La Química computacional. Definición, ventajas y metodología

La Química computacional es una disciplina que combina diferentes campos, incluyendo la Química, la Física, la Estadística y la Informática. Esta metodología permite simular procesos químicos y biológicos, con multitud de aplicaciones, como el diseño de fármacos o la mejora de proteínas y enzimas.

La ventaja del uso de la Química Computacional en comparación con métodos experimentales de laboratorio es que reduce gastos derivados de la compra de materiales, reduce la producción de compuestos contaminantes, y permite acelerar el proceso de investigación, por ejemplo, en etapas preclínicas del desarrollo de fármacos.

En cuanto a la metodología, las simulaciones se realizan con software específico (comercial o libre) que se encuentran normalmente alojados en la nube, lo que permite trabajar con grandes cantidades de datos y garantizar una mayor agilidad, velocidad, y seguridad de la información. Después de la simulación, se realiza un exhaustivo análisis de datos utilizando diferentes técnicas de Big Data, Inteligencia Artificial y Machine Learning para obtener resultados significativos y poder realizar predicciones.

El Docking y su uso en el diseño de fármacos

El Docking es una de las técnicas más populares dentro de la Química Computacional, sobre todo en el diseño de fármacos. El método se basa en predecir la orientación más probable entre un “target” u objetivo (una proteína, un fragmento de RNA, o DNA) y un “ligando” que puede ser el principio activo de fármaco u otra proteína.

Por ejemplo, sí queremos utilizar Docking para diseñar un fármaco que inhiba un virus, la estrategia a seguir sería parecida a la de buscar la pieza que nos falta en un puzzle. Para este ejemplo, la proteína que interviene en la infección vírica sería el puzzle, y el fármaco que buscamos (en realidad, el compuesto químico que actúa como principio activo) sería una pequeña pieza que tenemos que encajar en algún lugar desconocido del puzzle, llamado centro activo. Normalmente esta “pieza” se selecciona dentro de un catálogo que incluye  fármacos eficaces para otras dolencias que no presentan efectos secundarios graves. Después de seleccionar los fármacos que presentan mayor afinidad, éstos se pueden mejorar también computacionalmente añadiendo átomos o grupos químicos, por ejemplo, para optimizar su acoplamiento. Al final las estructuras deben ser validadas en el laboratorio de manera experimental.

Por supuesto, el problema es mucho más complejo de lo que podría parecer en el ejemplo descrito anteriormente. Porque la proteína y el fármaco son entidades flexibles, formadas por átomos y en cuya interacción intervienen diferentes fuerzas, no solo geométricas, sino también electrostáticas (debidas a las cargas), de solvatación por efecto del agua, etc.

Figura 1. Ejemplo de proceso de docking molecular entre una proteína y fármacos de una librería para la selección del fármaco más afín.

Uso actual del docking en el diseño de fármacos

La combinación de diferentes recursos computacionales aplicados en el campo de la simulación química es muy valiosa para el diseño de fármacos ya que permite ver en el ordenador cosas que son “invisibles” en el tubo de ensayo. El proceso requiere mucho tiempo, esfuerzo humano y gasto computacional, pero no es comparable con el que se debe invertir para realizar todo el estudio en un laboratorio experimental, por lo que la combinación y colaboración entre simulación y experimentación son la clave del éxito.

En algunos estudios se ha comprobado que el uso de tecnologías computacionales como el Docking permiten reducir el tiempo de estudio del diseño de un fármaco de años a meses. En particular, el Docking se ha utilizado con éxito en el desarrollo de muchos tratamientos farmacéuticos, como en el diseño de inhibidores de la proteasa del virus de la inmunodeficiencia humana o de medicamentos para el tratamiento de la hipertensión. Además, en la actualidad estos métodos se están aplicando para buscar fármacos en la lucha contra los efectos del Covid19.

Si estás interesado en Docking y cómo implementarlo contáctanos, nuestros expertos tratarán tu caso individualmente.

La entrada Docking: Simulaciones por ordenador para el diseño de nuevos fármacos se publicó primero en .

Hoy en día el concepto del Self Service está de moda en el mundo del Business Intelligence. Aunque realmente no es algo nuevo.  Muchas herramientas ya nacieron pensadas para este objetivo desde la década del 2010. Sin embargo, no es hasta finales de dicha década y en esta que comenzamos de los años 20 cuando empieza realmente a ser un concepto real y accesible a usuarios de cualquier nivel de conocimiento tecnológico.

¿Qué es el Self Service en Business Intelligence?

Como el propio nombre <<Self Service>> indica, estas herramientas proporcionan a los usuarios la capacidad de realizar sus propios análisis sin depender de IT (consultas ad hoc, preguntas en lenguaje natural sobre el negocio, creación y modificación de informes, añadir nuevas fuentes de datos y ficheros). Todo esto les hace independientes, dueños de la información y les permite tomar decisiones mucho más rápido. Al fin y al cabo, se trata de reflejar en el ámbito laboral la inmediatez y acceso a la información a la que estamos acostumbrados en el ámbito personal.

Esto nos sitúa en estos momentos en un auténtico ascenso del Self Service, donde proporcionar al negocio de todo tipo de acceso a la información ya no es opcional.

Los principales retos a los que nos encontramos son:

-Disponibilidad de la información en tiempo real.

-Ciclos de desarrollo más cortos, económicos y fáciles de implementar.

