PPT del webinario del miércoles 21 de diciembre sobre Inteligencia Artificial 🤖 aplicada a la empresa.

1. WEBINARIO : Inteligencia Artificial aplicada a la empresa
Diciembre 2022

2. AGENDA
1. Presentación DQS
2. Empresa Data Driven
3. Casos de Uso de IA
4. Herramientas Microsoft y Caso de Uso de Predicción demanda
5. Ruegos y Preguntas

3. 1. Sobre DQS
Nuestra esencia

4. La misión de DQS/
Nuestra visión de la consultoría
Ayudar a las empresas a transformar digitalmente
su negocio, alineando estrategias, procesos
y recursos incorporándolo a su cultura empresarial.
Con las Tecnologías de Microsoft como Palanca.
En DQS/ tenemos una doble organización, tecnológica desde el punto
de vista de productos y funcional con capacidades específicas de
implementación, dónde la metodología y gestión aseguran la calidad
del servicio o proyecto implementado.

5. Área DQS / Business Analytics
❑ Te acompañamos en el proceso de Transformar tu negocio en una empresa Data Driven
❑ Evidenciamos el poder de los datos y de la inteligencia artificial (IA) para ayudar a las
organizaciones a reinventarse.
Empresa
Data Driven
Datos + Personas
Business
Analytics
Tecnologías + Metodologías +Talentos
Empresa
Tecnologías
Inteligencia Hibrida (Datos + Tecnología + Personas)
1. Entender las necesidades del cliente
2. Plantear la solución tecnológica a su reto
3. Involucrar a su equipo
4. Permitir la transferencia de conocimiento
Para……

6. 2. DATA DRIVEN COMPANY

7. Del dato hacia el Conocimiento
Dato Información
+ Significado
Conocimiento
“38ºC ” “38ºC , 28 Julio en Barcelona” “4 días con + 38 ºC en
Barcelona es una ola de
calor”
+ Contexto
Sabiduria
“Reaccionar ampliando
servicios asistencia medica”
+ Experiencia
La pirámide de análisis de datos

8. Analítica Descriptiva vs Analítica Avanzada
Reaccionamos
Recomendador
Sabiduria
Analítica Descriptiva Analítica Avanzada (Predictiva – Prescriptiva)
Contextualizamos
Información
Obtenemos
Externos
Internos
Datos
Identificamos
Insights
Mercado
Insights
Clientes
Insights
Competitors
Insights
Compañia
Conocimiento

9. Conocimientos Tecnológicos
Data Architecture
Data Quality
Data
Discovery
Business
Intelligence
Smart Info
Sensores
Equipos
Aplicaciones
Machine
Learning
Deep
Learning
Natural
Language
Processing
Tecnología
Grafos
Data Preparation
Data Enrichment
Datos No-estructurados
Web-Scraping
Data
Collection
Data
Management AI Model
Data
Visualization

10. Características de la empresa basada en datos
❑ Datos integrados en cada decisión, interacción y proceso
❑ Los datos se procesan y entregan en tiempo real
❑ Almacenes de datos flexibles y listos para usar
❑ El modelo operativo de datos trata los datos como un producto
❑ El papel del director de datos se amplía para generar valor
❑ Las membresías del ecosistema de datos son la norma
❑ La gestión de datos se automatiza para garantizar la privacidad, la seguridad y la resiliencia
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-data-driven-enterprise-of-2025
Para ser una empresa
Data Driven
Crear una cultura de innovación que sitúe los datos
en el centro de su estrategia empresarial.
Disponer de tecnología que respalda una cultura
basada en datos permitiendo que los datos sean de
autoservicio.
Business
Analytics

11. IA vs Empresas
En los últimos años se percibe un gran crecimiento en la relevancia que las empresas otorgan al dato como activo fundamental
Pero las empresas todavía tienen déficits claros para sacar partido del dato como activo fundamental
Empresas que utilizan la IA a Europa
La inteligencia artificial (IA) es la capacidad de aprendizaje que
tienen ciertos algoritmos informáticos para evidenciar los
“insights” de los datos
¿Como estamos en España?
PATRONES PREDICIONES
ANOMALIAS

