería ¿Podemos encontrar nuevos grupos de clientes? Es decir, sería posible determinar mediante un proceso de clusterización, nuevos segmentos o nichos de mercado. Algunas técnicas de modelado utilizadas en el aprendizaje no supervisado son: regresión lineal y logística, los árboles de decisión, las redes neuronales y K-NN (k -nearest neighbor), etc.

Aprendizaje reforzado

Al usar este algoritmo, las computadoras estarían listas para tomar decisiones especificas en un entorno de prueba y error. La máquina aprende de experiencias pasadas e intenta capturar el mejor conocimiento para tomar decisiones cada vez más precisas (Deep Learning y las redes neuronales). Este tipo de aprendizaje se da cuando nuestra variable objetivo es una secuencia de acciones que serán ejecutadas en un entorno de simulación con el objetivo que se deba realizar una determinada tarea por la cual un agente es recompensado o penalizado si la tarea es correcta o incorrecta. Un ejemplo son los vehículos de Tesla para reconocer y diferenciar objetos de las personas en las calles y hacer las diferentes maniobras de forma automática.

¿Cómo se pueden obtener en las empresas los beneficios que brinda el Machine Learning?

Las técnicas de modelamiento y el uso de este tipo de tecnologías están presentes en muchos productos y servicios que utilizamos en la vida cotidiana, desde las recomendaciones de Netflix, las músicas de Spotify, respuestas inteligentes de Gmail, ChatBot empresariales, conversaciones con Siri y Alexa, las búsquedas en Google, su cada vez más eficiente traductor de idiomas, Amazon con las recomendaciones de productos más vendidos, etc.

Sin duda, el Machine Learning es indiscutiblemente una herramienta muy poderosa para crear ventaja competitiva en las empresas en esta era, puesto que les da un valor añadido al transformarlas en opciones más confiables ante los ojos de sus clientes.

Podemos mencionar algunos casos de Éxito con el Machine Learning:

Amazon

El servicio al cliente de cada empresa es uno de los aspectos más importantes que se debe cuidar y maximizar la calidad y eficiencia, ya que sencillamente de este depende la calidad de su imagen (branding), su posición entre la competencia (market share) y por consiguiente, hasta su sostenibilidad y rentabilidad en el tiempo. Muchas empresas como Amazon ya han invertido e implementado aplicaciones de Machine Learning en sus procesos de la cadena valor con el fin de ofrecer la mayor eficiencia en su servicio al cliente.

Por ejemplo, Amazon utiliza Machine Learning (Inteligencia Artificial) para establecer la diferencia en la experiencia de compra de sus clientes: en las tiendas Amazon Go (versión de tienda física), el cliente durante la compra recibe el beneficio de optimizar su tiempo en la tienda, nunca tienen que lidiar con las filas de las cajas registradoras debido a que todos los artículos que se ponen en la bolsa física de compras son automáticamente reconocidos al instante de ser retirados de las repisas o estanterías. Los algoritmos de Machine Learning facilitan que cada artículo retirado por el cliente sea paralelamente escaneado al carro virtual y se genere la factura asociada a las tarjetas de crédito/débito registrada previamente en la aplicación del Smartphone del cliente. Amazon tiene un portal web, donde se lleva un historial de compras del cliente y durante el mismo proceso de aprendizaje del algoritmo, aprende a reconocer los patrones de compra de cada cliente, al final, con los datos de compra se va creando un sistema de recomendación que sugieren las futuras compras de: los mismos productos, productos complementarios o relacionados, productos que compran algunas personas del mismo segmento de mercado y que pueden ser del interés del cliente

Thyssenkrupp

Como parte de la incorporación de la Inteligencia Artificial en particular el Machine Learning, Thyssenkrupp Norte SA (grupo tecnológico líder absoluto en el mercado de las escaleras mecánicas y elevadores) realizó el proyecto IALift (número de expediente IDE/2018/000322), en el cual, participaron los científicos de datos en la mejora continua acerca del tiempo de servicio en los ascensores. El objetivo del proyecto era reducir los tiempos de espera para los/as usuarios/as de los ascensores. Para ello, los científicos hicieron un análisis de los datos de funcionamiento de varios elevadores apoyándose en la herramienta de BigML. Es notable destacar, que la preparación de los datos obtenidos de los data lake puede llevar entre el 80- 90% del tiempo para preparar el modelo. Normalmente estos modelos constan de tres pasos, estos son:

1. Recopilar un conjunto de datos históricos de valor.
2. Crear un modelo con los datos (entrenamiento de un algoritmo).
3. Hacer predicciones.

Los data scientists (científicos de datos) lanzaron diferentes algoritmos hasta lograr un modelo capaz de predecir con una probabilidad muy elevada cuál será el siguiente piso en el que se accione el ascensor. Este desarrollo permitió no solo añadir nuevas funcionalidades a los productos de ThyssenKrupp, sino mejorar el servicio que la empresa ofrece y reducir el impacto económico y medioambiental en sus instalaciones gracias a la optimización en el consumo energético de los ascensores.

