La tecnolog\u00eda est\u00e1 en todos lados, aunque no nos demos cuenta. Las m\u00e1quinas ven, escuchan, interpretan, analizan. Pero, \u00bfpueden pensar? Como buen matem\u00e1tico, para Turing pensar es b\u00e1sicamente calcular. Y aqu\u00ed podr\u00edamos hacer una primera observaci\u00f3n, humilde, a nuestro gigante: \u00bfpensar es solamente calcular? En principio, y sin voluntad de agotar esta discusi\u00f3n en estas p\u00e1ginas, los seres humanos hacemos mucho m\u00e1s que calcular.<\/p>\n
La tecnolog\u00eda est\u00e1 en todos lados, aunque no nos demos cuenta. Las m\u00e1quinas ven, escuchan, interpretan, analizan. Pero, \u00bfpueden pensar? Responder esta pregunta podr\u00eda llevarnos p\u00e1ginas y p\u00e1ginas de complejos razonamientos filos\u00f3ficos. As\u00ed que, en este libro, haremos lo que dec\u00edan los medievales, que luego inspiraron a Isaac Newton, \u201cvamos a pararnos sobre hombros de gigantes\u201d. El primer gigante que nos guiar\u00e1 en este recorrido, es alguien que quiz\u00e1 conozcan: Alan Turing.<\/p>\n
En 1950 el aparato cient\u00edfico-tecnol\u00f3gico de las grandes potencias, estaba principalmente concentrado en cosas como evitar un apocalipsis nuclear o, al menos, no estar dentro del bloque perjudicado. Por esto, las estrellas de rock de la investigaci\u00f3n cient\u00edfica, eran aquellos que se dedicaban a cosas como la energ\u00eda nuclear, la construcci\u00f3n de misiles o, eventualmente, la construcci\u00f3n de refugios lo suficientemente resistentes como para resistir el impacto de una bomba at\u00f3mica.<\/p>\n
Mientras tanto, desde un laboratorio de la Universidad de Manchester, el matem\u00e1tico brit\u00e1nico Alan Turing, se hac\u00eda otro tipo de preguntas. Preguntas que miraban algunas d\u00e9cadas m\u00e1s adelante que sus colegas y que, por eso mismo, fueron bastante ignoradas en un principio. Desde luego, no podr\u00edamos acusarlo \u2013como seguramente habr\u00e1n hecho en ese momento muchos de sus colegas\u2013, de vivir alejado de la realidad. Turing tuvo una corta, pero fascinante vida que, probablemente, muchos recuerden gracias al personaje que inmortaliz\u00f3 Benedict Cumberbacht en la pel\u00edcula C\u00f3digo Enigma de 2014. Durante la Segunda Guerra Mundial, y prestando servicios al Ej\u00e9rcito brit\u00e1nico, Alan Turing invent\u00f3 una m\u00e1quina que logr\u00f3 descifrar los mensajes secretos que enviaban los alemanes a trav\u00e9s del famoso, y hasta el momento indescifrable, \u201cc\u00f3digo enigma\u201d. En 1943, lleg\u00f3 a interpretar 84 mil mensajes al mes y \u00e9ste fue uno de los elementos cruciales para la victoria aliada. A esta m\u00e1quina, parad\u00f3jicamente, la llam\u00f3 bomba, anticipando que la informaci\u00f3n puede ser la m\u00e1s poderosa de las armas.<\/p>\n
Pero volvamos a 1950. Como dec\u00eda, los mensajes secretos y los mecanismos de encriptaci\u00f3n hab\u00edan pasado de moda. En el mundo segu\u00eda habiendo una guerra que ganar, pero la clave ya no estaba en los esp\u00edas, sino en las armas de destrucci\u00f3n masiva. La atenci\u00f3n enfocaba hacia otro lado. Sin embargo, en ese m\u00edtico laboratorio de la Universidad de Manchester, se estaba gestando una de las preguntas que hasta el d\u00eda de hoy resulta clave para reflexionar sobre el futuro de la humanidad. Antes de que la infinita estupidez humana acabara con su vida p\u00fablica y f\u00edsica, el matem\u00e1tico dej\u00f3 a nuestra especie otro crucial aporte para el futuro: el Test de Turing. Aunque parezca incre\u00edble, hacia fines de la d\u00e9cada de 1940, casi diez a\u00f1os antes de que se hablara por primera vez de Inteligencia Artificial a Turing lo desvelaba la pregunta sobre la capacidad (o no) de pensar de las m\u00e1quinas.<\/p>\n
