El fin de MAD MEN, el nacimiento del Scientific Marketer

El hecho digital está modificando profundamente la sociedad y, por consiguiente, el tejido empresarial a un ritmo trepidante y de una manera integral. Un contexto que obliga a las empresas a repensar todo tipo de procesos.

Nos encontramos en pleno proceso de despliegue de una tecnología disruptiva que está modificando los negocios, pero también la sociedad. La informática fue crucial para la mecanización de los procesos, y la posterior conexión de los ordenadores entre ellos desembocó en el nacimiento de una capacidad de procesamiento y distribución de la información difícil de asimilar, y, aún hoy, difícil de imaginar.

Esta capacidad de conectarse no ha hecho más que multiplicarse de forma exponencial. Lo digital ha multiplicado exponencialmente la habilidad de conectarnos. Inicialmente, sólo tenían acceso a Internet las empresas y las instituciones, ahora lo tiene buena parte de la ciudadanía, y, muy pronto, será habitual y muy extendida la conexión a los objetos cotidianos como un coche, un contenedor de basura, una farola de la calle o una prótesis.

mundo digital

Hoy, las familias hablan por Whatsapp, los alumnos tienen acceso a más información que la conocida por su profesor, la música se ha vuelto digital, no hace falta comprar un periódico para estar informado, los pacientes interrogan a los médicos, los mecánicos de coche visten bata blanca, y un montón de detalles de nuestra vida cotidiana que se han visto profundamente alterados.

Pasa exactamente lo mismo con los negocios. El hecho digital está obligando a repensar procesos de todo tipo: el marketing, el desarrollo de marca, la atención al cliente, la selección de personal, la comunicación interna, la relación con los proveedores, la investigación de mercados, los procesos de internacionalización, la gestión de crisis, los procesos de innovación, la formación de personal y un largo etcétera hasta abastar todos y cada uno de los procesos de cualquier organización, sea cual sea el área funcional y sea cual sea el sector.

La transformación digital no es un objetivo final, es un proceso de aprendizaje continuo, se trata de entender los nuevos modelos de creación de valor en la era digital, de cómo la movilidad, las nuevas tecnologías sociales, y el nuevo talento digital afectan a las expectativas de nuestros clientes, a nuestras estructuras operativas y a nuestros modelos de negocio. En última instancia se trata de conseguir que nuestros productos y servicios sean percibidos y relevantes en un mundo digital.

Digitalizar no es introducir una nueva red social o una herramienta de conocimiento ni hacer un uso masivo de la tecnología, es repensar los procesos, es innovar para conseguir mejores resultados. La introducción de la tecnología es positiva, pues ayuda a digitalizar, pero no transforma el negocio. Las tecnologías son facilitadoras de conversaciones, de una nueva forma de entender el rol de las personas y la organización, pero para ello se requiere potenciar nuevos valores y comportamientos organizativos como la transparencia, la colaboración, la participación y una nueva forma de entender el talento de las personas como precursor de la innovación.

Innovación

Son tiempos para cuestionar nuestras estrategias, nuestros modelos de negocio, de desaprender para volver a aprender con una visión más digital y disruptiva. Tanto a nivel individual como a nivel empresas tenemos que plantearnos y ser capaces de responder a todas estas cuestiones:

¿Cómo construir los nuevos mapas para navegar en la economía digital?, ¿Cómo pueden las empresas responder mejor a estos cambios ?, ¿Cómo pueden aprovechar la oportunidad para innovar , diferenciarse y crecer?, ¿Están nuestras empresas preparadas para iniciar la transformación digital? ¿Cuáles son las cuestiones fundamentales que definirán el futuro de nuestras organizaciones?,¿Cómo abordar la transformación digital?, ¿Cómo evitar quedar atrapados en nuestras experiencias del pasado?, ¿Cómo planificar cuando no podemos anticipar el futuro?, ¿Cómo mantenernos competitivos en la inestabilidad?, ¿Cómo conectar con la inteligencia colectiva en nuestras organizaciones?

La digitalización ofrece múltiples posibilidades de desarrollo a negocios y empresas. Muchas son conscientes de ello, pero pocas se atreven a acometer el reto digital. Las organizaciones deben invertir esfuerzos en anticipar amenazas y visualizar brechas de oportunidad originadas por fenómeno digital. Para ello, será esencial dominar las lógicas digitales y entender qué valor puede aportar lo digital a la empresa, ya sea en términos de eficiencia de ahorro de costes y/o de mejora de la productividad.

Aquellos que tomen el control y sean capaces de convertirse en disruptores de sus mercados emergerán como los auténticos líderes del universo digital.

Para acelerar el proceso de digitalización de la empresa será necesario promover la adopción de competencias y habilidades digitales por parte de toda la organización. Sólo las compañías que sean capaces de insertar el chip digital en el ADN de la organización avanzarán con éxito en la senda digital. Lo digital genera conocimiento colectivo y nuevas dinámicas de aprendizaje mediante la interacción con gente de dentro y de fuera de la organización, nuevas maneras de trabajar y ofrece herramientas que facilitan el trabajo, ofrecen espacios de relación e intercambio liberados de las férreas estructuras jerárquicas y promueve la innovación.

Las disciplinas digitales tienen cada vez mayor presencia y peso en las compañías, no sólo como un departamento separado, sino que se extienden a todo tipo de puestos y divisiones, en función de la estructura de cada organización. En un 54% de las empresas se espera crecimiento en los puestos de Internet a lo largo del 2016. La formación de todo el personal es clave, una vez más, no tanto en forma de departamento como de integración en toda la actividad de la empresa.

digitalización

En MSMK somos plenamente conscientes del reto que supone para los profesionales en general y en especial para los marketers este nuevo paradigma digital y por ello nos hemos marcado el objetivo de acelerar el desarrollo de la red de talento y conocimiento digital, y que nuestros alumnos sean sus protagonistas. Impulsamos la transformación digital de profesionales y empresas a través de la formación y el apoyo al empleo y emprendimiento digital. Con una metodología eminentemente práctica, nuestra formación se apalanca en un claustro formado por expertos digitales, un aprendizaje basado en la actualización continua y contenidos permanentemente mejorados.

Emérito Martínez.

Chief Digital Officer en MSMK – Madrid School of Marketing.

Los retos que nos plantean los nuevos usuarios y entornos digitales

Vivimos actualmente en un momento de disrupción digital, en que nos movemos hacia el nuevo mundo, mucho más interrelacionado con el cliente como centro de cualquier negocio. Un cliente que cada vez es más exigente, más informado y poderoso, que busca inmediatez y que espera comunicarse y relacionarse con las marcas por medio de todos los canales, ya sean los tradicionales o los digitales (móvil, redes sociales, email, etc.). 