12. 3. CASOS DE USO DE LA IA

13. Top Casos de Uso IA
Incrementar ventas
Incrementar Producción
Reducir Costes
Reducir Riesgos

14. Innovation
Marketing
Sales
Health
Industry 4.0
Banca&Seguros
Predecir el comportamiento de los clientes
Predicción éxito de un Lead (lead scoring)
Predicción demanda
Personalizar la experiencia del cliente
Reducir Churn (abandono)
Clasificación productos
Mejorar venta adicional y venta cruzada
Recomendador de precios
Recomendadores de producto
Automatizar Servicio al cliente - Reclamaciones
Best Practices Tiendas
Incrementar productividad vendedor
Detección de Fraude
Casos de Uso de la IA
Proposiciones de Valor

15. Innovation
Marketing
Sales
Health
Industry 4.0
Banca&Seguros
Escaneo Redes Sociales/ Periódicos/ etc..
Sentiment analisys
Análisis Branding/Competencia/Mercado
Accelerar time to market
Automatización Benchmarking
Microsegmentación de clientes/tiendas/ etc
Capacidad de personalización de mensajes
Campañas Optimizadas
Evaluación campañas
Casos de Uso de la IA
Proposiciones de Valor

16. Innovation
Marketing
Sales
Health
Industry 4.0
Banca&Seguros
Predecir calidad producción
Predicción paros
Mantenimiento Predictivo
Análisis de los componentes de equipos/líneas
Descubrimiento de patrones en producción
Optimizar Operaciones
Previsiones de stock
Reducir los riesgos de la cadena de suministros
Recomendador de mejoras (producción, proveedores, etc)
Recomendador de reclamaciones
Minimizar los costos operativos.
Mejorar seguridad
SmartInfo
Asignar tareas según talento de los empleados
Formación adaptativa
Casos de Uso de la IA
Proposiciones de Valor

17. Innovation
Marketing
Sales
Health
Industry 4.0
Banca&Seguros
Observatorio Inteligente
Recomendadores productos
Reclamaciones
Cumplimiento regulaciones
Análisis Riesgos
Prevenir Fraude
Contratación talento
Casos de Uso de la IA
Proposiciones de Valor

18. Innovation
Health
Industry 4.0
Banca&Seguros Telemedicina
Ensayos Clinicos
Codificación de Diagnosis/Procedimientos
Calidad Hospitalaria
Expert Discovery
Recomendador Articulos , Expertos y Centros
Hospitalarios
Clustering de Articulos , Expertos y Centros Hospitalarios
Marketing
Sales
Casos de Uso de la IA
Proposiciones de Valor

19. Innovation
Health
Industry 4.0
Banca&Seguros
Vigilancia Tecnológica
Recomendador de oportunidades de financiamiento
Recomendador de Partners, Startups y Expertos
Mapa de interelaciones entre Investigadores, áreas geograficas
Transferencia tecnológica
Marketing
Sales
Casos de Uso de la IA
Proposiciones de Valor

20. Observatorio Influencia Observatorio Competencia
Sistema de información basado en inteligencia
artificial y diseñado para extraer información
relevante de las comunicaciones en medios
digitales. Es una solución para mejorar la influencia
y reputación de las personas o organizaciones.
Monitorea la participación social creando
Buzz Maps.
Obtener de forma automática precios y
productos de distintos sitios web donde
aparece la competencia. Permite asociar estos
productos a los equivalentes en el
propio catálogo. Disponer de un sistema de
evaluación y de visualización que permita
conocer el estado de la competencia de un
producto en un momento determinado y poder
establecer estrategias de precio
dinámicamente.
Observatorio del Mercado
Solución para disponer de un observatorio de
ciudades avanzado que analiza más de 1000
indicadores para poder hacer Benchmarking y
plantear diferentes escenarios. Se pretende
capturar automáticamente los datos necesarios
para poder crear un indicador y tratarlos
semánticamente.
Casos de Uso de la IA
Algunos ejemplos