-Uso de metodologías ágiles.

-Garantizar la coherencia y trazabilidad de los datos.

-Estandarización y centralización de los datos de todas las ramas de los negocios.

-Disponibilidad la información para llegar al siguiente nivel de predicción y prescripción usando IA.

¿Qué fortalezas aportan las herramientas de Self Service en Business Intelligence?

En esta línea de auténticas herramientas de Self Service en BI podemos destacar 5 que están liderando el mercado, o cuya tendencia es claramente un referente en el corto plazo: PowerBI, SAP Analytics Cloud, Tableu, Einstein Analytics y Qlik. En su mayoría comparten las siguientes fortalezas:

-La experiencia de usuario, haciéndolas accesibles desde cualquier lugar, apostando por entornos en la nube accesibles online desde cualquier dispositivo (portátil, móviles, tabletas).

-Fácil curva de aprendizaje. Estas herramientas no necesitan de experiencia previa, ni conocimientos en programación. Cualquier persona puede aprender a usarlas para procesar grandes cantidades de datos. Es por ello que, el porcentaje de adopción por los usuarios es mucho mayor que otras herramientas más clásicas.

-El Rendimiento es clave para manejar grandes volúmenes de datos de manera ágil. Sin largas esperas, gracias a los nuevos modos de conexión live, proporcionan acceso a los datos casi en tiempo real.

En definitiva, la mayoría de las empresas son conscientes del valor que aporta realizar un análisis de datos sólido y rápido en la toma de mejores decisiones. Así, cada vez requieren más que sus empleados tengan habilidades y capacidades de análisis de datos. Serán estas herramientas de Self Service las que les permitirán desarrollar y mejorar estas habilidades para crecer junto a los negocios.

La entrada El Ascenso del Self Service en Business Intelligence se publicó primero en .

 Validación de modelos. Buena Praxis

En el análisis de datos estadístico existen muchas aplicaciones y, por ello, hay muchas maneras de validar el modelo. La mayoría de las veces dependerá de lo que queramos medir para determinar la bondad del modelo. Comunmente, a este conjunto de criterios se le llama Bondad de Ajuste o en inglés Goodness of Fit (GoF). Además, estas medidas no sólo evalúan la potencia de predicción del modelo, sino que también permiten validar las hipótesis iniciales. Tener en cuenta las hipótesis iniciales del modelo es lo primero en lo que se fija un Data Scientist. La implicación lógica “Hipótesis –> Tesis” significa que para una hipótesis que no se cumple, la tesis puede o no cumplirse. Esto significa que podemos obtener un resultado absolutamente inesperado y, por tanto, no nos podemos fiar de las estimaciones del modelo en cuestión. A nivel industrial y empresarial esto se traduce en la robustez de las soluciones y riesgo de tomar decisiones basadas en estimaciones posiblemente erróneas.

Criterios de la bondad de ajuste

En Modelos Lineales Generalizados o GLM (P. McCullagh and J.A. Nelder, 1989), lineales siempre respecto los parámetros, se utiliza la medida de scaled deviance (P. McCullagh and J.A. Nelder, 1989; Paul E. Johnson, 2016) que coincide con la formulación del ratio de verosimilitud (para Likelihood Ratio Test, LRT). En el caso de datos continuos y con la asunción de normalidad, scaled deviance deriva en la suma de cuadrados de los residuos normalizada por la varianza (parte residual no reducible, sigma cuadrado). En el caso de la Binomial (clasificación), scaled deviance toma otra forma, en concreto, aplicando un factor multiplicativo, deriva en comunmente conocida función de error llamada cross-entropy. La medida de scaled deviance se utiliza principalmente para modelos anidados. El coeficiente de determinación múltiple (R2) (González J.A., Cobo E., Muñoz P., Martí M, 2008), se define justamente como

D es deviance y D0 es null deviance (en este caso el denominador de scaled deviance, es decir, el término de normalización, se cancelaría, por ello deviance y scaled deviance sería de uso equivalente en esta definición). El null deviance representa el modelo de benchmark, el modelo donde no se utilizan predictoras y asimismo corresponde a la suma de cuadrados total (para datos continuos). Luego está el R2 adjusted, que es lo mismo que el R2 pero con penalización por el número de parámetros. Otro criterio muy interesante es el PRESS (Allen, D. M., 1974; D. C. Montgomery, E. A. Peck, 1992), que permite calcular la potencia predictiva del modelo correspondiente al muestreo LOO (leave one out), pero sin hacer la cros-validación. El cálculo de PRESS implica los residuos y los coeficientes h (los conocidos como leverage y que indican el peso de cada observación o dato en el modelo). También se puede aproximar el R2 con PRESS. Acabamos de ver diferentes funciones de la bondad de ajuste y la relación entre ellas.

Criterios de potencia predictiva

Los siguientes métodos no están relacionados con ningún modelo en particular ni asunciones iniciales, como por ejemplo la familia de distribuciones exponencial o la homosedasticidad. Simplemente, nos fijamos en el tipo de la variable respuesta y aplicamos una función que mide la desviación entre la estimación y la realidad. En algunas ocasiones esta función coincidirá con la función error que naturalmente derivaría del modelo que se está utilizando y las restricciones aplicadas, pero no tiene por qué.