Empresas en General

Hoy en día el control de los clientes que ingresan y se marchan son de mucha importancia, los costos son entre 7-9 veces superiores adquirir un cliente nuevo vs retener uno ya existente. Por eso, resulta importante conocer qué clientes están pensando en darse de baja (Churn) en los productos y servicios para iniciar acciones comerciales estratégicas que eviten que se vayan a la competencia. La pregunta que la empresa debe hacerse sería: ¿Cómo puedo saberlo? Las empresas mantienen muchos datos de los clientes en su poder (cantidad, antigüedad, planes contratados, consumo diario, reclamos y sugerencias, nivel de ingresos, geolocalización, gustos y preferencias, ocio, nivel de educación, cantidad de hijos, etc.) pero seguramente los utiliza solo para facturar y generar algunos estudios básicos internos, por ejemplo: para reabastecerse de inventarios, hacer el estado de resultado del período, balance de situación y quizás una meta en porcentaje de ventas del próximo año. ¿Qué otras luces podrían darnos estos datos, que están ocultas para nuestros ojos?

Los datos modelados (modelos de ciencias de datos y machine learning) son útiles para descubrir y predecir cuándo un cliente va a dejar de hacer negocios con nosotros y gestionar oportunamente un plan de acción que lo evite. El Machine Learning nos permite anticipar, mejorar y resolver la experiencia de compra de los clientes en nuestra empresa, nos permite dejar de ser reactivos frente a la conducta de los clientes para ser proactivos, brindando un servicio y atención personalizada

Es un hecho, que la cantidad de datos históricos de los clientes debidamente extraídos de los data lake o warehouse, tratados y organizados generan una base de datos (información valiosa) que se puede explotar para predecir futuros comportamientos de los clientes y el mercado, favorecer aquellos que mejoran los objetivos de negocio y evitar aquellos que son perjudiciales, por ejemplo: pérdidas de ventas potenciales por falta de productos o servicios y el sobre stock de aquellos que se estimaron de alta rotación y en realidad no fue así.

Para concluir, podemos destacar que existen muchos ejemplos de éxito utilizando los modelos de machine learning, el máximo potencial está en los soportes técnicos y servicio de atención al cliente, sobre todo hoy los clientes se encuentran en el espacio digital, interconectados, con presencia omnicanal, reduciéndose los costos para cambiar con facilidad de proveedores de productos y servicios.

Lo que estamos viviendo hoy en día, ya se hacían las proyecciones a futuro. Por ejemplo: Gartner predecía para el 2021 que el 15% de las interacciones que se realicen en el servicio al cliente serían manejadas por inteligencia artificial, optimizando recursos humanos y alcanzando un mayor rendimiento de los agentes de atención (ChatBot atendería simultáneamente a muchos clientes con gestiones rutinarias, mientras los agentes lo harían en temas de mayor complejidad y personalización). Por otro lado, las empresas que ya utilizan la IA tienen grandes expectativas respecto de las posibilidades que brinda esta tecnología. Según MIT Technology Review, alrededor del 50% de las empresas que ya utilizan sistemas con machine learning espera tener más visión, mientras que el 40% espera poder mejorar sus productos a partir de los análisis de datos.

Muchas empresas manejan bases de datos muy complejas y extensas que, por lo general, resultan convirtiéndose en un arma de doble filo, es decir, deja en evidencia que el negocio se está expandiendo, pero esto también afecta la calidad del servicio al cliente, por lo inmanejable de la gran cantidad de datos. Por consiguiente, el Machine Learning les facilita a las empresas mantener un nivel de servicio eficiente, trayendo consigo la satisfacción excepcional del cliente y como saldo final el logro de los objetivos estratégicos de la empresa, fortaleciendo y gozando de excelente imagen ante su mercado meta, sociedad y país.

José Dávila, Nicaragua

#MachineLearning #AprendizajeAutomatico #DataMining #IA #AprendizajeSupervisadoNoSupervisado

La entrada Machine learning – Aprendizaje automático se publicó primero en Analitika.

A través del tiempo he realizado y participado en procesos de reclutamiento, selección y contratación de personal, quiero decir, en muchas entrevistas (subjetivas) a posibles candidatos que van a integrar la organización empresarial, el proceso ha sido orientado hacia personal operativo, supervisión, jefatura y gerencial, podría decir la base de la producción y la prestación de servicios.

Qué ha sido más importante al momento de reclutar, seleccionar y contratar: ¿Inteligencia Emocional o Experiencia?

En realidad, todo depende de la posición que se quiere balancear, utilizo esta importante palabra porque en la vida personal como en las organizaciones, el mismo universo y la naturaleza, siempre dependen del equilibrio y el balance para su correcto funcionamiento. Entonces, al momento de realizar entrevistas a posibles candidatos y evaluar su CV. Además de prestar atención e importancia a su experiencia de trabajo, así como sus logros y grados académicos.  Debemos plantearnos el objetivo de minimizar el margen de error entre la contratación y el fracaso, para ello, queremos obtener ciertas garantías de que el nuevo miembro será un buen empleado, compañero o líder exitoso. Mi recomendación es nunca desestimar el aporte de un candidato con experiencia, ni tampoco omitir el aporte del potencial que tendría un nuevo miembro que demuestre alta inteligencia emocional.