Es el nuevo cliente, que ante la gran oferta que tiene a su alcance, se decanta por aquellas marcas que le ofrecen experiencias diferenciales y personalizadas.

Nuevo Cliente

Según el estudio “The consumer conversation” realizado por IBM y Econsultancy, existe una gran diferencia entre la percepción que tienen las marcas y lo que los clientes opinan: el 80% de las empresas dicen tener una visión completa de cada uno de sus clientes, mientras que solo el 22% de los clientes tienen la percepción de ser tratados como individuos por sus marcas. En un momento en que la lealtad a la marca es bastante débil, la falta de interacciones y acciones que “enganchen” a los clientes puede llevar a perderlos en beneficio de la competencia.

En base a este mismo estudio, casi la mitad de los clientes consultados dijeron que habían cambiado de proveedores de ciertos servicios en los últimos 12 meses como consecuencia del servicio recibido por esas empresas. Las marcas no pueden permitirse ignorar estos datos y deben utilizar herramientas que les permitan identificar nuevas tendencias y anticiparse a futuros comportamientos, poniendo en marcha acciones con el fin de mejorar la experiencia de los clientes y mantener su fidelidad.

¿Qué medidas tomar y qué pasos seguir desde el área de marketing? Hay tres puntos que, desde MSMK, consideramos fundamentales:

  • Priorizar la experiencia del cliente: hemos visto que los clientes evalúan su experiencia con las marcas más allá de los precios. Según Gartner (en su informe “Predicts 2015: IT Leaders Will Need to Develop a Stronger Relationship With Marketing»), para 2018, las  marcas que ofrecen personalización venderán un 15 por ciento más que las que no lo hagan. Por ello, ofrecer una experiencia de cliente excepcional se ha convertido en el principal objetivo de aquellas marcas que quieren mantener su competitividad. Para hacerlo, deben diseñar la experiencia que quieren que sus clientes tengan, asegurándose de disponer de la tecnología apropiada para recopilar todos los datos de los clientes y llevar a cabo aquellas interacciones que aumenten su nivel de lealtad hacia la marca.
  • La importancia de utilizar analítica avanzada: desde el comportamiento predictivo al cognitivo, la analítica avanzada permite conocer en profundidad a los clientes y desbloquear esa puerta de la personalización, tan solo respondiendo a cuestiones críticas como: ¿Cómo se siente tu cliente hoy? o ¿Cómo crees que ha percibido el último de tus lanzamientos o el trato recibido en su última compra? O bien, ¿qué está diciendo de tu marca en las redes sociales?

analitica

  • La confianza es la clave para un mayor conocimiento: ganarse la confianza es de vital importancia. Proporcionando experiencias altamente personalizadas, no sólo estás conectando con tus clientes, sino que estás construyendo una relación sólida y de valor, algo impensable hace unos años.

Emérito Martínez.

Chief Digital Officer en MSMK – Madrid School of Marketing.

Entrevista a Iván Guerrero, Senior Data Analyst en Experian y antiguo alumno del Máster en Big Data y Analytics de MSMK – Madrid School of Marketing

“SIEMPRE HE PENSADO QUE LA MEJOR FORMA DE APRENDER UNA MATERIA ES ESCUCHANDO A ALGUIEN QUE TIENE A LA MISMA EN SU DÍA A DÍA”

Iván Guerrero1. ¿Cuál es la carta de presentación de Iván Guerrero?

Soy Matemático apasionado y trabajo como Senior Data Analyst en el departamento de Marketing Services de Experian. Anteriormente, trabajé para IBM en proyectos de Banca y de Marketing Digital, y para SAS como consultor analítico. Y también he dedicado parte de mi trayectoria a la formación de todo aquello que tenga que ver con mi trabajo o con las Matemáticas, la Estadística, la Física… Terminé el Máster en Big Data y Analytics de esta escuela, Madrid School of Marketing.

2. ¿Cómo te ayudó el Máster en tu carrera profesional?

Como se ve, gran parte de mi actividad se enmarca en el sector del marketing, entendiéndose esto como la recolección, transformación y gestión estadística de datos para extraer conclusiones y establecer patrones y perfiles de clientes que describan y predigan su comportamiento. El temario del Master de la escuela cubre bien este rango de materias, que van desde la obtención del dato hasta el conocimiento del negocio.

3. Valoración personal de la Escuela. ¿Qué aspectos valoras de manera más positiva?

Aparte del completo e interesante contenido de los estudios, se trata de una escuela que brinda un trato muy cercano y personal al alumno. Y por otro lado, se encarga de tener charlas y profesores de alto nivel (durante y después del Master) que han colaborado en proyectos de envergadura. La transmisión de este conocimiento es muy importante, de modo que solo escucharles resulta ser muy nutritivo, independientemente de asimilar después todo o parte del contenido de la materia. Las instalaciones y el personal de la escuela también son excelentes.

4. Valoración personal del Master, de los profesores y de las clases

La virtud destacada del Master es que abarca una amplia variedad de temas: parte técnica (no como principal) para tener una perspectiva de cómo manejar a grandes rasgos Hadoop, Spark o R; la parte de visualización de datos es un pilar muy importante en los tiempos que corren (MicroStrategy, QlikView, o Spotfire); las técnicas de Marketing Intelligence y de CRM son tan interesantes como vitales si te dedicas a este mundo; el data mining y la predictiva, que es el bloque de SAS Enterprise Miner, también es una buena oportunidad de obtener un certificado muy provechoso; el Business Analytics es otra sección muy relevante, con las técnicas estadísticas aplicadas en este sector; y por último, la parte de contabilidad, gestión de proyectos y perspectivas de los mismos, que complementa todo lo anterior…

Siempre he pensado que la mejor forma de aprender sobre una materia es escuchar a alguien que tiene a la misma en su día a día, y en ese sentido los profesores son un valor destacado en el Master, pues enseñan su rutina diaria con ejemplos que resultan ser muy útiles.

5. Valoración de tu paso por MSMK – Madrid School of Marketing (trayectoria académica, PFM, etc.)

Aparte de la buena experiencia que es embarcarte unos meses en cursar un Master, también sirve para conocer gente (alumnos y profesores) a la que tomar como referencia, y este factor humano es importante. Dejarse ver como una persona proactiva ante ellos también puede abrir nuevos horizontes si alguien está buscando nuevos retos. Y por encima de todo está la formación: lo más provechoso e importante, no solo en la carrera profesional sino en la vida, es aprender, y este objetivo se cumple cursando el Máster.