\u201c\u00bfPueden pensar las m\u00e1quinas?\u201d Para responder a esa pregunta, nuestro gu\u00eda comenz\u00f3 haciendo lo que cualquier manual de metodolog\u00eda de la investigaci\u00f3n cient\u00edfica dir\u00eda: primero deber\u00edamos definir qu\u00e9 es efectivamente \u201cpensar\u201d. Como buen matem\u00e1tico, para Turing pensar es b\u00e1sicamente calcular. Y aqu\u00ed podr\u00edamos hacer una primera observaci\u00f3n, humilde, a nuestro gigante: \u00bfpensar es solamente calcular? En principio, y sin voluntad de agotar esta discusi\u00f3n en estas p\u00e1ginas, los seres humanos hacemos mucho m\u00e1s que calcular. De hecho, muchas de las cosas que hacemos (como escribir este libro, por ejemplo), no deriva de un c\u00e1lculo racional. Pero, al fin y al cabo, hay tantas definiciones de pensamiento como escuelas filos\u00f3ficas y disciplinas cient\u00edficas nos imaginemos. Para nuestro primer gu\u00eda, \u201cuna computadora puede ser considerada inteligente si logra enga\u00f1ar a una persona haci\u00e9ndole creer que es humana\u201d.<\/p>\n
Si tomamos esta definici\u00f3n, podr\u00edamos decir que las computadoras ya son inteligentes, y lograron pasar el Test de Turing. Hay diversos ejemplos de c\u00f3mo algunos bots o sistemas de Inteligencia Artificial pueden mantener conversaciones fluidas con humanos. Pero, coincidamos o no con esta idea de inteligencia o de pensamiento, lo importante es entonces plantearnos la pregunta que desvelaba a Turing: \u00bfpiensan o no piensan las computadoras? \u00c9sta es la cuesti\u00f3n. Retomemos la pregunta que nos hicimos hace unos p\u00e1rrafos: hoy las computadoras pueden escuchar, ver, hablar, procesar informaci\u00f3n y, sobre esta base, tomar decisiones. Pero, \u00bfpueden pensar?<\/p>\n
Hacernos las preguntas correctas<\/strong><\/p>\n \u201cLas m\u00e1quinas son in\u00fatiles\u201d, esa fue la respuesta que dio nuestro segundo gu\u00eda, Pablo Picasso, cuando le preguntaron, en 1970, qu\u00e9 pensaba de las novedosas computadoras que, por ese entonces, captaban la atenci\u00f3n del mundo. Una primera reacci\u00f3n ante semejante afirmaci\u00f3n bien podr\u00eda ser: \u00bfqu\u00e9 sabr\u00e1 este tipo del siglo XIX sobre las computadoras?<\/p>\n Pero la forma en que sigui\u00f3 dando su respuesta, quiz\u00e1 nos ofrezca algunas pistas para responder esta pregunta. Ante la perplejidad del interlocutor, agreg\u00f3 r\u00e1pidamente: \u201cLas m\u00e1quinas son in\u00fatiles, s\u00ed. Pues solo pueden darnos respuestas\u201d.<\/p>\n Los humanos, por el contrario, tenemos la asombrosa capacidad de hacernos preguntas. A veces, la genialidad se encuentra en la capacidad de hacerse las preguntas correctas. Las computadoras aprenden de la misma forma que lo hacen la mayor\u00eda de los seres humanos: por experiencia. Y en funci\u00f3n de la misma, brindan respuestas l\u00f3gicas. Pero nuestra capacidad humana de hacernos preguntas que podr\u00edan sonar il\u00f3gicas, nos lleva muchas veces a tomar decisiones que cambian el rumbo de la humanidad. Y si no me creen, miren a Turing.