Por ejemplo, en el caso de respuesta continua existe NRMSE (Normalized Root Mean Square Error) donde el denominador puede ser la media, un intervalo, una cota superior, etc. A veces es conveniente usar el error absoluto en vez del cuadrático, cuando por ejemplo el objetivo es maximizar la distancia entre vectores de forma uniforme (en el espacio multi-dimensional). Incluso, dependiendo del problema, interesa usar el sumatorio absoluto en vez del promedio o ponderación. Otra medida muy fácil de interpretar es el error relativo (absoluto o con signo), aunque tiene varios inconvenientes. MAPE sería el promedio del error relativo absoluto. A menudo se usan percentiles del error, en vez del promedio, ya que dan una noción de estabilidad. Existen otros indicadores de diferentes ámbitos de aplicación (Y. Hernandez-Potiomkin, M. Saifuzzaman, E. Bert, R. Mena Yedra, T. Djukic, J. Casas, 2018).

Para datos categóricos, tenemos combinaciones de TP (true positive), TN (true negative), FP (false positive) y FN (false negative). Sobre estos indicadores se pueden construir muchas medidas de ajuste: precision, recall, F-measure y otras muchas combinaciones. Una forma de resumir o contraponer estas medidas es construir una grafica donde cada eje represente uno de estos indicadores. La curva ROC (Receiver Operating Characteristic) representa el FP y TP. Cada punto en el espacio 2-D es un clasificador y la envolvente convexa (ROCCH) (T. Fawcett, 2006) de los puntos da la curva ROC que representa tanto clasificadores plausibles como puntos que forman dicha envolvente. La recta con la pendiente 1 y la ordenada de origen 0 representa respuesta aleatoria. Los puntos por debajo de esa recta son clasificadores sub-óptimos.

Fig. 1: Envolventes convexas ROC (ROCCH) de dos conjuntos de clasificadores.

Esta gráfica da una idea del umbral de clasificación a elegir dependiendo del problema que se intenta resolver. Se puede calcular coste versus beneficio utilizando los valores de TP y FP que corresponden a cada clasificador (umbral de decisión). En la Fig. 1 se puede ver cómo las diferentes pendientes representan escenarios distintos según caso de uso.

Otra medida que se utiliza mucho por ejemplo en el Procesado de Lenguaje Natural es la perplexity (D. Jurafsky and J. H. Martin, 2019):

En este caso la fórmula corresponde al modelo 2-gramas. Es la inversa de la probabilidad del test set, normalizada por la longitud de la secuencia. Cuanto menor es este indicador, mayor es la probabilidad de observar una secuencia determinada de palabras (del conjunto de test). Los parámetros de la fórmula de la perplexity varía según el modelo, pero la forma y el concepto son los mismos.

Se han presentado varios procedimientos de validación de modelos y medidas de la bondad de ajuste y potencia predictiva. Se han proporcionado ejemplos y casos de uso para dichas medidas e indicadores. Este conjunto de herramientas ayudan a medir factores que no son directamente observables. Por ello, hay que tener en cuenta el sesgo que puede ser introducido a la hora de realizar dichas mediciones. Por ejemplo, la forma de particionar los datos en conjuntos de aprendizaje y validación, a menudo no basta con hacer una partición aleatoria. Esto sucede con frecuencia en modelos para marketing, en los cuales el comportamiento de clientes tiene un lapso de tiempo y va asociado a unas acciones. Esta secuencia temporal se debe respetar a la hora de particionar datos y solamente introducir la aleatoriedad para tomar muestras.

La entrada Validación de modelos en el análisis de datos estadísticos se publicó primero en .

El uso de estas nuevas tecnologías permite analizar y extraer información de grandes bases de datos y darles valor.

En el pasado, la mayoría de los datos simplemente se dejaban olvidados en ficheros o se utilizaban con meros fines informativos, pero en la actualidad el uso del dato ha tomado una nueva dimensión.

La información se utiliza, por ejemplo, para entrenar modelos con fines predictivos o averiguar tendencias.

En definitiva, estamos en una época en la que la frase “la información es poder” cobra más sentido que nunca, y la tendencia en un futuro próximo es el aumento exponencial del uso de estas tecnologías en diversos sectores.

Una de las aplicaciones más interesantes para mejorar la calidad de vida de las personas se encuentra en el campo de la medicina personalizada.

“El auge de la bioestadística, la bioinformática y la inteligencia artificial está permitiendo un mejor diagnóstico clínico y la aplicación de terapias individualizadas y personalizadas a cada paciente” nos cuenta Sandra Acebes, experta en Big Data en Stratesys.

Medicina personalizada y mejora del Diagnóstico médico gracias a Machine Learning

Existen infinidad de ejemplos en los que el uso de Big Data, Machine Learning y el Cloud Computing se están aplicando hoy en día en el ámbito médico para la prevención precoz y el tratamiento de enfermedades.

Dentro de estas tecnologías, se incluyen el Procesamiento Natural del lenguaje (PNL), el reconocimiento de imágenes o el uso del IoT (Internet of things o internet de las cosas).

Reconocimiento de imágenes

El análisis visual de mamografías es el principal método para la detección del cáncer de mama, pero el diagnóstico o detección requiere de un alto grado de precisión visual y en ocasiones es complicado a pesar de la experiencia y profesionalidad del radiólogo.