Ya en el tema personal, además de aprender bastante gracias al completo contenido del Master y a las muy provechosas clases y trabajos propuestos, me he sentido valorado de las mejor de las maneras en todo momento, y mi trabajo se ha visto recompensado con creces. Mi Proyecto Fin de Máster obtuvo la mejor de las notas, con distinción, y eso es una satisfacción que hace que la decisión de cursar el Máster merezca la pena. Todo se debe al buen trabajo hecho no solo por mí, sino por los profesores, que en definitiva son los que se vuelcan para que aprovechemos la oportunidad.

6. Valoración personal de la evaluación y el timing.

La evaluación continua es probablemente lo que más le inquieta al alumno, pues la tentación es pensar que es muy complicado compatibilizar el tiempo del trabajo del ocio con quedar con los compañeros y terminar las prácticas. Cuando se acaba el Master y se obtiene una buena valoración queda la sensación de que ha merecido la pena por completo, y la opinión de que el timing propuesto por la escuela ha sido adecuado.

El hacer un Proyecto Fin de Master no debe entenderse como una obligación para aprobar el Master, sino como una bonita oportunidad de desarrollar por cuenta propia una idea, y de poner en marcha muchos mecanismos que se han aprendido. Dicho de otro modo, se debe ver como un reto, porque al final es vital explicar tu idea como si fueras a venderla y te fuera la vida en ello, y eso es una muy buena práctica para simular lo que después ocurre en la vida real, en la que has de tener destreza y habilidad para convencer y defender lo que previamente has desarrollado.

7. Valoración personal del networking y empleabilidad

Las facilidades dadas por la escuela son magníficas, tanto por el personal como por los alumnos o compañeros que encuentras en ella. Y otra de las virtudes de la escuela es que te permite seguir asistiendo a charlas para estar conectado casi como si las clases del Master no hubieran acabado.

8. ¿Qué retos profesionales afrontarás en los próximos meses?

Tengo la suerte de trabajar en una de las mejores empresas, formidable tanto en el plano profesional como en el humano y con unas actividades, responsabilidades y perspectivas magníficas si te gusta en mundo del Analytics, como es mi caso. Seguir aquí desarrollando mi carrera es el reto principal; de forma complementaria, dedicarme a la formación y transmitir lo que yo he ido aprendiendo, como he hecho en mucha parte de mi carrera, es otro de los retos. Y como reto continuo, ser curioso, seguir aprendiendo y obedecer a lo que dijo Einstein: “no dejar de hacerse preguntas”…

Entrevista a Luis Ortiz, en la celebración de las 20 Ediciones de Programas de Postgrado en Big Data y Analytics de MSMK

«DESDE LA ESCUELA HAY UNA PREOCUPACIÓN CONSTANTE PARA QUE LOS ALUMNOS ADQUIERAN LAS CAPACIDADES FUNCIONALES Y TÉCNICAS NECESARIAS QUE LES PERMITAN DESENVOLVERSE CON SOLTURA EN ESTOS ENTORNOS DE GESTIÓN DE TAL CANTIDAD DE DATOS TAN ANALÍTICOS»

Son más de 25 los años que lleva trabajando en el mundo de los datos. Comenzó recorriendo medio Mundo con Accenture, empapándose de lleno en temas de CRM y Business Intelligence y, desde hace 10 años, lidera proyectos de Big Data, BI, ERP y CRM en Viewnext, empresa filial de IBM. No podemos hablar de MSMK sin nombrarle a él, a Luis Ortiz, ya que desde los inicios de la Escuela creyó y apoyó firmemente en el proyecto Big Data, hasta llegar a convertirse en el director del área. Hoy, en la celebración de la 20 edición de programas de posgrado en Big Data y Analytics, Luis nos cuenta cómo ha sido el camino para llegar hasta aquí y profundiza en el valor diferenciador de la Escuela y del área.

Luis ortiz

  1. Resúmenos en unas líneas tu trayectoria profesional, hasta llegar a MSMK.

Comencé mi vida profesional en Andersen Consulting, lo que hoy es Accenture. Estuve durante casi 15 años. Durante este tiempo estuve trabajando en temas de CRM y Business Intelligence para empresas de primer nivel en España y en el extranjero. Tuve la oportunidad de trabajar en Francia, Alemania, Suiza, Holanda, Italia, Venezuela, Méjico, Brasil y Estados Unidos desarrollando mi actividad profesional siempre en las áreas de Marketing y Ventas, en temas íntimamente relacionados con la tecnología.

Después me incorporé a Insa lo que hoy es Viewnext, empresa afiliada de IBM. Durante estos 10 últimos años en Viewnext también he tenido la oportunidad de continuar liderando proyectos en las áreas de CRM, Business Intelligence, ERP y Big Data. En los dos últimos años he desarrollado las funciones de dirección y gestión en el proyecto ‘Madrid Inteligente’ del Ayuntamiento de Madrid. Es este el proyecto más completo de Smart Cities que tienen Viewnext e IBM a nivel mundial hasta la fecha.

  1. ¿Por qué decidiste apostar por el proyecto de MSMK?

Empecé como profesor en MSMK. Había impartido clases en otras escuelas de negocio, sin embargo cuando llegué a MSMK me gustó mucho la forma que tenía de hacer las cosas. La dirección académica, la dirección de las clases, el trato que se da a los alumnos. Después cuando se me ofreció la dirección del área de Business Intelligence & Big Data y he tenido la oportunidad de trabajar ‘codo con codo’ con todas las personas de la Escuela y del claustro de profesores no he hecho más que confirmar la opinión que ya tenía. Creo que  al final es la suma de todas estas cosas las que hacen un proyecto docente atractivo y por el que merece la pena apostar.

«En MSMK se está permanentemente pendiente del mercado, de la evolución de las tecnologías y de la búsqueda constante de los mejores docentes para poder ofrecer a los alumnos Masters y Programas adecuados a las necesidades reales de las empresas»

  1. ¿Cuál es el valor diferenciador de la Escuela y del área Big Data & Analytics?

Considero que desde la Escuela se está permanentemente pendiente del mercado, de la evolución de las tecnologías y de la búsqueda constante de los mejores docentes para poder ofrecer a los alumnos Masters y Programas adecuados a las necesidades reales de las empresas. El claustro lo componen profesores que desarrollan su actividad profesional trabajando para empresas que compiten en el mercado nacional e internacional y tiene esa vocación docente que les lleva a querer enseñar lo que van aprendiendo después de mucho esfuerzo diario. Esto hace que las clases tengan un componente muy práctico.

Así mismo considero que, en este momento, no hay otros Masters y Programas similares en el mercado. Las alianzas y acuerdos con empresas del mundo del Big Data y área de Analytics como SAS e IBM hacen que podamos disponer en las clases de herramientas de primer nivel.