¿Qué exactamente es la inteligencia emocional? 

Algo que siempre me sorprendió para comprender este concepto, lo mencionó Daniel Goleman psicólogo y redactor científico del New York Times en su libro Inteligencia Emocional (1995). El desafío de Aristóteles: 

“Cualquiera puede enfadarse, eso es algo muy sencillo. Pero enfadarse con la persona adecuada, en el grado exacto, en el momento oportuno. Con el propósito justo y del modo correcto, eso, ciertamente, no resulta tan sencillo”.

Esta ha sido una valiosa frase y consejo a quien integra mi equipo de trabajo, no ha sido posible identificarlos con una tasa infalible de acierto del 100% a la primera, durante una entrevista de trabajo está muy oculto quien realmente domina sus emociones, se requiere interacción con las personas para identificarlos y poder hacer inferencias acerca de la conducta futura dentro de la organización.

Como definición, es cierto, la inteligencia emocional es la capacidad de reconocer, comprender y manejar nuestras emociones, así como reconocer, comprender e influenciar las emociones de los demás.  Un resumen del conjunto de habilidades debería ser:

• Conciencia de sí mismo
• Autorregulación 
• Motivación
• Empatía
• Habilidades interpersonales

Una meta sine cua non en el reclutamiento, selección y contratación de talento:

Evitar el fracaso del personal, mencioné la palabra balancear con anterioridad porque se requieren muchas habilidades y en verdad, entre más alta es la posición del ejecutivo en la jerarquía organizacional, más cruciales son las habilidades relacionadas a la inteligencia emocional

Un estudio realizado por el Center for Creative Leadership encontró cinco factores de éxito y tres causas más significativas para el fracaso de los ejecutivos:

Factores de Éxito:

• Alcance del trabajo y funciones organizativas (responsabilidad y autoridad)
• Red de relaciones (personas y política)
• Normas de la casa (entendimiento y respeto por la cultura existente)
• Lo que importa (expectativas del líder y su alineamiento con los objetivos de la directiva)
• Aporte genuino (además de las expectativas colectivas, aportes basado en el carácter y talento propio)

Causas del Fracaso:

• Dificultad para adaptarse al cambio
• Inhabilidad de trabajar en equipo
• Pobres relaciones interpersonales

Algunas técnicas convencionales para medir cuán bien un candidato se conocen a sí mismo, sus emociones, fortalezas y debilidades:

• Evaluar las emociones con una experiencia del candidato:

Durante la entrevista pedirle, por favor, nos comente una situación que vivió, en la cual, se dejó llevar por sus emociones y en consecuencia hizo algo que luego lamentó y sintió que no había actuado de forma correcta y estaría dispuesto a no repetirlo. Se considera como un buen indicador de inteligencia emocional, aquellos candidatos que tienen la habilidad de contar su experiencia con honestidad, humor autocrítico, se transportan a la situación y la recuerdan como si fuese en tiempo real. Si por el contrario la situación la prefiere evitar o la recuerdan irritándose y frustrándose por ella, en este caso, usted debe valorar que tiene solución, que estos candidatos requieren trabajar más con ello para lograr el éxito, nunca lo descalifique, porque usted como reclutador también perdería empatía en no comprender la conducta de su candidato y cómo podría ayudarle a superar las causas comunes de fracaso.

• Cómo saber si un candidato posee empatía:

Siempre enfocado en interactuar con su candidato, puede preguntarle sobre una situación donde un compañero de trabajo, su jefe inmediato o un empleado de su equipo se molestó con usted, entre ellos o viceversa y cómo lograron lidiar con la situación, si llegaron a un feliz desenlace y un ambiente de comprensión o hubo sanciones, despidos, insultos, etc. Un buen indicador de inteligencia emocional es una persona que optimiza el tiempo para reflexionar y pensar antes de contestar.  Asimismo, usted está captando el lenguaje corporal de su candidato, la contestación debe incluir algunos gestos, expresiones para entender y encontrar la divergencia de puntos de vista de la situación, aunque no necesariamente esté de acuerdo con los involucrados.

• Para evaluar sus aptitudes sociales:

Acá es importante conocer del candidato, su experiencia en los proyectos más relevantes de su vida, las actividades o situaciones más complejas, las dificultades encontradas en la implementación, ejecución, organización sobre todo el manejo de agendas corporativas, temperamentos y cómo logró la colaboración entre compañeros de trabajo, directivos, comunidades, gobiernos, etc.

¿Qué papel desempeña el Deep Learning en la búsqueda de los mejores talentos para su organización?

Hasta este momento hemos conversado acerca del proceso de contratación y la inteligencia emocional, usted es un tomador de decisiones, sabe que el éxito de su organización depende de su capacidad y asertividad para llevar a los mejores talentos, no solo puede depender de su experiencia, intuición o en algo que considero oportuno mencionar, sus sesgos y prejuicios, añadiría algo más sus propios intereses como reclutador de talento. El utilizar técnicas convencionales, de por sí, ya reduce la probabilidad de llevar empleados al fracaso dentro de la organización, ahora llegó el momento del Deep Learning para fortalecer su toma de decisiones.