<\/p>\n Por eso, a lo largo de este libro buscaremos dar respuesta a algunas de las grandes preguntas que existen sobre el mundo de la inteligencia artificial. Pero no solo eso: muchas veces demandamos demasiadas respuestas cuando en realidad lo que necesitamos es seguir haci\u00e9ndonos preguntas, eso es lo que nos permite avanzar. (\u2026)<\/p>\n \u00bfPiensan las m\u00e1quinas? \u00bfNos liberan para ser m\u00e1s humanos? \u00bfEn qu\u00e9 nos distinguimos de ellas? \u00bfC\u00f3mo evolucionaron?, \u00bfhasta d\u00f3nde pueden llegar?, \u00bfvan a reemplazarnos?, \u00bfen qu\u00e9 habilidades?, \u00bfsurgir\u00e1n nuevas habilidades humanas?, \u00bfcu\u00e1les? Despu\u00e9s de todo, detr\u00e1s de la tecnolog\u00eda, hay humanos, as\u00ed que la cuesti\u00f3n es intentar despejar el camino para detenernos a pensar cu\u00e1l ser\u00e1 el rumbo de la evoluci\u00f3n humana y cu\u00e1l el de la evoluci\u00f3n tecnol\u00f3gica. Un riesgo es caer en el autoenga\u00f1o de creer que las m\u00e1quinas ser\u00e1n un reemplazo sustitutivo absoluto. Sin embargo, el avance tecnol\u00f3gico nos sit\u00faa en un nuevo estadio humano, y la intenci\u00f3n es, entonces, reflexionar acerca de este intercambio y sus \u00e1reas de complemento y\/o reemplazo. \u00bfCu\u00e1les ser\u00e1n las tareas que estar\u00e1n \u201cen manos\u201d de las m\u00e1quinas?<\/p>\n Las leyes de la rob\u00f3tica<\/strong><\/p>\n En 1999, se estren\u00f3 la pel\u00edcula El hombre Bicentenario, dirigida por Chris Columbus y protagonizada por Robin Williams. Este filme, basado en el libro del mismo nombre y escrito por Isaac Asimov y Robert Silverlberg, relata la historia de Andrew, un robot dom\u00e9stico que, luego de ser adquirido como sirviente de una familia tipo norteamericana, comienza a desarrollar emociones humanas y una inusual capacidad creativa. Progresivamente, Andrew se va volviendo cada vez m\u00e1s humano por lo que intenta ser reconocido como tal en el Congreso mundial. En ese tr\u00e1nsito hacia la humanizaci\u00f3n, el robot comienza a procesar diversos est\u00edmulos y sensaciones que hacen sus incipientes emociones a\u00fan m\u00e1s intensas, volvi\u00e9ndolo m\u00e1s vulnerable ante situaciones como la muerte de un ser querido.<\/p>\n Primera ense\u00f1anza: cuanto m\u00e1s humano, m\u00e1s vulnerable.<\/strong><\/p>\n Luego de varios intentos infructuosos para adquirir reconocimiento legal como ser humano y una historia de amor mediante, Andrew Martin llega a una conclusi\u00f3n: la \u00fanica forma de ser declarado humano es dejar de lado el privilegio de la inmortalidad que le confer\u00eda ser un robot. Segunda ense\u00f1anza: a diferencia de las m\u00e1quinas, los seres humanos, somos, por definici\u00f3n, finitos.<\/p>\n As\u00ed es: finitos y vulnerables. As\u00ed somos los seres humanos y, por eso, la supervivencia es un pilar fundamental de nuestra vida. Sobrevivir es nuestra obsesi\u00f3n. Pero con las m\u00e1quinas no pasa lo mismo. De hecho, hacia el principio de la pel\u00edcula, apenas el robot NDR, que luego se convirtiera en Andrew, llega en una caja a la casa de la familia Martin, lo primero que hace es recitar a Richard (el padre de familia), las tres leyes de la rob\u00f3tica.<\/p>\n Primera ley de la rob\u00f3tica:<\/strong> un robot no puede hacer da\u00f1o a un ser humano o, por inacci\u00f3n, permitir que un ser humano sufra da\u00f1o.<\/p>\n Segunda ley de la rob\u00f3tica:<\/strong> un robot debe obedecer las \u00f3rdenes dadas por los seres humanos, excepto si estas \u00f3rdenes entrasen en conflicto con la primera Ley.