En estos casos, la inteligencia artificial es ideal para analizar mucha información en poco tiempo, y permite comparar la imagen que queremos analizar con millones de casos previamente almacenados y analizados para dar un diagnóstico fiable.

Para ello, se utilizan técnicas de machine learning de clasificación o clustering.

Primero, se entrenan los algoritmos con datos clínicos (previamente almacenados) donde se enseña o se entrena al algoritmo a diferenciar tumores benignos de malignos. Una vez construido y testeado, el algoritmo se puede utilizar para clasificar imágenes reales de las que no tenemos la respuesta.

En definitiva, el machine learning como apoyo al diagnóstico por imagen permite una diagnosis precoz más fiable y facilita y libera parte de carga de trabajo a los médicos, que no tienen que dedicarle tanto tiempo al análisis visual.

Procesamiento del lenguaje natural

Aunque se dice que una imagen vale más que mil palabras, con tecnologías Big Data el análisis del lenguaje toma una nueva dimensión. Por ejemplo, el análisis de grandes cantidades de texto escrito presente en los historiales clínicos se está utilizando en la actualidad para el diagnóstico de enfermedades. Con lo que se consigue un tratamiento más personalizado y eficaz de los pacientes.

Este análisis inteligente del texto se lleva a cabo utilizando PLN (Procesamiento del lenguaje natural). El PLN es una tecnología perteneciente al campo del Machine Learning que consiste en procesar y extraer valor de los textos, obteniendo de manera inteligente las palabras clave que lo componen.

Dentro de un historial clínico, los algoritmos deben ser capaces de seleccionar datos clave, entender expresiones complejas o diferenciar el sentido positivo/negativo de las frases. Por ejemplo, se debe diferenciar entre “no hay dolor de cabeza” de “dolor de cabeza”.

Al mismo tiempo, los algoritmos que extraen esta información deben obviar todos los datos personales del historial para garantizar la protección de datos del paciente. Así, mediante el análisis de millones de historiales clínicos, es posible ver tendencias o relacionar enfermedades con síntomas que antes pasaban simplemente inadvertidas.

Otras aplicaciones

Además del análisis de imágenes o texto, las tecnologías de Machine Learning y Big Data tienen muchísimas más aplicaciones en el campo de la salud, incluyendo el análisis de genomas, o el desarrollo de nuevos fármacos y vacunas. Por citar otro ejemplo más, estas tecnologías se están utilizando, junto con dispositivos IoT (Internet of Things, es decir, terminales conectados a una red) para predecir la aparición de un infarto, mediante la monitorización y análisis en tiempo real de datos que recoge un brazalete en el paciente.

En definitiva, el uso de Big Data e inteligencia artificial están mejorando la calidad de vida de las personas gracias a su aplicación en el ámbito de la digitalización de la salud.  

“En Stratesys somos conscientes del potencial del uso de nuevas tecnologías digitales para el almacenamiento y procesado de gran cantidad de datos, como Big Data, Machine Learning y aplicaciones en Cloud, y por eso ofrecemos a nuestros clientes nuestra experiencia, compromiso y las últimas tecnologías de digitalización en diferentes sectores, incluyendo el farmacéutico y de la salud” concluye la experta en Big Data.

Contáctanos  y conoce cómo podemos ayudarte.

La entrada Machine Learning y Big Data en el campo de la salud y la medicina personalizada se publicó primero en .

Nuestros compañeros de Data Science de Stratesys y en especial el experto Yaroslav Hernandez Potiomkin nos explica qué es el Big Data, cómo aplica a los diferentes departamentos de las empresas y qué diferencias existen entre los modelos paramétricos y no paramétricos.

Para profundizar más sobre estos temas, puedes contactar con los expertos.

Actualmente estamos experimentando una revolución del dato, lo que se traduce en mayor capacidad de almacenaje, mayor volumen y por ende, en mayor variedad de datos a causa de las nuevas herramientas, tecnologías y canales de comunicación como redes sociales, webs y apps. Además de, la velocidad y el procesamiento de datos relacionado con procesos de generación del dato y restricciones del modelo de negocio.

Estos tres conceptos, Volumen, Variedad y Velocidad definen el término “Big data”. Asimismo, en el caso de que esta definición pueda ser aplicada e integrada en los procesos de negocio, quiere decir que eventualmente podría haber la necesidad de un procesamiento y/o análisis de datos masivo.

Este término se aplica e integra en los procesos de negocio, por lo que nace la necesidad de un procesamiento y/o análisis de datos masivo.

Muchas empresas están convencidas de que la analítica avanzada puede potencialmente mejorar sus procesos de negocio relacionados con logística, marketing, operaciones y estrategia.

A menudo, estos procesos están cubiertos por técnicas de modelado de datos y metodologías como el motor principal de los Sistemas de Soporte a la Decisión (DSS). Los DSS permiten descubrir conocimiento valioso escondido en los datos y que reflejan el estado del negocio y su tendencia,  siempre teniendo en cuenta la información histórica.

De esta manera, la toma de decisión asistida es mucho más efectiva que únicamente el conocimiento, la experiencia y la intuición.

Diferencias entre Modelo Paramétrico y Modelo No-Paramétrico en la estructura Big Data

Centrándonos en la parte más técnica, existen muchas herramientas y soluciones relacionadas con “Big data” y analítica avanzada en general. Los problemas del mundo real son muy complejos y es muy importante elegir una técnica apropiada o incluso, diseñar una metodología personalizada.