MSMK

Desde la Escuela hay una preocupación constante para que los alumnos adquieran las capacidades funcionales y técnicas necesarias que les permitan desenvolverse con soltura en estos entornos de gestión de tal cantidad de datos y tan analíticos. También se les prepara a través del desarrollo de los Proyectos Fin de Master para que sean capaces de trabajar en equipo, desarrollar y realizar presentaciones de forma eficaz. En definitiva, que cuando cada alumno termine el Máster o el Programa correspondiente haya aumentado la probabilidad de encontrar un nuevo empleo o incluso promocionar dentro de su empresa actual.

  1. Este año celebramos las 20 ediciones de Programas de Postgrado en nuestra área de Big Data y Analytics. ¿Qué consejos darías a los futuros alumnos?, ¿por qué recomendarías estudiar en MSMK?

A los alumnos que quieran estudiar en nuestra Escuela en el área de Big Data y Analytics les animaría a hacerlo con entusiasmo y con muchas ganas de aprender. Somos exigentes y estamos convencidos que cuánto más esfuerzo se dedica  a las materias mayor es el aprovechamiento de los Masters y Programas y  también la satisfacción personal de cada alumno. Estas son áreas de conocimiento que van cogiendo cada vez más fuerza en el mercado. Son perfiles muy demandados y que hoy no hay tantos como se precisan. Recomiendo hacerlo en MSMK porque es una escuela seria y que se ocupa de que sus alumnos salgan bien preparados a un entorno profesional cada vez más exigente.

Tres diferencias claves entre Big Data y Analytics

Organizaciones de todo el mundo y numerosas industrias, están empleando la filosofía del big data con el fin de obtener un mayor conocimiento y visión de sus negocios y de mejorar los procesos. Sin embargo, no es raro que muchos ejecutivos se pregunten si el big data es sólo analítica.

bigData Analytics

Los dos pueden estar relacionados, pero hay diferencias fundamentales entre ellos, según Andrew McAfee, principal director científico de investigación en el Instituto de Tecnología de Massachusetts (MIT) y Erik Brynjolfsson, profesor de Schussel Family en la Sloan School of Management del MIT.

En un artículo de la revista Harvard Business Review, los dos señalan tres puntos clave donde el big data es diferente a analytics:

Volumen – Una investigación realizada por International Data Corporation (IDC), indicaba que la cantidad global de datos digitales crecerá de 130 exabytes a 40.000 exabytes en 2020.

Por ejemplo, Walmart acumula más de 2,5 petabytes de datos cada hora tan sólo a través de las transacciones de los clientes. Un petabyte son mil billones de byte o, aproximadamente, el equivalente a 20 millones de cajas de documentos. Hay que tener en cuenta que el 90 por ciento de los datos de hoy han sido creados sólo en los últimos dos años.

Velocidad – La velocidad de datos es aún más importante que el volumen. El acceso a la información en tiempo real permite a las organizaciones ser más rápidas que sus competidores en la toma de decisiones y en la ejecución de movimientos.

Por ejemplo, un grupo de investigadores del MIT Media Lab utilizaron datos de ubicación de teléfonos móviles para determinar cuántas personas estaban en el aparcamiento de Macy´s el Viernes Negro (día de inicio de las compras de Navidad en Estados Unidos). Esto les permitió estimar las ventas de la compañía retail en ese día, incluso antes de que Macy´s fuese capaz de registrar sus ventas reales.

Variedad – El big data llega de muchas formas. Puede venir en forma de imágenes publicadas en Facebook, en correo electrónico, en mensajes de texto, en las señales GPS de los teléfonos móviles, en los mensajes de twitter y en otras notificaciones de redes sociales.

Estas formas de datos se conocen comúnmente como datos no estructurados. Cada persona hoy en día es potencialmente un generador de datos andante. Sin embargo, son datos que no se organizan en base de datos.

Las bases de datos estructuradas que almacenan más información corporativa no son muy adecuadas para almacenar y procesar grandes volúmenes de datos.

Al mismo tiempo, los elementos informáticos, como el almacenamiento, la memoria, el procesamiento y el ancho de banda son cada vez más baratos, por lo que es más económico para las empresas llevar a cabo enfoques de datos intensivos que analizar la información.

El big data puede estar no estructurado y ser difícil de manejar, pero hay una gran cantidad de señales vitales entre todo el «ruido» que lo acompaña. El valor está a la espera de ser explotado.

Artículo escrito por Nestor E. Arellano. Visto en http://www.itworldcanada.com/

 

14 usos que tienen las aplicaciones Business Intelligence Analytics

Muchas veces hablamos de herramientas, tecnologías, arquitecturas, bases de datos, etc.; pero no nos detenemos tanto en los usos y aplicaciones que todas estas herramientas y tecnologías nos proporcionan, una vez que el mundo Analytics ha complementado el Business Intelligence, gracias al uso masivo de datos con técnicas estadísticas y de Machine Learning.

apps BI Analytics

He aquí unos ejemplos:

  1. Business experiments: Experimentos de negocio, diseño experimental y testing AB. Todas ellas son técnicas para probar la validez de algo – ya sea una hipótesis estratégica, un nuevo packaging o un enfoque de marketing. Se trata, básicamente, de probar algo en una parte de la organización y luego compararlo con otra, donde no se realizaron los cambios (utilizada como grupo de control). Es útil si tenemos dos o más opciones entre las que decidir.
  2. Visual analytics: Los datos pueden analizarse de diferentes maneras y es la forma más sencilla para crear una imagen o gráfico y mirarlo para detectar patrones. Se trata de un enfoque integrado que combina el análisis de datos con la visualización de los mismos y la interacción humana. Es especialmente útil cuando se está tratando de dar sentido a un gran volumen de datos.
  3. Correlation analysis: Es una técnica estadística que te permite determinar si existe una relación entre dos variables independientes y lo fuerte que esa relación puede ser. Es muy útil cuando se sabe o se sospecha que existe una relación entre dos variables y nos gustaría probar su hipótesis.
  4. Regression analysis: El regression analysis o análisis de regresión es una herramienta estadística para investigar la relación entre las variables; por ejemplo, ¿existe una relación causal entre el precio y la demanda del producto? Lo usaremos cuando creemos que una variable está afectando a otras y deseamos establecer si esta hipótesis es verdadera.
  5. Scenario analysis: El scenario analysis, también conocido como horizonte de análisis o análisis de retorno total, es un proceso analítico que permite analizar una variedad de posibles acontecimientos o escenarios futuros, considerando los posibles resultados alternativos. Se usa cuando uno está seguro de la decisión que tomar o del curso de acción a seguir.
  6. Forecasting/time series analysis: Son datos que se recogen a intervalos uniformemente espaciados. El análisis de series temporales explora estos datos para extraer estadísticas significativas o características de los datos. Se utiliza cuando se quieren evaluar los cambios en el tiempo o predecir acontecimientos futuros a partir de lo que ha sucedido en el pasado.
  7. Data mining: Es un proceso analítico diseñado para explorar los datos (por lo general conjuntos muy grandes de datos relacionados con la empresa, también conocido como «Big Data»), en busca de ideas «comercialmente» relevantes, patrones o relaciones entre las variables que pueden mejorar el rendimiento y desempeño. Por tanto, es útil cuando se tienen grandes conjuntos de datos, de los cuales queremos extraer ideas y conclusiones.
  8. Text analytics: También conocido como text mining, el text analytics es un proceso basado en extraer valor de grandes cantidades de datos de texto no estructurados. Se puede utilizar en numerosas situaciones, incluyendo la recuperación de información, el reconocimiento de patrones, el etiquetado y la anotación, la extracción de información, la evaluación de sentimiento y en los análisis predictivos.
  9. Sentiment analysis: El «análisis de sentimientos», también conocido opinion mining, pretende extraer la opinión subjetiva o sentimientos de datos de texto, vídeo o audio. El objetivo fundamental es determinar la actitud de un individuo o grupo con respecto a un tema en particular o un contexto global. Es recomendable utilizarlo cuando queremos comprender la opinión de las partes interesadas (stakeholders).
  10. Image analytics: El análisis de imágenes es el proceso de extracción de información, significados y puntos de vista a partir de imágenes, tales como fotografías, imágenes médicas o gráficos. Se trata de un proceso basado en gran medida en el reconocimiento de patrones, la geometría digital y el procesamiento de señales. El análisis de imagen tiene numerosos usos, como por ejemplo el reconocimiento facial con fines de seguridad.
  11. Video analytics: El análisis de vídeo es el proceso de extracción de información, significados y puntos de vista desde secuencias de vídeo. Incluye todo lo que hace el análisis de imagen, añadiendo que también puede medir y rastrear el comportamiento. Se podría utilizar si queremos saber más acerca de quién está visitando nuestra tienda o local y lo que están haciendo cuando llegan allí.
  12. Voice analytics: El análisis de voz, también conocido como análisis de conversación (speech analytics), es el proceso de extracción de información a través de grabaciones de audio de las conversaciones. Esta forma de análisis puede analizar los temas o las palabras y frases actuales que se utilizan, así como el contenido emocional de la conversación. Se podría utilizar análisis de voz en un call center para ayudar a identificar las quejas de los clientes recurrentes o los problemas técnicos.
  13. Monte Carlo Simulation: La simulación Monte Carlo es una técnica de resolución de problemas matemáticos y de evaluación del riesgo que nos aproxima la probabilidad de ciertos resultados y el riesgo de los mismos, utilizando simulaciones computarizadas de variables aleatorias. Es útil para entender mejor las implicaciones y ramificaciones de un determinado curso de acción o decisión.
  14. Linear programming: También conocido como optimización lineal (linear optimization), es un método de identificación de los mejores resultados, basado en un conjunto de restricciones utilizando un modelo matemático lineal. Te permite resolver problemas que implican minimizar y maximizar las condiciones, tales como la forma de maximizar los beneficios y minimizar los costes. Es útil si tenemos una serie de limitaciones, como el tiempo, materias primas, etc., y queremos saber la mejor combinación o dónde dirigir nuestros recursos para el beneficio máximo.

Artículo visto en http://todobi.blogspot.com.es/

Big Data as a service is the next Big Thing

BDaaS: Big Data como Servicio

Introducción

Las organizaciones están encontrando muchas dificultades para aplicar eficazmente la tecnología Big Data debido a problemas como la falta de conocimientos técnicos disponibles, entre otros.

Algunas de las últimas innovaciones en la industria de TI han estado relacionadas con el Cloud Computing o computación en la nube y el Big Data. La combinación de Big Data y Cloud Computing ha dado lugar a la aparición de una nueva categoría de tecnología denominada Big Data como Servicio o de forma simplificada “DBaaS”.

Cloud Computing consiste en el uso de recursos virtualizados externos que son dinámicamente escalables y que se utilizan para proveer los denominados servicios en internet o, más comúnmente conocidos, como servicios en la Nube.

Big Data  se utiliza para describir datos que son muchos y demasiado grandes, que hacen que sea difícil su análisis de forma tradicional (Davenport 2012). Gartner se refiere a ellos como un conjunto de datos de “alta Variedad, con Volumen y Velocidad” (Heudecker 2013). Cada vez más se añaden a esta descripción el Valor y Veracidad.

Ventajas de BDaaS

Las organizaciones que implementan soluciones de Big Data se enfrentan a costos significativos en términos de la creación de la infraestructura y la obtención de mano de obra especializada.

En un informe, Gartner indica que el mayor reto en la implantación de una solución de Big Data es determinar su valor para el negocio. De acuerdo con el estudio, alrededor del 56% de lideres tecnológicos consultados trataban de determinar el valor derivado del uso de Big Data. En el mismo estudio, el 29% indicaron que poner en marcha y gestionar la infraestructura necesaria era su principal reto y preocupación.

Y algo clave y enormemente importante: existe una “gran brecha de capacidad analítica entre organizaciones más pequeñas y las más grandes, donde los últimos claramente disponen de más recursos para analizar sus datos llevando a una mejor toma de decisiones y en consecuencia disponen de una mayor ventaja competitiva”. Por tanto, las compañías de menor tamaño se encuentran en grave desventaja lo cual es perjudicial para su crecimiento.

El uso de la tecnología BDaaS ayudará a las pequeñas compañías a mitigar este gap y, en último lugar, posibilitarán a estas organizaciones desarrollar capacidades de Big Data similares a las de las grandes.

BDaaS se define como un Framework Cloud-Based, de computación distribuida escalable de forma horizontal, y que está diseñado para manejar grandes conjuntos de datos o Big Data.

El stack o pila de servicios BDaaS está compuesto por niveles de grupos de tecnología de acuerdo a las funciones que desempeñan (figura 2.1). Por ejemplo, la capa de Data Analytics incluye tecnologías como Tibco Spotfire, la cual provee una plataforma en la nube de capacidad analítica. La capa de Almacenamiento o Storage puede estar basada en Amazon S3 para HDFS, el cual provee los servicios de almacenamiento. Las capas más bajas del stack BDaaS están más próximas al conocido IaaS (Infraestructura como Servicio) de cloud computing. Los niveles más altos tienen una capa de presentación que posibilita a los usuarios el acceso a los servicios.