<\/p>\n Tercera ley de la rob\u00f3tica:<\/strong> un robot debe proteger su propia existencia en la medida que esta protecci\u00f3n no entre en conflicto con la primera o la segunda ley.<\/p>\n En el caso de los humanos, por el contrario, la protecci\u00f3n de la propia existencia est\u00e1 por encima de cualquier otra ley. Incluso, en muchos casos, por encima de la posibilidad de hacer da\u00f1o a otro ser humano. Es por esto, entre muchas otras cosas, que tenemos miedo a los grandes cambios que impulsa la tecnolog\u00eda: somos finitos y vulnerables. Necesitamos sobrevivir, y todo aquello que ponga en amenaza, al menos potencialmente, nuestra existencia y nuestro bienestar, despierta nuestra l\u00f3gica desconfianza. Pero hay cambios que no podemos evitar y olas que no podemos detener, por eso, aprender a sobrevivir en un mundo de Inteligencia Artificial resulta de vital importancia para todos los que, ahora, estamos habitando el planeta. (\u2026)<\/p>\n \u00bfQu\u00e9 es Big Data y qu\u00e9 no?<\/strong><\/p>\n Muy probablemente hayas escuchado alguna vez hablar sobre Big Data. Y, al mismo tiempo, tambi\u00e9n es probable que no te sea del todo sencillo definirlo, y esto tiene que ver con que es un t\u00e9rmino demasiado general, que intentaremos precisar lo m\u00e1s posible en estas p\u00e1ginas.<\/p>\n Si el mundo fuera un lugar sencillo, este cap\u00edtulo podr\u00eda ser el m\u00e1s corto de todo el libro. Cualquier persona que pueda comprender la frase \u201cthe cat is under the table\u201d, tambi\u00e9n podr\u00eda hacer una sencilla traducci\u00f3n. Literalmente Big Data significa \u201cgrandes datos\u201d o \u201cdatos en grandes cantidades\u201d, y con esto se terminar\u00eda el asunto. Pero tampoco es tan as\u00ed. Como dice Walter Sosa Escudero, una de las personas que m\u00e1s sabe sobre Big Data en Am\u00e9rica Latina, \u201cel t\u00e9rmino Big Data es en s\u00ed mismo jerga\u201d. Es decir que es un concepto t\u00e9cnico, casi imposible de traducir y muy dif\u00edcil de explicar, que solo puede ser comprendido en su contexto y que una buena parte de la gente que lo utiliza, lo hace para parecer un poco m\u00e1s inteligente.<\/p>\n Ahora bien, otra opci\u00f3n cuando escuchemos que alguien habla de Big Data, es que nos da la sensaci\u00f3n de que est\u00e1 haciendo referencia a una tecnolog\u00eda. O m\u00e1s bien, de una innovaci\u00f3n tecnol\u00f3gica que est\u00e1 atada a la Cuarta Revoluci\u00f3n Industrial y a la econom\u00eda 4.0 y cuya particularidad ser\u00eda que permite analizar datos en grandes cantidades.<\/p>\n Ambas definiciones son correctas, y son indisociables una de la otra. S\u00ed, Big Data son muchos datos.<\/p>\n Y, s\u00ed, Big Data tambi\u00e9n es una tecnolog\u00eda. Justamente porque el concepto t\u00e9cnico de Big Data hace referencia tanto al volumen de los datos (muchos, much\u00edsimos, demasiados) y al tipo de los datos (obtenidos por medio de tecnolog\u00edas relacionadas a la Cuarta Revoluci\u00f3n Industrial). Dicho de otro modo: tres datos obtenidos por un celular no son Big Data, como tampoco es Big Data un mill\u00f3n de datos anotados a mano en una gran planilla. Pero la combinaci\u00f3n de ambos fen\u00f3menos s\u00ed lo es.