Principalmente, existen dos tipos de modelos: paramétricos y no-paramétricos.

En el modelo paramétrico, los datos siguen una distribución de probabilidad con un conjunto fijo de parámetros. Esto es muy interesante porque las hipótesis iniciales se cumplen y, además, desde el punto de vista teórico, el modelo está bien fundamentado.

Podrían surgir dificultades, por ejemplo, cuando existe comportamiento multimodal en los datos, lo que implica que muchos modelos como Quadratic Discriminant Analysis (QDA) or Linear Discriminant Analysis (LDA) (Hastie et al. 2008) no sean apropiados y que las posibles inferencias realizadas sean erróneas. Pero, por ejemplo, Fisher Linear Discriminant Analysis (FLDA) (Hastie et al. 2008) no requiere la asunción de normalidad, ni tampoco Principal Component Analysis (PCA) (Jolliffe, I.T. 2013).

Los modelos no-paramétricos se pueden diferenciar en:

1) Métodos no vinculados a una distribución en concreto, modelos como: kNN, PCA, Árboles de Decisión

2) Métodos sin una estructura predefinida: Support Vector Machines (SVM) y Non-parametric Local Polynomial Regression.

En el caso de SVM, está muy claro que el número de parámetros crece con el volumen de datos ya que el número de vectores soporte está acotado por el número de observaciones.

Por otro lado, a diferencia de modelos de regresión parámetricos con Linear predictor function en los que la relación entre las variables independientes y dependientes está predefinida, la regresión no-paramétrica proporciona un marco más flexible porque la asunción de linealidad y la forma del predictor function se relajan, aunque los errores aún deben ser i.i.d. Nótese que la linealidad siempre se refiere a los parámetros, no a los datos.

Esto quedará reflejado en el siguiente ejemplo de Pagan and Ullah, 1999 donde se coge el logaritmo del salario en términos de la edad de los varones canadienses con el nivel educativo medio en el 1971.

La relación se asume cuadrática en edad. Entonces, la fórmula del modelo lineal paramétrico sería como sigue:

Nótese que este modelo es aún lineal respecto los parámetros.

En la Fig. 2 se muestra el ajuste de la regresión paramétrica versus el modelo no-paramétrico.

Para el modelo no-paramétrico, el parámetro bandwidth se estima por cros-validación usando el criterio AIC. De hecho, en el modelado no-parámetrico, a diferencia de modelos paramétricos lineales, a menudo es conveniente no asumir homocedasticidad y estimar la varianza condicional. El siguiente código R se utilizó para generar el ejemplo práctico:

library(“np”)

data(“cps71”)

model.par <- lm(logwage ~ age + I(age^2), data = cps71)

summary(model.par)

model.np <- npreg(logwage ~ age, regtype = “ll”, bwmethod = “cv.aic”, gradients = TRUE, data = cps71)

summary(model.np)

plot(cps71$age, cps71$logwage, type=”o”, ylab=”logwage”, xlab=”age”, main=”Linear Model vs Local Polynomial Regression”)

lines(cps71$age, model.par$fitted.values, col=”lightblue”, lwd=2)

lines(cps71$age, fitted(model.np), col=”salmon”, lwd=2)

legend(“topleft”, legend = c(expression(paste(“LM (“, R^2, “=0.23)”)), expression(paste(“Local-PR (“, R^2, “=0.33)”))), col=c(“lightblue”, “salmon”), lwd=2)

La entrada Modelos paramétricos y no-paramétricos dentro de la estructura Big Data se publicó primero en .

Análisis de los desafíos del entorno digital para el sector financiero

Los altos márgenes de ingresos de la banca en la Unión Europea, a base de los servicios de pagos, fueron los reveladores de una falta de competencia. Que a su vez, debido a la crisis financiera, perjudicó su reputación.

Debido a ello, la UE optó por abrir los servicios de pagos para facilitar la competencia y la innovación; que vino de la mano de las grandes tecnológicas como GOOGLE, APPLE, XIAOMI…

Pero, ¿por qué sucedió esto? Conceptos como cambio digital y 4ª revolución industrial serían la causa, concretamente, el cambio de los factores de producción. Ya no es capital, trabajo y tierra; ahora son Tecnología, Talento (factor humano) y dato.

En el modelo anterior, la banca era el líder. Pero ahora, ¿qué es lo que diferencia a las grandes tecnológicas de las instituciones financieras? El objeto de negocio.

Para la banca,

1. El objeto del negocio es el dinero y los títulos (activos).
2. Consideran a los datos más una responsabilidad que un activo, algo que deben proteger.

Y para las tecnológicas,

1. El objeto del negocio son los datos de los clientes.
2. El uso de los datos se convierte en la fuente principal de los ingresos.
3. Se convierten lo datos en moneda de cambio

Así, los líderes no bancarios comienzan a decidir temas tan cruciales para las tecnologías financieras, y de esa manera tomaron ventaja.

¿Cómo es la relación actual de la banca con el cliente?

Estamos en un momento de oportunidad tecnológica para la banca, que obliga a abrirse. Esto implicará que el coste de IT será creciente; pero si se hace de manera eficiente, los ingresos también lo serán.

La clave: La analítica de los datos y el uso de herramientas Big Data, sostenida por una infraestructura segura y confiable.

Uno de los primeros pasos sería preparar el banco para una arquitectura abierta, idealmente en la nube.