 BDaaS

Figura 2.1

  • La capa Data Analytics incluye aplicaciones analíticas de alto nivel, como R o Tableau, sobre una solución Cloud computing que se utiliza para analizar los datos. Lo interesante de este modelo es que el tipo de herramienta a usar se puede especializar para cada tipo de industria. Por ejemplo, para entorno financiero, retail o seguros. La capacidad de especializar la capa de Data Analytics dentro del stack BDaaS hace que sea utilizable y adaptable a muchas organizaciones.
  • La capa de Data Management incluye tecnologías de manejo de datos, como pueden ser las propias del ecosistema Hadoop Pig, HbasE, Sqoop etc.
  • La capa de computación provee los servicios de computo, pudiendo estar basados en Amazon MapReduce, o bien las más novedosas como Spark.
  • La capa de almacenamiento dispone de la infraestructura necesaria para la implementación de HDFS, pudiendo estar basada en S3 de Amazon u otro modelo de almacenamiento distribuido y redundante.
  • Finalmente, en la capas de Cloud e infraestructura se pueden optar por soluciones IaaS más comunes, como VMWare, OpenStack y ubicados en Datacenters distribuidos.

En términos generales las tecnologías de la pila BDaaS deben de cumplir con los siguientes requisitos:

  1. Las tecnologías deben de estar claramente definidas en cada stack.
  2. Deben de ser interconectables hacia arriba y hacia abajo.
  3. Deben de proveer un conjunto mínimo de funcionalidades en su stack.
  4. Y, por último, deben de ser escalables en el Cloud.

En cuanto al impacto sobre las tecnologías Big Data y las Bases de Datos tradicionales el siguiente cuadro muestra las ventajas de BDaaS.

Big Data as a Service

Big Data Tradicional

Base de Datos Tradicional

Escalabilidad bajo demanda gracias a Cloud Computing y arquitecturas distribuidas

Escalabilidad bajo demanda gracias a arquitecturas distribuidas Carencia de escalabilidad
Virtualización del almacenamiento y del  dato en plataformas distribuidas Almacenamiento sobre HDFS o plataformas distribuidas Almacenamiento tradicional sobre SAN,NAS y Disco
Datos estructurados y no estructurados en entornos Cloud Datos estructurados y no estructurados Datos estructurados
Funciones de Analítica Avanzada bajo con capacidad de computo bajo demanda Funciones de Analítica Avanzada Reporting basado en OLAP
Máxima accesibilidad Acceso Limitado Acceso Limitado
Capacidades de Analítica mediante algoritmos pre configurados y adaptación de código. Capacidades de Analítica mediante adaptación de código Capacidades de Analítica mediante adaptación de código

Ejemplos de compañías BDaaS

  • Cazena

https://www.cazena.com

  • Qubole

https://www.qubole.com

  • Doopex

https://doopex.com

Conclusiones

Debido a la alta demanda de Data Scientists y Analistas, unido a los altos costes de implementación de soluciones Big Data On Premise, BDaaS se convierte en una gran solución en cuanto que muchas organizaciones podrán empezar a utilizar Big Data alcanzando ventajas competitivas independientemente de su tamaño.

BDaaS es una revolución necesaria, al igual que sucedió con Cloud Computing.

EDUARDO MOREJON SABIO

Business Development Manager – Techedge Spain

Executive Master en Big Data en MSMK – Madrid School of Marketing

Empresas orientadas a Datos

¿Qué significa exactamente que una empresa esté orientada a datos?

Empresas orientadas a datos

En muchas empresas se cree que por generar montones de datos o tener aplicaciones de inteligencia de negocio, con unos cuantos cuadros de mando, ya están orientadas a datos.

Aunque efectivamente estas actividades forman parte de lo que hacen las empresas orientadas a datos, son actividades típicas para mostrar los hechos que están ocurriendo en ese momento o que ya han ocurrido en el pasado, sin explicar su causa, o hacer recomendaciones  de qué se debe de hacer a continuación.

En contraste, las organizaciones orientadas a datos realizan análisis con miras al futuro, como utilizar modelos predictivos para optimizar el gasto, reponer una pieza en la cadena de suministro que está a punto de fallar, o parar la fuga de clientes a la competencia, con ciertas estrategias, como por ejemplo , ofrecerles un pequeño descuento justo antes de que se vayan. Realizar estas actividades requiere disponer de ciertas herramientas y habilidades; pero, sobre todo, debe de existir una cultura empresarial que promueva el uso de datos como base en la toma de decisiones.

¿Qué requisitos deben tener las empresas orientadas a datos?

1º Requisito: ¡Datos!

El primer requisito es el más obvio: la organización debe de recolectar datos. Sin, duda los datos son un requisito clave. La diferencia aquí es que no vale cualquier dato, sino que deben de ser los datos correctos.

Data

En concreto, los datos deben de ser relevantes a la cuestión que se intenta resolver; oportunos, en el sentido de que tiene se tienen que obtener antes de que sea demasiado tarde; completoscoherentes; sin ningún tipo de prejuicio; y lo más importante, tienen que ser de confianza.

Habitualmente los datos siempre requieren un proceso de ‘limpieza’ previo a su uso donde, entre otras actividades, se completan, se corrigen y se identifican los que son incoherentes. Esta tarea no es nada fácil y suele consumir el 80% del tiempo total, por otro 20% del  tiempo donde se construyen los modelos, se analiza, se visualiza y se extraen conclusiones de esa información. Una señal que nos indica si estamos o no cumpliendo este requisito, es si en nuestra organización existe o no alguien que es responsable de la calidad de los datos.

Al final, todo es una cuestión de cultura corporativa. Por ejemplo, en las empresas orientadas a datos, los proyectos relacionados con la recolección de datos casi nunca tienen problemas de financiación.

2º requisito: Relaciones entre datos

Ya tenemos datos, ¿ya somos una empresa orientada a datos?

Tener datos relevantes, precisos, limpios y confiables no es suficiente para ser una empresa orientada a datos.

En primer lugar, estos datos tiene que poderse unir a otros datos de la empresa, cuando sea necesario. Esto, básicamente significa que vamos a poder relacionar fácilmente datos de distinta fuente. ¿El código de cliente de la aplicación de reclamaciones es el mismo que el código de cliente de la aplicación que gestiona los pedidos?, ¿se comparten los mismos códigos de producto entre las distintas aplicaciones corporativas?

Además, en la empresa tenemos que contar con  un conjunto de herramientas adecuadas para poder buscar, filtrar, agregar y desglosar los datos.

Relaciones Big Data

Por ejemplo, si nuestros informes tienen la posibilidad de agregar los datos, podremos ver de un solo vistazo lo que está sucediendo en nuestro negocio y seremos capaces de ver tendencias, o podremos detectar las diferencias que se producen entre los distintos segmentos de clientes.