<\/p>\n Por eso, para hablar de Big Data necesitamos tanto la cantidad o el volumen, como la tecnolog\u00eda que le da origen y permite administrarlo. (\u2026)<\/p>\n Big Data y las cinco \u201cV\u201d<\/strong><\/p>\n \u201cBig Data es aquel proceso de recolecci\u00f3n y an\u00e1lisis de grandes cantidades de informaci\u00f3n mediante elementos tecnol\u00f3gicos interconectados\u201d. S\u00ed, lo sabemos. Imagino que tu primera reacci\u00f3n, si no est\u00e1s familiarizado con el tema es: \u201cAh, \u00bfesto era?\u201d. Y si est\u00e1s interiorizado en el mundo del Big Data, probablemente est\u00e9s pensando \u201cMmmm, no exactamente\u201d. Cada uno tendr\u00e1 la suya. Espera, no cierres el libro ni lo arrojes contra el suelo, quiz\u00e1s todav\u00eda estoy a tiempo de convencerte para que leas un poco m\u00e1s.<\/p>\n Lo que hace genuinamente diferente al Big Data respecto a otro tipo de formas que se suelen usar para gestionar y analizar datos, radica en una de las claves de su definici\u00f3n: las famosas cinco V. Antes de mencionarlas, es importante recordar que originalmente empezaron siendo tres, y en algunos casos llegaron hasta el ins\u00f3lito pico cuasibitcoinero de 42 (incluyendo las incre\u00edbles, pero reales \u201cvocabulario\u201d, \u201cvud\u00fa\u201d y \u00a0\u201cviscosidad\u201d y \u201cvainilla\u201d). Estos t\u00e9rminos son: Volumen, Velocidad, Variedad, Veracidad y Valor.<\/p>\n \u00a0Por volumen estamos haciendo referencia a las exorbitantes cantidades de datos que se manejan y que no podr\u00edan ser administradas con la tecnolog\u00eda que ten\u00edamos hace unos a\u00f1os. Por variedad, entendemos que la informaci\u00f3n que usamos en Big Data proviene de diversas fuentes, lo que hace que los an\u00e1lisis que desarrollemos sean mucho m\u00e1s ricos que antes. As\u00ed, por ejemplo, una compa\u00f1\u00eda podr\u00eda cruzar los datos de las ventas de un determinado semestre que est\u00e1 en su sistema de relacionamiento con clientes (CRM), incluyendo comentarios de satisfacci\u00f3n o insatisfacci\u00f3n de los compradores, datos de geolocalizaci\u00f3n de las compras, im\u00e1genes satelitales, textos extra\u00eddos a partir de archivos de audio o estad\u00edsticas de precios de mercado, todos obtenidos por diferentes medios. Por \u00faltimo, la velocidad de procesamiento de grandes cantidades de datos es una de las caracter\u00edsticas definitorias que hacen diferente al Big Data.<\/p>\n Hasta aqu\u00ed, las famosas y tradicionales tres V. Pero, aunque no vamos a desarrollar otras \u201cV\u201d como Vainilla o Vud\u00fa, si nos interesa concentrarnos en dos m\u00e1s, que realmente hacen la diferencia a la hora de definir este complicado concepto: veracidad y valor. La confianza en los datos es cada vez m\u00e1s importante, ya que, debido a sus cada vez m\u00e1s variadas aplicaciones, que se ajusten a la realidad puede ser definitorio en procesos tan delicados como la organizaci\u00f3n sanitaria de todo un distrito. Por \u00faltimo, los datos tienen que ser \u00fatiles para tomar mejores decisiones. Perder esto de vista, podr\u00eda llevarnos a realizar esfuerzos y gastos innecesarios.<\/p>\n Hasta ac\u00e1 pudimos desarrollar cuatro ideas muy sencillas, pero que son fundamentales para entender, con bases s\u00f3lidas, aquellos fen\u00f3menos que est\u00e1n generando lo que probablemente es una de las mayores \u2013si no es la mayor\u2013, revoluci\u00f3n tecnol\u00f3gica de la historia:<\/p>\n > Las m\u00e1quinas \u201cpiensan\u201d de forma distinta a los seres humanos.