Sin embargo, no olvidemos que la tecnología siempre es una herramienta, y que muchas veces falta la respuesta de negocio (siempre teniendo en cuenta el entorno regulatorio, que en este momento favorece ese cambio ¡great!)

La nueva realidad de los mercados financieros

Estamos en el inicio de un mercado desmaterializado. El dinero en efectivo ya es algo marginal, y la moneda ya está anotada al igual que los datos:

Este cambio es más que la tecnología, y más que lo digital. El cambio incluye que modelo de negocio se corresponda. Y por ello, un buen modelo de negocio debe tener indicadores de cliente, de volumen, de avance, de penetración,… Ya no hablamos de breakpoint ni rentabilidad; ahora buscamos el número de clientes, recurrencia (lo que medirá si nuestro producto es atractivo o no). En general conceptos analíticos que proporcionen la nueva perspectiva de estudio desde el usuario.

Las herramientas Big Data y la analítica son los pilares sobre los que se sostienen los modelos de negocio digitales.

 

De Banco a plataforma tecnológica

El desafío reside en que la banca consiga compartir los datos de los clientes con las tecnológicas. Pero, ¿cómo se plantea un gran banco convertirse en plataforma que comparta cliente sin perder el control del negocio?

La respuesta puede encontrarse en la gestión de los datos soportado por infraestructuras seguras como el Cloud. Pero no nos quedemos solo ahí. Si defendemos que la clave está en la gestión de datos, aquí os dejamos algunas ideas sobre qué podemos hacer con ellos para adaptarnos a estas nuevas necesidades:

• Ofrecer ofertas relevantes a los clientes mediante el seguimiento de interacciones entre centros de llamadas, correos electrónicos, redes sociales y otros canales; es decir, la actividad de comercio omnicanal.
• Gestión de datos de clientes únicos y oferta en tiempo real de productos específicos. Personalización.
• Monitorización de las tendencias en tiempo real para procurar decisiones inteligentes.
• Obtención de ventaja competitiva a través del uso de analítica predictiva.

Del mismo modo que el correo electrónico convivió con el correo postal hasta sustituirlo, la banca digital, con independencia de que su origen sea la banca tradicional o las tecnológicas, pasará a ser en pocos años la nueva banca de datos.

Cada sector se enfrenta, desde hace años, día a día a la rápida digitalización de las empresas y del comportamiento del consumidor. Otro ejemplo de aplicación de Big Data es el sector turístico, el cual se beneficia de muchas ventajas en su adaptación.

Si tu empresa pertenece a otro sector pero te gustaría saber cómo obtener ventajas de la aplicación del Big Data, contáctanos. Trabajamos con los diferentes sectores ayudándoles a optimizar sus recursos y adaptándolos a las nuevas maneras de consumo.

La entrada Los desafíos del entorno digital para el sector financiero se publicó primero en .

Seguramente, a día de hoy, te resulte muy común escuchar o leer la palabra Blockchain, pero ¿qué es exactamente?

Blockchain, se traduce como cadena de bloques. Cada uno de estos bloques contiene diversa información distribuida e inmodificable y a su vez los bloques son interconectados por complejos algoritmos. Su principal finalidad consiste en la eliminación de los intermediarios.

Normalmente Blockchain se asocia a Bitcoin, pero esto no es así. Se trata de una estructura tecnológica sobre la cual se apoya el bitcoin, así como otras monedas digitales u otros usos como pudiese ser la educación, el almacenamiento en la nube o la sanidad.

Gracias a que Blockchain asegura la información, basándose en mecanismos de consenso y tratándose de una red distribuida, ayuda en la continua mejora de la ciberseguridad. Así el Blockchain puede evitar que un atacante quiera modificar información o anular todos los nodos de la red.

¿Cómo funciona el Blockchain?

Podemos resumir el funcionamiento en cuatro pasos.

1. Se solicita realizar una transacción. Dicha transacción puede hacer referencia a criptomonedas, contratos u otra información.

2. La transacción solicitada se transmite y se guarda respetando la identidad y privacidad, gracias al uso de claves criptográficas hacia a una red P2P, donde ésta se almacena en un bloque de la cadena y se replica en todos los nodos de la red. Este sistema de seguridad del blockchain, proporciona la ventaja de que, si la red no estuviese disponible, con el simple hecho de que uno de los nodos si lo estuviese, la información nunca se perdería.

3. La red de nodos necesita ponerse de acuerdo respecto a la validez de las transacciones. Si todos tienen la misma información, significa que dicha información es verdadera, por lo tanto, se valida la transacción y el estado del usuario con la ayuda de algoritmos de consenso.

4. Finalmente, una vez que se completa la transacción, el nuevo bloque se agrega a la cadena de bloques existente (blockchain). De tal manera que sea permanente e inalterable.

Casos de uso de Blockchain

Mediante la tecnología del Blockchain, al aplicarse a un Datacenter, podríamos asegurar que la inmensa cantidad de la información que los clientes hacen llegar a estos servidores, tales como datos de SAP, información de bases de datos HANA, Oracle, etc, así como los diversos métodos de autentificación (contraseñas, par de claves, certificados SSL, etc.), llegue a su destino de forma segura, veraz e inmediata.