Pero sin duda, lo más importante es que tiene que existir una cultura corporativa que permita compartir información. Por ejemplo, tendríamos que poder unir los datos de la secuencia de clicks que hace un cliente en nuestra página web, con los datos de otros departamentos de nuestra empresa, como el departamento comercial o el departamento financiero. Será mucho mejor cuanta más información se comparta entre los distintos departamentos de la compañía.

En una organización orientada a datos, se comunican todos los números, independientemente de si ofrecen resultados negativos y, por ejemplo, cuando alguien ofrece una opinión, siempre se acompaña con números y datos.

Más ejemplos, en una organización orientada a datos, se dan mucha importancia a los procesos de gobierno de la información y todo el mundo comparte la misma definición para los distintos términos de negocio. Incluso se sabe perfectamente donde se generar la información, hacia dónde viaja y qué se hace con ella por el camino.

3º Requisito: Personas

Hemos cumplido los dos requisitos anteriores, ¿es suficiente?  No, todavía no.

Necesitamos personas que utilicen datos, que sean capaces de filtrarlos y agregarlos, pero sobre todo, personas que tengan las habilidades suficientes para diseñar y escoger las métricas adecuadas que determinen la dirección que está tomando la empresa, de forma que se sea fácil monitorizar su progreso, su éxito o, lo antes posible, su fracaso. Además, alguien necesita decidir sobre estas métricas y alguien (posiblemente otra persona) debe de crear los procesos necesarios para  proporcionar estos valores.

Expertos Big Data

Por tanto, podemos decir que para que una organización sea orientada a datos, debe de tener personas que realicen las preguntas correctas sobre los datos, personas que tengan las habilidades necesarias para extraer la información correcta, personas que diseñen las métricas precisas, y personas que usen esa información para dirigir los siguientes pasos de la empresa y se den cuenta lo más rápido posible de las desviaciones tan pronto se producen.

Una vez más, la cultura empresarial es clave. En una empresa orientada a datos, cada objetivo, ya sea empresarial o personal  de un empleado, se asocia con un indicador que permita establecer rápidamente si se cumple o no.

¿Es tu compañía una empresa orientada a datos?

DANIEL VILLANUEVA

Consultor BI – Jefe de Proyecto en Indra

Profesor de Big Data en MSMK – Madrid School of Marketing

“Trabajar en un mayorista de IT como Arrow ECS me ha aportado una visibilidad muy amplia de todo el ecosistema informático”

Entrevista a José Luis Lamas, SAS-Business Development Manager en Arrow ECS Spain y antiguo alumno del Máster en Business Intelligence y Big Data de MSMK – Madrid School of Marketing

Jose Luis Lamas

Pregunta: Se cumple ahora un año desde que ocupas el puesto de SAS-Business Development Manager en Arrow ECS Spain. Háblanos de Arrow ECS y de las funciones que desempeñas dentro de la empresa.

Respuesta: Arrow ECS es un mayorista de soluciones informáticas, que pertenece al grupo Arrow. Concretamente, Arrow ECS es la empresa del grupo especializada en soluciones y tecnología informática para el mundo empresarial. El puesto que cubro, desde febrero de 2015, surge a propósito de la distribución a nivel internacional del software de SAS Institute, líder mundial en soluciones de Business Analytics. Actualmente ambas corporaciones están desarrollando un nuevo canal de ventas a través de Partners Resellers que se está implementando en diferentes países como España, Francia, Holanda o Inglaterra, además de Estados Unidos.

Logo Arrow ECS

¿Mis funciones? Trabajo codo a codo con el equipo de canal del fabricante SAS en España, un equipo que se dedica a potenciar las ventas de herramientas y soluciones de SAS, principalmente para Mid-Market. Para llegar a este mercado, hemos realizado una primera fase de recruiting de partners (consultoras tecnológicas, principalmente del ámbito de Business Intelligence y de Business Analytics). Mi función es ayudar al fabricante a posicionar sus soluciones dentro de esta red de partners y, a su vez, ayudar a los partners a que posicionen estas soluciones en su cliente final. A partir de ahí, surgen muchas más tareas: cubro una parte de Marketing Estratégico y Planificación de Negocio, otra parte de gestión del Ciclo de las Ventas; y muchas más tareas propias de la gestión de un fabricante de Software. Al fin y al cabo, hay un canal completamente bidireccional entre fabricante y mayorista.

P: ¿Qué supone profesionalmente estar en una consultora IT y mayorista de soluciones de seguridad informática como Arrow ECS?

R: Arrow ECS nace en los años 90 dentro del grupo Arrow con el objetivo de ser un mayorista de valor, ocupando actualmente plazas de liderazgo a nivel mundial, así como en el mercado español. En Arrow ECS, además del servicio propio de distribución de tecnología informática, se ofrecen Soluciones Financieras, de Marketing, Soporte y Formación cualificada, que conforman esa apuesta de valor que nos distingue de nuestros competidores.

A nivel personal, trabajar en un mayorista de IT me ha aportado una visibilidad muy amplia de todo el canal, de todo el ecosistema informático. Es un ciclo donde hago tantas cosas diferentes, que me ha dado mucha “cintura”, aprendiendo y desarrollando muchos más conceptos y responsabilidades.

P: ¿Cómo fue el camino, profesionalmente, hasta llegar hasta aquí?

R: Dentro del mundo informático he tenido “varias vidas”. Estudié Ingeniería Informática y empecé trabajando en la parcela más técnica y de soporte. Posteriormente participé en proyectos de desarrollo de Software; pero finalmente decidí cambiar el rumbo porque a nivel personal me sentía más cómodo en el área de negocio. Durante una primera etapa trabajé en la venta de soluciones de IBM Cognos y también soluciones del fabricante SAP.

Tras una segunda etapa más enfocado al ámbito de Quality Assurance de Software, finalmente llegué a Arrow ECS, que ha sido un total acierto.

logo SAS

P: ¿Cómo te ayudó el Máster de Bussiness Intelligence en tu carrera profesional?

R: De Madrid School of Marketing me llamó enormemente la atención el claustro de profesores, que luego se materializó en las clases. Todos ellos tenían una experiencia espectacular, siendo líderes en compañías de muy alto nivel; gente muy especializada en temas de gestión de la información… Elegí MSMK precisamente por la especialización que aportaba y, a pesar de ser una escuela relativamente nueva, decidí arriesgarme. Sin duda, no me equivoqué: el máster me aportó una mayor profundidad de conocimientos de todo el espectro de BI.

P: ¿Qué aspectos valoras de manera más positiva?