<\/p>\n > Esa forma distinta de \u201cpensar\u201d o \u201caprender\u201d se basa en probabilidades.<\/p>\n > Las probabilidades se achican cada vez m\u00e1s cuantos m\u00e1s datos tenemos.<\/p>\n > Nunca en la historia de la humanidad se produjeron tantos datos como hoy.<\/p>\n Lo mencionado anteriormente, nos conduce a la siguiente conclusi\u00f3n: la capacidad de aprender de las m\u00e1quinas crece d\u00eda a d\u00eda de manera exponencial, tendiendo casi hacia el infinito. Esto es muy bueno si pensamos en c\u00f3mo usar esa informaci\u00f3n para poder generar modelos predictivos que permitan aumentar la eficiencia del sistema sanitario y salvar m\u00e1s vidas. Y al mismo tiempo, es muy malo si nos cruzamos a Terminator de frente.<\/p>\n El valor de los datos<\/strong><\/p>\n Cerramos el nivel uno hablando sobre el valor de los datos. Es decir, sobre la importancia de contar con la informaci\u00f3n necesaria para tomar mejores decisiones. Llegado este punto, es sumamente importante hacer un alto y aclarar una cosa: uno de los grandes desaf\u00edos que suelen darse cuando se comienzan a incorporar datos a un proceso de decisi\u00f3n, es encontrar cu\u00e1les son los datos que realmente necesitamos.<\/p>\n Parece obvio, s\u00ed. Pero, como dijo alguna vez Jacques Lacan, \u201clo obvio suele pasar desapercibido\u201d, justamente por eso: porque es obvio. Y, siendo francos, no es para nada at\u00edpico encontrarse con organizaciones que, una vez que entienden el potencial de los datos, quieren rodearse de ellos, sin pensar mucho en el \u00bfpara qu\u00e9?<\/p>\n Como ya mencionamos, para Simon Sinek la mejor forma de desarrollar una estrategia de liderazgo, en el \u00e1mbito que sea, es empezando con el \u0093\u00bfpor qu\u00e9?\u0094. Siguiendo con esta l\u00f3gica, la mejor forma de comenzar a trabajar con datos es empezando con el \u00bfpara qu\u00e9?<\/p>\n Incorporar datos \u2013ya sea Big Data o no\u2013 a los procesos de toma de decisi\u00f3n de una organizaci\u00f3n, permite lograr una mejora considerable de la capacidad de esa organizaci\u00f3n para realizar diagn\u00f3sticos y pron\u00f3sticos. (…)<\/p>\n \u00bfC\u00f3mo empezar a trabajar con datos?<\/strong><\/p>\n En los \u00faltimos a\u00f1os se multiplicaron los cursos sobre c\u00f3mo empezar a trabajar con datos. Con nombres atractivos, muy futuristas y, en muchos casos, con la promesa de que en X simples pasos ibas a poder cambiar tus posibilidades de conseguir empleo o el destino de tu organizaci\u00f3n. Todo esto, gracias a la incorporaci\u00f3n de (suenan bombos y platillos) \u00a1Big Data!<\/p>\n Si alguna vez decides anotarte en alguno de ellos, existe una medida que permite ver con anticipaci\u00f3n la calidad del contenido que vas a consumir, y que, como este libro es servicio, decidimos obsequi\u00e1rtela gentilmente. Si el curso empieza explicando algoritmos, lenguajes de programaci\u00f3n para aprender a analizar datos o herramientas que permitan visualizarlos de forma bonita y sencilla, nuestra humilde recomendaci\u00f3n es que huyan lo m\u00e1s r\u00e1pido que puedan.