La era digital y la inteligencia artificial van de la mano cuando se habla de transformación en empresas y organizaciones. Lo mismo ocurre con nuevos modelos de negocio que hoy generan ventajas competitivas globales de forma sostenida. Si quieren lograr esas ventajas, las organizaciones requieren de profesionales calificados para enlazar esta tecnología con las necesidades y los requerimientos del negocio, alcanzar sus metas empresariales y llevar adelante su estrategia de transformación digital. (Silva, INCAE Business School, 2022).

Figura 1. Relación entre AI, aprendizaje de máquina y aprendizaje profundo

La Inteligencia Artificial es un área muy extensa que engloba diferentes técnicas y herramientas para que los sistemas puedan replicar comportamientos similares al de los seres humanos. y uno de ellos es la capacidad de aprender; para hacer esto, utiliza el aprendizaje profundo. La realidad es que el aprendizaje profundo se deriva del aprendizaje automático y en conjunto forman parte de la inteligencia artificial.

Teniendo en mente estos conceptos básicos del Deep Learning nos enfocamos en herramientas que podemos implementar:

• Un superbot capaz de analizar e interpretar emociones con Deep Learning:

Paralelamente a las tecnologías de reconocimiento facial para detectar emociones, Hoy en día estamos viviendo un auge de los sistemas de interpretación del lenguaje tanto de texto como de voz, sonidos, música, etc. ¿Te imaginas un robot capaz de analizar las emociones de las personas con solo escucharlas? Esta tecnología ya existe: se llama Clara y es obra de la empresa española Predictiva.

Este superbot, capaz de procesar miles de conversaciones en paralelo (al instante durante una conversación), analiza factores como la entonación o el tipo de expresiones utilizadas para determinar, gracias a complejos algoritmos de aprendizaje automático (Machine Learning) y capas de procesamiento del lenguaje natural (Deep Learning), los niveles de estrés o emociones que sienten los interlocutores. ¿Te imaginas esta tecnología aplicada a tu proceso de reclutamiento de talentos? más allá de atraer nuevos talentos, utilizar esta tecnología para potencializar el crecimiento del personal existente y lograr maximizar las utilidades de la empresa, poder retener el talento por más tiempo.

Una herramienta de este tipo ayuda automatizando los procesos y al aseguramiento de la calidad, al principio habrá una barrera que después de cierto tiempo de adaptabilidad las personas deben olvidar que parte de su evaluación la está realizando una máquina. Con solo evaluar los comentarios y el tono de voz, el superbot es capaz de determinar si una persona está satisfecha con el servicio. Asimismo, debería ser capaz de determinar aspectos de la inteligencia emocional cuando los candidatos cuentas sus experiencias laborales.

Detección de Emociones / Deep Learning:

Imagen 1. Reconocimiento Facial de las Emociones

Fuente: elaboración propia (modificado)

Este reconocimiento es basado en el funcionamiento de una red neuronal artificial que se compone de un número de niveles jerárquicos, la red aprende nivel por nivel, el conocimiento que se obtiene en cada nivel es enviado al siguiente y es utilizado para generar un nuevo conocimiento.

Acá es preciso destacar que esta red neuronal artificial es conocida como red convolucional, donde las “neuronas” corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria (V1) de un cerebro biológico.  Este tipo de red es una variación de un perceptrón multicapa, sin embargo, debido a que su aplicación es realizada en matrices bidimensionales, son muy efectivas para tareas de visión artificial, como en la clasificación y segmentación de imágenes, entre otras aplicaciones.

Imagen 2. Arquitectura del algoritmo que se utiliza para extraer emociones

Fuente: elaboración propia (modificado)

Algunas herramientas que son utilizadas por el machine learning y el deep learning:

– JetBrains Pycharm Community Edition: Es el entorno de desarrollo integrado utilizado para programar (IDE). Este entorno de programación es específico para el lenguaje de Python.

Python: Es el lenguaje de programación que se utiliza para implementar estas técnicas. Por ejemplo, la versión 2.7 para la parte de aprendizaje automático y la versión 3.6 para aprendizaje profundo.

Numpy: Librería de funciones matemáticas de alto nivel para que pueda operar con esos vectores o matrices

Pip: Herramienta utilizada para instalar librerías de Python de una forma más cómoda, más eficiente y rápida. Para aprendizaje automático se puede utilizar la versión 2.0 y para aprendizaje profundo la 3.0

Dlib: Librería que sirve para la extracción de los puntos faciales de cada rostro. Proporciona un código que extrae de cada imagen 68 puntos faciales de cada rostro. Las técnicas de análisis de imágenes en aprendizaje automático utilizan los 68 puntos para el reconocimiento de las expresiones faciales

Open CV: Librería libre de visión artificial originalmente desarrollada por Intel

Keras: Librería de redes neuronales artificiales escrita en Python. Es la librería que contiene las diferentes técnicas que se utilizan en aprendizaje profundo (versión 2.0.8)

Compute Unified Device Architecture (CUDA): Plataforma de computación en paralelo incluyendo un compilador y un conjunto de herramientas de desarrollo creadas por NVIDIA que permite usar una variación del lenguaje de programación C para codificar algoritmos en GPU de NVIDIA. Versión que se puede utilizar es la 8.0

Cudnn: Biblioteca que proporciona implementaciones altamente optimizadas para rutinas estándar tales como convolución, agrupación, normalización y capas de activación. Permite centrarse en la formación de redes neuronales y en el desarrollo de aplicaciones de software en lugar de dedicar tiempo al ajuste de rendimiento de GPU. Versión 5.1.