R: La oportunidad de conocer in situ a gente que está liderando proyectos de tan alto nivel en compañías reales, que además me trasladaron directamente su experiencia propia y fueron capaces de darme unas pautas bajo su experiencia personal. Por otro lado, también me gustó que el programa fuese tan completo, ya que, más allá de tocar todos los ámbitos de Business Intelligence, nos adentramos en fundamentos de Marketing.

También se impartieron temas comerciales, de habilidades personales y directivas, hicimos talleres en el ámbito de la psicología empresarial, nos prepararon para hablar en público y hacer presentaciones…

 P: ¿Qué retos profesionales afrontarás en los próximos meses?

 R: Para Arrow, Business Analytics es un área estratégica, con lo cual trabajar con SAS dentro de la Arrow es algo que me atrae mucho y que va a tomar gran forma en un futuro. Un auténtico reto tanto personal como para la compañía.

¿Dónde acaba Big Data y dónde empieza Gran Hermano?

Por Bernard Mar

redwebHe encontrado un libro interesante que cuenta los detalles de las medidas que las autoridades rusas van a llevar a cabo contra la disidencia on line. También afecta a muchas de las cuestiones que surgen habitualmente cuando se discute el «lado oscuro» de los grandes datos.

Según el libro de Andrei Soldatov y de Irina Borogan, «The Red Web», los métodos utilizados por la policía rusa y Servicio de Protección Federal (FSB) hacen que la vigilancia de la Agencia de Seguridad Nacional de Estados Unidos y de la Sede de Comunicaciones del Gobierno del Reino Unido parezcan un juego de niños.

El FSB se refiere a menudo como la organización sucesora de la era soviética KGB, y Soldatov y Borogan explican que muchas de las técnicas y estrategias de FSB han evolucionado a partir de las desarrolladas por su predecesor.

Según los autores, existe una lista de organizaciones – incluyendo las autoridades fiscales, de fronteras y los servicios aduaneros, y las ramas de los militares – que tienen el derecho a espiar las conversaciones de cualquier ciudadano ruso en cualquier momento, sin tener que dar explicación o justificación alguna de sus actos.

Soldatov y Borogan afirman que, en los últimos años, la información recopilada de esta manera se ha utilizado para procesar y encarcelar a un sinnúmero de activistas políticos y sociales, a veces tras juicios celebrados a puerta cerrada por razones de «seguridad del Estado».

Esto impacta en el corazón de una de las preocupaciones más importantes sobre cómo se utilizarán los datos en el futuro. Con la elevada tasa de recopilación de datos y la evolución de las tecnologías, no hay que tener mucha imaginación para decir que pronto será posible saber todo de todos, en cualquier momento. La pregunta es, ¿alguien puede estar seguro especialmente con aquellos que pueden limitar nuestras libertades, encarcelando o a veces incluso matarnos si nos perciben actuando en contra de sus intereses?

En Occidente, podemos sentirnos relativamente cómodos ya que tenemos marcos legales vigentes que protegen nuestros derechos humanos – tenemos el derecho a un juicio en público, ante un jurado por ejemplo. Pero ¿son estos derechos tan sólidos como parecen? En la última década, el Reino Unido ha promulgado una Ley contra el terrorismo, que permite en determinados casos celebrar juicios en secreto.

Además de eso, el grado en que nuestros gobiernos están dispuestos a espiarnos se ha puesto al descubierto por las revelaciones de Edward Snowden. Snowden, irónicamente, ha elegido a Rusia para hacer su casa en en su intento de evadir el enjuiciamiento en Estados Unidos, por lo que muchas personas creen que denuncia de irregularidades actos de interés público, en lugar de los crímenes.

En «The Red Web», los autores describen cómo, en 1995, las autoridades rusas aprobaron una ley que permite monitorizar las telecomunicaciones. El año siguiente aprobó que el sistema SORM (un acrónimo de nombre ruso del sistema, lo que se traduce en «Sistema de Actividades de Investigación Operativas») entrara en funcionamiento. El sistema permitió al estado para aprovechar las conversaciones telefónicas, en secreto y a voluntad.

Los años siguientes vieron el rápido aumento de la popularidad de Internet como un medio de comunicación pública y SORM-2 se desplegó en 1998 para permitir la vigilancia de esta tecnología emergente.

putinEn 2000, las leyes de vigilancia se han actualizado para incluir que las autoridades ya no deben proporcionar una explicación al ISP y a las compañías de telecomunicaciones para de exigir datos personales. Además, el número de oficinas gubernamentales que podían acceder a los datos se expandió desde sólo el FSB a incluir la policía, autoridades fiscales, servicios fronterizos y de inmigración, ramas militares, y el Ministerio del Interior.

El sistema se le dio su última actualización importante en 2014, cuando se convirtió en SORM-3. Esta actualización fue creada específicamente para dar al sistema la capacidad de controlar los medios de comunicación social. Otros cambios legislativos que también entraron en vigor, obligan a los operadores a permitir el control de la actividad de sus usuarios.

El libro detalla cómo el régimen de Putin, mientras denuncia públicamente que Internet es un «proyecto de la CIA», es experto en manipular por sus propio interés. Trolls pro-Putin utilizados como propaganda en sitios web y redes sociales y prensa occidentales, y los bloggers que cuando tienen más de 3.000 seguidores, están obligados a registrarse para que el gobierno pueda monitorizarlos.

Sin duda, es una lectura reveladora, recomendable para cualquiera que esté interesado en la tecnología digital y en cómo los grandes datos que estamos generando podrían ser utilizados para restringir nuestros derechos civiles. Esto sin duda debe ser motivo un de preocupación teniendo en cuenta la enorme cantidad de datos que se recogen.

cochesPor ejemplo, veamos el dato de los automóviles. En 2020, más de un cuarto de billón de vehículos estarán conectados a Internet. Muchos estarán equipados con sensores que registran absolutamente todo lo que está pasando alrededor de ellos – tanto el vídeo y los datos digitales como los estructurados utilizados en la tecnología de los radares- para construir un modelo 3D del entorno. Además, existe tecnología de reconocimiento facial. No parece demasiado paranoico, para mí, asumir que un día un gobierno (o, de hecho, una gran organización comercial) podrán almacenar estos datos juntos y determinar exactamente dónde está cualquier persona, en cualquier momento.

GHNuestro mundo, cada vez más digital y conectado, sin duda trae muchos beneficios; pero hay trampas a las que hay que estar atentos también. Como hemos visto, tanto en Estados Unidos como en Europa, los gobiernos están dispuestos y son capaces de engañarnos sobre el alcance de su vigilancia. Creo que necesitamos una discusión mucho más amplia sobre dónde termina el Big Data y dónde comienza Gran Hermano.