También podemos utilizar la tecnología aplicándola a herramientas de monitorización, tales como Nagios, para que la información obtenida de diversas sondas no sea modificada con el fin de favorecer a ataques que intenten vulnerar los datos. Un ejemplo claro sería que un atacante nos hiciera pensar que no existe ningún problema en los servidores o comunicaciones, para poder llevar a cabo su propósito.

Sin duda nadie está a salvo del robo o manipulación de la información. No existe un método infalible para frenarlo, pero la tecnología del Blockchain se postula como una excelente solución para dificultar, por no decir, hacer imposibles los hackeos.

¿Aún no tienes claro que tu infraestructura tenga la seguridad conveniente para continuar con tranquilidad? Nuestro equipo de expertos en métodos de autentificación y en blockchain te aconsejarán la mejor forma de mantener tu negocio totalmente seguro. Contáctanos para ver tu caso detalladamente.

La entrada Blockchain, ¿cómo afecta la Seguridad y privacidad de una empresa? se publicó primero en .

“Los Chatbots se convertirán en la piedra angular de la estrategia de comunicación con los empleados, siendo facilitadores y elementos de enlace con la corporación. A su vez, serán integradores de muchos de nuestros procesos internos.”

Afirma Francisco Ruiz González, Head of Innovation en Stratesys.

¿Qué beneficios aporta la tecnología de los Chatbots a una empresa?

Antes de profundizar en cómo adaptar esta tecnología de inteligencia artificial a una empresa, será necesario tener en cuenta los beneficios globales que aporta la aplicación de un Chatbot interno a la productividad del equipo de una compañía.

• Acceso más rápido a la información. Poder acceder a información concreta y precisa mediante un chat en base a la petición del empleado. Al reducir los tiempos de búsqueda de información, el Chatbot consigue aumentar la productividad del empleado.

• Mayor índice de visibilidad o respuesta. Un empleado visualiza y responde a una notificación proveniente de una conversación interactiva con mayor rapidez que a un email de entre los cientos que recibe cada semana.

• Simplificación de procesos. Bajo la petición directa en un chat el empleado accede a documentos, información sobre personas o incluso reglas estándar para ejecutar un procedimiento.

• Reducción de la frustración del empleado. Muchos empleados asumen que la desinformación acerca de cómo acceder a cierta información o documentos es una de las mayores causas de su frustración laboral. Además, de la tediosa tarea de rellenar largos excels o formularios para realizar solicitudes administrativas sencillas. Todo esto, es fácilmente integrable dentro de el uso de un Chatbot.

• Fácil adaptación. Hoy día, todos los empleados están acostumbrados a utilizar chats para comunicarse con su entorno personal y laboral. Así, las empresas que ya usan herramientas como Microsoft Teams, o Hangouts, cuentan con la facilidad de adaptación ágil de sus empleados, sin necesidad de requerir instalar ningún software, ni darse de alta en alguna otra nueva plataforma. La implementación de un Chatbot, puede residir dentro de la propia intranet, o en el canal comunicativo que use la empresa. De esta forma, la barrera de entrada con respecto a la adaptación del empleado es inexistente.

• Contenido actualizado. Los Chatbots se integran con los sistemas, de forma que toda la información está totalmente actualizada en tiempo real. Esto permite que las consultas nunca estén desactualizadas y que la información que nos ofrezca el Chatbot sea 100% de calidad.

• Disponibilidad. En muchas ocasiones existen ciertas dudas acerca de cómo realizar alguna acción dentro del ámbito laboral. Acciones que quedan en responsabilidad de una persona o departamento y que tienen que ajustarse a unos tiempos y agendas para poder ser resueltas. Esto provoca que muchas veces se queden en el listado de tareas pendientes durante más tiempo del que realmente debería conllevar. Un chatbot está 24/7, los 365 días del año ofreciendo respuestas, aumentando la disponibilidad de la información y la productividad de los recursos.

“Un Chatbot puede convertirse en aliado perfecto para tu empresa, aumentando la productividad de tus empleados, y ofreciendo un instantáneo acceso a la información diversificada en los diferentes sistemas de tu compañía”

Afirma Adrián Barcojo, Chatbot Specialist en Stratesys.

¿Cómo sé si mi empresa está lista para la introducción de un Chatbot?

Para poder saber si es el momento de aplicar la inteligencia artificial de un Chatbot a la intranet de una empresa, es necesario responder estas afirmaciones:

1.La empresa dispone de un gran número de sistemas.

2.Existe una desinformación por parte de los usuarios.

3.La captación de cierta información de los empleados puede resultar una misión imposible en algunas circunstancias.

4.La empresa ya dispone de un canal centralizado de información, cómo Teams o Hangouts, y quiere explotarlo de la mejor forma posible. O bien, dispone de una intranet centralizada y global.

5.Se requiere automatizar ciertos procesos como notificaciones proactivas a los empleados, aumentando de esta forma la tasa de visualización por parte de los trabajadores.

6.La empresa quiere mejorar internamente hacia los empleados y le gustaría comenzar a realizar encuestas de forma no intrusiva o habilitar un canal de sugerencias automatizado.

¿En qué áreas es posible implementar esta tecnología?

Una de las tareas de nuestro equipo de profesionales es ayudar a identificar y explorar los diferentes casos de uso que podrían ayudar a tu compañía a fortalecer el rendimiento de ciertas áreas, y disminuir la frustración laboral en ciertos aspectos, aumentando de esta forma la capacidad y rendimiento del empleado.