Tensorflow-gpu: Sistema de “backend” que permite compilar código de redes neuronales profundas. Si utilizamos la extensión “GPU” permitimos al ordenador que sea capaz de procesar a través de la unidad de procesamiento gráfico de la propia tarjeta gráfica. Versión 1.5

Precisión: Parámetro que proporciona cuánto de acertado ha sido ese modelo al predecir.

Finalmente, si hay un modelo de aprendizaje profundo habrá métricas y matrices (Confusión) para evaluar su efectividad, por ejemplo:

Conclusión:

La toma de decisiones intuitivas y heurísticas se fortalecen con el apoyo de herramientas de aprendizaje profundo como el uso de redes neuronales convolucionales, se pueden reconocer las emociones de los candidatos a ocupar una posición ejecutivo u operativa dentro de una organización e inferir su potencial liderazgo en el tiempo, no son herramientas mutuamente excluyentes, se complementan, teniendo como objetivo minimizar errores en los procesos de contrataciones, al final se trata de llevar y conservar los mejores talentos en una organización.

Como analizamos durante esta publicación, un proceso se vuelve ágil cuando aprende a través del entrenamiento de las neuronas, esto puede ayudar con el aseguramiento de la calidad de los servicios y productos que ofrecen las organizaciones. Está en nuestras manos apoyarnos de importantes herramientas que nos proporciona la inteligencia artificial, su evolución va en crecimiento, ya que año con año se perfeccionan y son capaces de ayudarnos a descubrir patrones relevantes que hacen diferencia en los modelos de negocio, creando una ventaja competitiva que soporta en el tiempo la estrategia corporativa de las empresas.

Siempre hay tiempo para Invertir en la inteligencia emocional de los empleados, estas inversiones podrán producir una fuerza laboral más enfocada, llevadera y comprometida.  Mucho importa cuántos diplomas haya obtenido una persona, él o ella deben reforzar sus cualidades emocionales para que tengan éxito en lo que emprendan, gestiones o dirijan.

Saludos, José Dávila, Nicaragua     

Con la ciencia de datos, el futuro de tu marca estará más claro, visítanos

www.analitika.com.sv

#ReclutamientoSeleccion #InteligenciaEmocional #Data #DeepLearning #HabilidadesInterpersonales

La entrada Contratación de personal, la inteligencia emocional y el deep learning se publicó primero en Analitika.

En primer lugar en la región no necesitamos una aerolínea de bajo costo, sino de “ultra bajo costo”.

El modelo de aviación en la región ha sido de hub and spoke, el cual de acuerdo a Enrique Beltranena, CEO de Volaris ha hecho que el viajar en la región sea tan caro, el modelo predomina desde hace más de 25 años, en el cual, lo que se hace es combinar dos viajes en uno para llegar del destino A al B, y eso lo hace muy caro.

¿Por qué se sigue utilizando el modelo spoke-hub si es el más caro?, ¿Por qué no se utiliza dentro de la región el modelo short-haul (trayecto corto) de punto a punto?, ¿Por qué no se bajan las tasas aeroportuarias para cada ticket en los países de la región?, ¿Por qué siguen los gobiernos sin estimular a las líneas aéreas a hacer más barato volar en la región?.

¿Qué ha hecho Southwest Airlines para mantener su estrategia de ultra precio bajo?

Ha utilizado la ciencia de datos de varias maneras para reducir costos y mejorar su eficiencia operativa.

1.Utiliza los datos para predicción de la demanda de pasajeros en diferentes rutas y en diferentes momentos del año. Esto le permite optimizar su capacidad y mejorar la eficiencia en la asignación de vuelos.

2.Ha utilizado la ciencia de datos para analizar el clima, el tráfico aéreo y otras variables para optimizar las rutas de sus vuelos y reducir el tiempo de vuelo.

3.Ha implementado sistemas de ciencia de datos para analizar el mantenimiento de aviones y predecir cuándo se necesitará realizar reparaciones o sustituciones de piezas. Esto le permite planificar mejor el mantenimiento y reducir los costos.

4.Ha utilizado la ciencia de datos para analizar el consumo de alimentos y bebidas a bordo de sus aviones y optimizar su inventario en consecuencia. Esto le permite reducir los costos de alimentos y bebidas y mejorar la eficiencia.

Otras estrategias para reducir costos en Southwest Airlines han sido:

5.Utilizar una flota de aviones uniforme, lo que le permite ahorrar en costos de mantenimiento y capacitación de tripulación.

6.Prefiere volar a aeropuertos principales, ya que estos suelen tener tarifas más bajas y una mayor demanda de pasajeros.

7.Vender solo boletos de ida, Southwest Airlines no ofrece boletos de ida y vuelta, lo que le permite aprovechar mejor su capacidad y reducir los costos de distribución.