21. Casos de Uso de la IA
Algunos ejemplos
Predicción demanda ecommerce
Aplicamos IA para encontrar los patrones de
estacionalidad y factores externos que
pueden ayudar a predecir la demanda.
Know your Customer
Gestión de Reclamaciones
De forma automática se recibe un gran volumen
de reclamaciones de garantías de reparación.
Estas reparaciones detallan las operaciones
realizadas y establecen un tiempo/precio. El
sistema clasifica las reclamaciones
recomendando su aceptación o no, e identifica
fraudes.
La aprobación de reclamaciones de manera automática
Evolución de la segmentación de
clientes
Evolución de los clientes mirando nuestros
segmentos como identificadores dinámicos. Al
observar los gráficos de estabilidad, transición y
evolución de segmentos, podemos ver cómo los
clientes se mueven entre diferentes segmentos
a lo largo del tiempo y, potencialmente, cuáles
podrían ser las causas de estas transiciones.

22. Mantenimiento Predictivo
A partir del histórico de incidencies y del
contexto que se asocia, se detectan patrones que
causan alarmas con paradas y alarmas sin
parada, siendo capaces de predecir cuando hay
probabilidad de tener una parada de línea, para
asi poder realizar un mantenimiento predictivo.
Con Parada
Sin Parada
Casos de Uso de la IA
Algunos ejemplos
Análisis Componentes de Equipos
Clasificación de componentes según
problemáticas que generan . Detectar patrones y
descubrimos anomalías. Correlación de averías.
Análisis de Reclamaciones (Service Desk)
Talent Match
Extraer automáticamente información de
Ofertas/Oportunidades de empleo de webs
especializadas con el objetivo de poder
suministrar dicha información, tratada y
filtrada, a los “Talent Managers” de la
organización. Realización de Match
inteligente entre oportunidades y talento
disponible

23. Predict Assistance
Plataforma de Teleasistencia que aplica la
Inteligencia artificial para mejorar la calidad
y eficiencia de la asistencia socio-sanitaria.
Facilita que médicos, personal sanitario,
trabajadores sociales, familiares y pacientes
puedan compartir información de valor de
salud y de bienestar.
Predicción Emergencias
A partir de los datos históricos de
intervenciones y enriqueciendo los datos con
las variables de contexto, predecimos las
intervenciones futuras y la disposición de
efectivos de los sistemas de emergencia de
una región
Casos de Uso de la IA
Algunos ejemplos
Predicción Accidentes
Modelización de los accidentes en las
carreteras ( conductor, tipo accidentes y las
vías ) con el objetivo de encontrar patrones,
descubrir tendencias, explorar y darle
explicabilidad

24. Se ofrecen funcionalidades para
Categorizar, Interrelacionar, Analizar (Dafos,
Benchmarking), Descubrir, Diagnosticar, Predecir...
Con el objetivo que de manera centralizada
Conocer el màximo de 'Insights” para poder tomar las
mejores decisiones.
Las decisiones se toman con mayor información y
avaladas por una explicabilidad adicional.
Ejemplo Observatorio Avanzado
Insights
Producto
Insights
Clients
Insights
Competencia
Insights
Mercado
Insights
Empresa
Insights
Influencia

25. Ejemplo Observatorio Avanzado
Funcionalidad Anàlisis DAFO automático
Criterios Internos
1- Costes producto
2- Capacidad de producción
3- Presencia comercial
4- Numero clientes
5- Nivel de innovación producto
Criterios externos
1. Crecimiento económico del país
2. Poder adquisitivo por cápita
3. Volumen importaciones
4. Crecimiento de las importaciones
6. Barreras arancelarias
7. Barreres no arancelarias
8. Riesgos comerciales
9. Facilidar por los negocios
10. Transparencia y corrupción
Ejemplo exportación
(criterios para analizar)
Ejemplo Ciudades

26. Buscar países similares en algunas dimensiones :
A partir de un conjunto de variables que consideramos de
interés para nuestro negocio, buscamos qué diferentes
agrupaciones de países similares existen
Ejemplo Observatorio Avanzado
Funcionalidad Clustering
Ejemplo exportación
Ejemplo Ciudades