<\/p>\n Y es que, si ning\u00fan libro se lee empezando por el final, \u00bfpor qu\u00e9 habr\u00edamos de hacer eso para trabajar con datos? Los datos son una herramienta. Y como toda herramienta, sirven en tanto y en cuanto son utilizadas correctamente. Un taladro es una muy buena herramienta, pero si lo queremos usar para poner un tornillo en la pared, no va a cumplir su cometido. As\u00ed como tambi\u00e9n si usamos una computadora de pisapapeles, probablemente cumpla su funci\u00f3n, pero no solo no estamos aprovechando verdaderamente la utilidad total de la computadora, sino que adem\u00e1s estamos invirtiendo una cantidad demasiado alta de dinero en un lujoso pisapapeles. \u00bfDe qui\u00e9n es la culpa? \u00bfDel taladro, de la computadora o de la persona que no se dio cuenta de que los clavos se clavan con martillos y que los papeles no se pisan con laptops?<\/p>\n Ya lo adelantamos en el nivel anterior: el primer paso para empezar a trabajar con datos es el \u00bfpara qu\u00e9?: \u00bfcu\u00e1les son tus problemas? \u00bfcu\u00e1l crees que podr\u00eda ser tu oportunidad? Y, lo m\u00e1s importante, \u00bfpara qu\u00e9 podr\u00edan servirte los datos en este proceso?<\/p>\n Hacerse buenas preguntas es tan importante \u2013o incluso un poco m\u00e1s\u2013 como contar con las mejores herramientas. Por eso, la principal recomendaci\u00f3n que podemos hacer despu\u00e9s de a\u00f1os de trabajar con clientes de todo tipo, es comenzar desde el dolor: \u00bfcu\u00e1l es el problema de tu organizaci\u00f3n?<\/p>\n Descubriendo el problema<\/strong><\/p>\n Todos creemos que conocemos nuestros problemas. \u00bfQui\u00e9n mejor que nosotros mismos para describir aquello que nos afecta o nos genera un perjuicio?<\/p>\n Bueno, quiz\u00e1s es hora de repensar esa idea. Muchas veces, estar en el d\u00eda a d\u00eda de una realidad y no ver las cosas con cierta perspectiva, nos puede jugar una mala pasada.<\/p>\n Volvamos al ejemplo de c\u00f3mo retener talento. \u00bfCu\u00e1l era el verdadero problema de esta organizaci\u00f3n? Una lectura r\u00e1pida es que tenemos una gran rotaci\u00f3n de empleados que nos genera altos costos de capacitaci\u00f3n y problemas en t\u00e9rminos de la eficiencia de los equipos. Ahora bien, por pura l\u00f3gica, la soluci\u00f3n a ese problema llegar\u00e1 si logramos reducir el n\u00famero de miembros de la organizaci\u00f3n que deciden cambiar de empleo. Definido as\u00ed, este es un problema que deber\u00eda resolver un especialista en recursos humanos y no un equipo especializado en an\u00e1lisis de datos. Pero, as\u00ed y todo, seguir\u00eda existiendo el problema.<\/p>\n Si nos ponemos los anteojos que nos permiten ver los datos que est\u00e1n dando vueltas por el mundo, definiremos el problema de otra forma, dando un paso m\u00e1s: tenemos demasiados empleados y no sabemos bien en cu\u00e1les concentrarnos. Si definimos el problema en estos t\u00e9rminos, podemos pensar en una soluci\u00f3n diferente. Como ya vimos, lo que necesitamos es un algoritmo que nos permita invertir los recursos eficientemente y priorizar algunos casos por sobre otros.<\/p>\n Gran parte de la soluci\u00f3n depender\u00e1 entonces de c\u00f3mo planteemos el problema. Antes de seguir, es importante aclarar algo. No siempre que encaramos un proyecto de data vamos a comenzar desde un problema. Puede que sea, hasta ahora, la forma m\u00e1s cotidiana de hacerlo y que los que trabajamos con datos nos hayamos acostumbrado, casi metodol\u00f3gicamente, a buscar los problemas de una organizaci\u00f3n para ver c\u00f3mo podemos resolverlos usando datos, pero tambi\u00e9n existe la posibilidad de empezar a encarar estos proyectos \u201cdesde el placer\u201d, por la simple voluntad de innovar y de transformar un proceso determinado. No todo son problemas en la vida del cient\u00edfico de datos.<\/p>\n