8.Utiliza sus aviones al máximo, volando aproximadamente el doble de horas al día que otras aerolíneas.

9.Ha implementado diversas estrategias para reducir sus costos de combustible, como mejorar la eficiencia del combustible y utilizar combustibles alternativos.

10.Aumentar frecuencias de viaje y capacidad de asientos.

11.Utilizar aviones de mayor tamaño y aumentar la frecuencia de vuelos en rutas populares

12.Mejorar la Calidad de Servicio.

13.Cash on hand / Estructura de costos

14.Alianzas con hoteles, renta de vehículos, innovación en la venta de boletos en línea, etc…

Si se puede y se debe, VOLARIS lo logró en México y esperamos que lo repita en Centroamérica, ya sean ellos mismos, AVIANCA, COPA o cualquier otra línea aérea.

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#marketresearch #cienciadedatos #dataanalytics

La entrada ¿Por qué es tan caro volar en Centroamérica? se publicó primero en Analitika.

¿Por qué es relevante realizar una buena exploración de los datos antes de comenzar el modelamiento de algoritmos avanzado?

“La mayoría de los gerentes saben, al menos de manera anecdótica, que los datos de mala calidad hacen perder el tiempo, aumentan los costos, debilitan la toma de decisiones, hacen enfadar a los clientes y dificultan la implementación de cualquier tipo de estrategia de datos o de modelamiento. Por otra parte, diversos estudios confirman que sólo el 3 % de los datos de las empresas cumplen las normas básicas de calidad”.

La finalidad del Análisis Exploratorio de Datos (EDA por sus siglas en inglés Exploratory Data Analysis) es examinar los datos previamente a la aplicación de cualquier técnica estadística y no necesariamente sólo para el modelamiento avanzado. De esta forma el analista de datos y/o científico de datos consigue un comprensión básica de los datos y de las relaciones existentes entre las variables analizadas, por ejemplo, para la aplicación de modelos supervisados para la predicción como la regresión lineal, KNN, y/o árboles y/o para clasificación como Gradient Boosting, Random Forest, árboles, KNN, Regresión Logística. Así como modelos no supervisados como un KMeans básico, clustering jerárquico, etc.. Si un modelaje avanzado de machine learning se alimenta con dirty data, pues generará un modelo poco útil, que hará perder tiempo, dinero, clasificará o predecirá de mal manera.

“Las tareas implícitas en el EDA pueden parecer sin consecuencias a primera vista, pero son una parte esencial de cualquier análisis estadístico”

El análisis exploratorio de datos es importante antes de hacer cualquier uso de un dataset. Permite identificar errores obvios, así como comprender mejor los patrones en los datos, detectar valores atípicos o sucesos anómalos, y encontrar relaciones interesantes entre las variables.

El EDA es estructurado, es decir, consta de una serie de pasos que incluye no sólo seleccionar métodos gráficos y/o numéricos, sino también examinar las relaciones existentes, comprobar si se verifican hipótesis de interés en los datos (normalidad, linealidad, homocedasticidad), identificar casos atípicos univariantes, bivariantes y multivariantes y comprender los diferentes tipos de datos ausentes y evaluar su impacto potencial.

Python proporciona métodos sencillos (para el científico de datos….) para organizar y preparar los datos, detectar fallos en el dataset y/o que se dieron en la recopilación de datos, tratamiento y evaluación de missing value, identificación de casos atípicos y comprobación de los supuestos subyacentes en la mayor parte de las técnicas multivariantes.

Las preguntas a realizarse previo a comenzar un modelamiento con algoritmos, son:

1.¿Existe algún tipo de estructura (normalidad, multimodalidad, asimetría, curtosis, linealidad, homogeneidad entre grupos, homocedasticidad, etc.) en los datos que voy a analizar que pueda afectar mis modelos?

2.¿Existe algún sesgo en los datos capturados/recogidos?

3.¿Hay errores en la codificación de los datos o en la naturaleza de las variables?

4.¿Existen datos atípicos (outliers)? Y ¿Cómo los trataré?

5.¿Hay datos ausentes (missing)?, ¿Tienen algún patrón sistemático? ¿Cómo tratarlos?

Los efectos de no hacer una “buena” exploración de datos la explicaré con algunos ejemplos:

Ejemplo 1 (Con valores ausentes el modelo no se puede ejecutar)  Identificar missing values es importante porque algunos algoritmos rechazan su uso, y utilizar un método de imputación y/o dar un tratamiento de exclusión y/o sustitución por mediana, moda o cualquier otro descriptivo en función de la variable “target, hará imposible soslayar esta ausencia de datos. En este ejemplo se quiere generar un modelo de Machine Learning, se utiliza un modelo no supervisado llamado K-means, si observas que el modelo no corrió…. es porque tiene Missing Values los cuales no le permite a K-means, hacer la clasificación en el dataset.