27. Causualitat entre variables
Simula escenarios donde puedes
estudiar cómo se verá afectado
cualquier indicador en caso de que la
situación de otro indicadores se
modifique en el futuro
Ejemplo Observatorio Avanzado
Funcionalidad Simulación de escenarios

28. Distribución Keywords a lo largo de la
semana
Organizaciones relacionadas
Ecosistema de una Organización/Persona
Descubrimiento de Patrones
Ejemplo Observatorio Avanzado
Funcionalidades para Determinar la influencia
• Análisis Mercados
• Análisis de Competitividad
• Análisis de las Emociones

29. Ayudamos a Transformar la información en conocimiento
Datos externos
Datos Internos
Load & Ingest Store
ERP

30. 4. Herramientas Microsoft
Caso de Uso Predicción de la demanda

31. DQS
OMAR QUINTERO
Microsoft Certified: Power BI Data Analyst Associate
Microsof Certified: Azure Fundamental
Microsoft Certified: Azure AI Fundamentals
Microsoft Certified: Azure Data Fundamentals
Microsoft Certified: Power Platform Fundamentals
Industrial Engineer. Universidad del Valle.
Esp. Project Managment. Universidad Minuto de Dios.
Msc Big Data. Universidad de la Salle
Data Developer

32. INDICE
HERRAMIENTAS CASO DE USO

33. Herramientas Microsoft
TECNOLOGÍA

34. Herramientas

35. SQL Server Management Studio (SSMS) es un entorno
integrado para administrar cualquier infraestructura de
SQL, desde SQL Server a Azure SQL Database. SSMS
proporciona herramientas para configurar, supervisar y
administrar instancias de SQL Server y bases de datos
SQL Server Management Studio

36. Azure Data Factory es un servicio de integración de
datos sin servidor totalmente administrado.
AZURE DATA FACTORY

37. Azure Blob Storage es la solución de almacenamiento
de objetos de Microsoft para la nube. Blob Storage
está optimizado para el almacenamiento de
cantidades masivas de datos no estructurados, como
texto o datos binarios.
❖ Visualización de imágenes o documentos
directamente en un explorador.
❖ Almacenamiento de archivos para acceso distribuido.
❖ Streaming de audio y vídeo.
❖ Almacenamiento de datos para copia de seguridad y
restauración, recuperación ante desastres y archivado.
❖ Almacenamiento de datos para el análisis en local o
en un servicio hospedado de Azure.
AZURE BLOB STORAGE

38. Azure Machine Learning es un servicio en la nube que
permite acelerar y administrar el ciclo de vida de los
proyectos de aprendizaje automático. Los
profesionales de aprendizaje automático, científicos de
datos e ingenieros pueden usarlo en sus flujos de
trabajo diarios: entrenamiento e implementación de
modelos y administración de MLO
AZURE MACHINE LEARNING

39. CASO DE USO
Predicción de la demanda

40. MODELO PREDICTIVO DE VENTAS ON-CLOUD
Transacción
RFM
Predicción
Ingesta y Transformación Almacenamiento Machine Learning Visualización y BI Control
AutoML 15
AutoML 14
AutoML 3
Web Service 15
Web Service 14
Web Service 3
TransRFM
Cluster 15
Cluster 14
Cluster 3
Log Predict
Automated Flow

41. CLUSTERING
Dataset
¿Cuando fue la última compra?
¿cada cuanto compra?
¿Cuánto gasta?

42. RFM = 12 Grupos
Cluster ML = 4 Grupos
Resultados Cluster

43. Preparación del dato ADF

44. AZURE ML - AUTOML

45. POWER BI

46. CONCLUSIONES
El nivel de Automatización es alto y escalable
Auto ML permite crear modelos mejorados con estadística y
programación avanzada
Los comportamientos de Ventas son cambiantes por
tanto los modelos creados deben de ser
inspeccionados y reconfigurados
Para futuros desarrollos se plantea la automatización
de pipelines entre ADF y AML
Implementaciones azure cognitive services

47. GRACIAS
Xavier Blanch
x.blanch@dqsconsulting.com
Joan Miquel Blesa
jm.blesa@dqsconsulting.com
Omar Quintero
o.quintero@dqsconsulting.com