Es una herramienta tecnológica con infinitas aplicaciones de uso, si quieres profundizar en un caso concreto, contacta con el equipo de Besh y haremos un análisis personalizado.

La entrada Los Chatbots y la productividad en la intranet de tu empresa se publicó primero en .

Esto hace que una de las prioridades de las empresas para el 2020 sean la gestión de datos y sus recursos integrando diferentes tecnologías. La Inteligencia Artificial será uno de los grandes intereses y la clave para la toma de decisiones acertadas.

Otra de las grandes posibilidades que nos traerá esta nueva década está relacionada con el Big Data y la capacidad de anticiparse a las necesidades y demandas de los consumidores. Las empresas están dispuestas a invertir en algoritmos predictivos que les ayude a mejorar sus objetivos y su ROI.

No hay duda de que este nuevo año nos proporcionará tecnología y servicios. Permitirán un gran cambio a nivel económico, organizacional y social para optimizar la toma de decisiones.

En Besh tenemos en cuenta todas estas tendencias para ofrecerle a nuestros clientes las últimas novedades con las que poder cumplir sus objetivos.

¿Quieres saber qué tendencias en Big Data y Business Analytics nos depara el nuevo año?

• Big Data Automation: Y es que no solo el Big Data es tendencia, sino también su automatización. Gracias a ello las empresas podrán incrementar su nivel de negocio y productividad reduciendo costes de tiempo y personas. Se espera que en el 2020 el 40% de las tareas asociadas a los datos estén automatizados.

• El auge de los datos como servicio: El DaaS (Data as a Service) es una tecnología basada en la nube que permite a los usuarios acceder a archivos digitales a través de internet. Esto sumado a que la alta velocidad es cada vez más accesible a los consumidores, ayudará a que sea más fácil compartir datos entre departamentos de una misma empresa o empresas diferentes con mayor facilidad y de manera más rápida.

• La gestión automatizada del contenido empresarial: Se calcula que en 2020 el 95% de las imágenes y vídeos será analizado por máquinas. Esto significa que será una máquina la que, gracias a la analítica de datos, podrá proporcionar informes sobre ese contenido. Así, las empresas podrán detectar oportunidades de tecnología móvil, social y cloud.

• Machine Learning: Detectar patrones de comportamiento y disponer de tecnología que te ayude a analizar los orígenes de datos e identificar aquellos de calidad será clave en el 2020. Las máquinas de aprendizaje proporcionarán datos únicos y confiables, lo que será imprescindible para aplicar una buena política de datos.

• Analítica conversacional: Se calcula que 50% del procesamiento del lenguaje natural y de la voz representará el 50% de las solicitudes de análisis de datos. Esto permitirá que a través de sistemas sencillos se incremente la productividad de las organizaciones.

Ponte en contacto con nosotros y juntos conseguiremos alcanzar todos tus objetivos para el 2020. 

Además, si crees que estas tendencias no te afectan, te dejamos aquí los desafíos a los que se enfrenta un sector como el financiero para hacer frente a la rápida adaptación de tendencias en el mercado.

La entrada Tendencias de Analítica de Datos 2020 se publicó primero en .

Debido a esto, cada vez se precisa de más profesionales que sean capaces de mantener la seguridad de todo el entorno digital y de ofrecer los recursos necesarios para que las personas tengan la seguridad de que sus datos están a salvo.

¿Qué relación existe entre Big Data y ciberseguridad?

Los virus y los ataques informáticos son muy habituales en la actualidad, el 99 % de los ordenadores que existen, son vulnerables a los ataques informáticos. Por esta razón el Big Data y la ciberseguridad son muy importantes para garantizar que se mantiene la seguridad de los datos que manejan las grandes empresas del mundo digital.

El Big Data ayuda a pronosticar lo que puede estar por venir, realizando un análisis de toda la información que se tiene para poder detectar y evitar posibles ataques. Esta tecnología también permite identificar irregularidades y posibles violaciones de la seguridad de la red.

La tecnología Big Data, aparte de ofrecer una gran capacidad a la hora de procesar datos y analizarlos, también permite identificar a las personas que actúen en contra de la integridad de los mismos. Esto implica que las personas con intenciones de vulnerar la privacidad de los datos se lo piensen dos veces antes de cometer alguna acción que ponga en peligro la información de otras personas.

El Big Data puede proteger a las empresas, logrando que sea mucho más complicado que los datos importantes del funcionamiento interno del negocio se filtren.

Todo parece indicar, que en un futuro no muy lejano la mayoría de las empresas tendrán que utilizar la ciberseguridad que aporta la tecnología Big Data. Esta tecnología permitirá que la gestión de tareas y las operaciones internas que se realicen en la empresa estén completamente seguras.

La ciberseguridad en Cloud Computing

El cloud computing o computación en la nube, es una tecnología que permite trabajar con datos almacenados en la nube. Para garantizar que todos los datos de la empresa están seguros interviene la tecnología Big Data.

Además, gracias al cloud computing, se puede acceder a la información estés donde estés, solo hace falta disponer de una conexión a Internet, además al estar los datos en la web también se trabaja mucho más rápido.​

¿Quieres saber más sobre Big Data, Ciberseguridad y Cloud Computing?, escríbenos: info@besh.es

La entrada La importancia del Big Data en la Ciberseguridad se publicó primero en .