Ejemplo 2 (Con valores ausentes y outliers los resultados del modelo podrían incluir el sesgo del dirty data, ya que no hubo un data cleaning correcto). Estas con una base de datos de 10,000 casos, no hay missing value y pero sí hay outliers: por ejemplo, la media se ve afectada, la desviación estándar, la varianza, la asimetría, la curtosis, el rango, la amplitud y otros. En este caso, si la variable analizada es continua o discreta con un elevado número de valores distintos se tabula como una distribución de frecuencias agrupadas y se representa gráficamente mediante histogramas, diagramas de tallos y hojas y boxplots con el fin de estudiar la forma de la distribución y analizar, en particular, la posible existencia de varias modas en la misma que pongan de manifiesto la presencia de diversos grupos homogéneos en la muestra. Por último, pregúntate como afectará una data sucia la Correlación y causalidad Gawali (2021), el test de Kolmogorov-Smirnov, el contraste de Shapiro y Wilks y la toma de decisiones en las que derivará el modelaje avanzado.

Una buena exploración de los datos antes de comenzar el modelamiento avanzado no es una pérdida de tiempo, es importante y relevante, es la base del modelaje, un EDA en profundidad genera mucha información, y permite la aplicación de técnicas multivariadas que nos ayudan a confirmar impresiones iniciales a partir de un EDA.

“Los científicos de datos utilizan el análisis exploratorio para garantizar que los resultados del modelaje avanzado sean válidos y aplicables a las conclusiones y objetivos de negocio. Una vez se ha completado el EDA y se ha extraído la información útil, sus características pueden utilizarse para un análisis o modelado de datos más complejo, incluido el machine learning”.

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#datascience #dataanalytics #marketresearch #analitika

La entrada Exploratory Data Analysis se publicó primero en Analitika.

A medida que la tecnología móvil se ha vuelto cada vez más integrada en nuestra vida cotidiana, es importante comprender cómo el uso adictivo de estos dispositivos puede afectarnos.

Desde una perspectiva sociológica, el uso adictivo de los celulares es visto como un reflejo de la actual sociedad, en la que la conectividad constante y la disponibilidad en línea se han vuelto normas culturales. Esta necesidad de estar siempre conectados puede ser impulsada por factores externos, como la presión social para estar al tanto de las últimas noticias y tendencias o para no perderse eventos o conversaciones importantes. También puede ser impulsada por factores internos, como la ansiedad o el miedo a perder oportunidades o ser excluidos.

Desde una perspectiva psicológica, el uso adictivo de los celulares también está relacionado con trastornos de ansiedad o dependencia. Algunos investigadores han sugerido que la gratificación inmediata que obtenemos de revisar nuestros teléfonos o de interactuar en línea puede activar las mismas áreas del cerebro que se activan durante la adicción a sustancias químicas. Esto puede llevar a una necesidad cada vez mayor de revisar constantemente el teléfono y a síntomas de abstinencia cuando no podemos hacerlo.

Además de sus implicaciones, el uso adictivo de los celulares también tiene importantes implicaciones para las marcas y las estrategias de mercadeo y comunicación. En un mundo cada vez más conectado, es más probable que las personas vean o interactúen con publicidad o mensajes promocionales a través de sus dispositivos móviles. Esto ofrece a las marcas una oportunidad única de llegar a su audiencia a través de aplicaciones, redes sociales y otras plataformas móviles.

Sin embargo, es importante tener en cuenta que el uso adictivo de los celulares también puede ser un obstáculo para la efectividad de las estrategias de mercadeo y comunicación. Si las personas están tan pegadas a sus teléfonos que no prestan atención a los mensajes promocionales, es menos probable que reaccionen a ellos o que se conviertan en clientes. Además, si las marcas utilizan tácticas de marketing invasivas para atraer la atención de los usuarios, es más probable que provoquen rechazo o indignación en lugar de fidelización.

En concreto, el uso adictivo de los celulares es un fenómeno complejo que tiene importantes implicaciones para las marcas. A medida que la tecnología móvil se vuelve cada vez más integrada en nuestras vidas, es importante comprender cómo su uso puede afectar los procesos de compra, la lealtad y el word of mouth.

Aquí hay algunos ejemplos de marcas que han utilizado el celular de manera exitosa en sus campañas de marketing:

Toyota: La marca de automóviles utilizó la publicidad en aplicaciones móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de concesionarios o en el camino a sus destinos. También utilizó la aplicación móvil para ofrecer a los usuarios pruebas de manejo virtuales y para facilitar el proceso de compra.

Domino’s Pizza: La cadena de pizzerías utilizó su aplicación móvil para permitir a los clientes hacer pedidos y seguir el progreso de sus entregas en tiempo real. También ofrecieron a los clientes la opción de pagar con la aplicación y de recibir notificaciones push con ofertas y promociones.

Airbnb: La plataforma de alquiler de viviendas utilizó la publicidad en aplicaciones móviles para atraer a nuevos usuarios a su plataforma. También utilizó notificaciones push y mensajes de correo electrónico personalizados para mantener a sus usuarios comprometidos y activos.

Coca-Cola: La marca de bebidas utilizó la publicidad en aplicaciones móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de establecimientos que venden sus productos. También utilizó la aplicación móvil para lanzar juegos y concursos que incentivan a los usuarios a interactuar con la marca.

GoPro: La marca de cámaras de acción utilizó la publicidad en redes sociales móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban en destinos de vacaciones y lugares de aventura. También utilizó la aplicación móvil para facilitar la compartición de contenido y para ofrecer a los usuarios acceso a tutoriales y recursos.

Delta Air Lines: La aerolínea utilizó la publicidad en aplicaciones móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de aeropuertos. También utilizó la aplicación móvil para facilitar el proceso de reserva y check-in y para ofrecer a los usuarios acceso a recompensas y descuentos exclusivos.

H&M: La marca de ropa utilizó la publicidad en redes sociales móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de sus tiendas. También utilizó la aplicación móvil para ofrecer a los usuarios acceso a recompensas y descuentos exclusivos y para facilitar el proceso de compra. En la imagen encontrarás el timeline de la evolución de los celulares desde su aparición hasta el presente.

Toma decisiones, basadas en DATOS.

www.analitika.com.sv 

#celular #cienciadedatos #marketresearch #investigaciondemercados #analisisdedatos

La entrada El uso del celular y las marcas se publicó primero en Analitika.

Si una campaña publicitaria no toma en cuenta la curva de Ebbinghaus y no implementa estrategias para mantener el interés y la relevancia del público, es más probable que su rendimiento disminuya rápidamente con el tiempo. Esto puede llevar a fracasos publicitarios, es decir, a campañas que no logran alcanzar los objetivos establecidos, ya sea en términos de ventas, de reconocimiento de marca o de cualquier otro indicador de éxito.

Por ejemplo, si una empresa lanza una campaña publicitaria con un mensaje muy innovador y creativo al principio, es probable que tenga un alto impacto en el público. Sin embargo, si no se mantiene esa innovación y creatividad a lo largo del tiempo y se repiten los mismos mensajes o se presentan de manera monótona, es probable que el rendimiento de la campaña comience a disminuir y que el público pierda interés.

¿Pero qué es la curva de Ebbinghaus?

La curva de Ebbinghaus es una teoría del aprendizaje desarrollada por el psicólogo alemán Hermann Ebbinghaus en la década de 1880. Se refiere a la forma en que la memoria humana retiene la información a lo largo del tiempo. Según esta curva, al principio, cuando se presenta una nueva información, la retención de esta información es alta. Sin embargo, con el tiempo, la retención de la información comienza a disminuir de manera gradual hasta llegar a un nivel mínimo.

En el ámbito del rendimiento publicitario, esto significa que al principio, cuando se presenta una nueva campaña publicitaria, es probable que tenga un alto impacto en el público objetivo. Sin embargo, con el tiempo, el impacto de la campaña comienza a disminuir de manera gradual. Esto puede deberse a que la gente simplemente se acostumbra a ver la publicidad y deja de prestarle atención, o bien, porque la información contenida en la publicidad ya no es relevante para ellos.

Para evitar que el rendimiento publicitario disminuya rápidamente o aceleradamente, es importante implementar estrategias de comunicación efectivas. Una opción es variar la publicidad de manera regular, ya sea cambiando el mensaje, la creatividad o el formato de la publicidad. De esta manera, se mantiene el interés del público y se evita que la publicidad pierda su efectividad a largo plazo.

Otra estrategia es asegurarse de que la publicidad esté siempre alineada con las necesidades y deseos del público objetivo. Si la publicidad es relevante y útil para el público, es más probable que se retenga y tenga un impacto duradero.

Es importante también tener en cuenta el contexto en el que se presenta la publicidad. Si se presenta en un lugar o momento inadecuado, es menos probable que tenga éxito. Por ejemplo, si se presenta un anuncio de helados en el medio de una tormenta de nieve, es poco probable que tenga un gran impacto.

Por último, la curva de Ebbinghaus nos muestra que la retención de la información disminuye con el tiempo. Para evitar que el rendimiento publicitario disminuya rápidamente o aceleradamente, es importante tener en cuenta esta teoría.

Aquí hay algunos ejemplos de campañas publicitarias que han tenido un rendimiento duradero y no han experimentado un declive rápido en el tiempo, debido a que han tomado en cuenta la curva de Ebbinghaus e implementado estrategias para mantener el interés y la relevancia del público:

«Just Do It» de Nike = Esta famosa campaña publicitaria, que comenzó en 1988, sigue siendo relevante y exitosa más de 30 años después. Nike ha logrado mantener su interés a través de la innovación y la creatividad, al presentar nuevos productos y utilizar diferentes estrategias de marketing y publicidad.

«I’m Lovin’ It» de McDonald’s = Esta campaña publicitaria, que comenzó en 2003, se ha mantenido relevante y exitosa durante más de 18 años. McDonald’s ha variado su publicidad y ha adaptado su mensaje a las necesidades y deseos del público a lo largo del tiempo.

Think Different» de Apple = Esta famosa campaña publicitaria, que comenzó en 1997, ha sido muy exitosa y sigue siendo relevante hoy en día. Apple ha logrado mantener el interés del público a través de la innovación y la creatividad y ha adaptado su publicidad a las necesidades y deseos del público a lo largo del tiempo.

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#publicidad #advertisingandmarketing #marketresearch #marcas

La entrada Maximizando el éxito publicitario se publicó primero en Analitika.