This site uses cookies.
Some of these cookies are essential to the operation of the site,
while others help to improve your experience by providing insights into how the site is being used.
For more information, please see the ProZ.com privacy policy.
This person has a SecurePRO™ card. Because this person is not a ProZ.com Plus subscriber, to view his or her SecurePRO™ card you must be a ProZ.com Business member or Plus subscriber.
Affiliations
This person is not affiliated with any business or Blue Board record at ProZ.com.
Translation Volume: 1 days Completed: Sep 2013 Languages:
One page Excel of mobile transactions
Operations to do transactions using mobile telephone.
Finance (general)
No comment.
Translation Volume: 1 days Completed: Sep 2013 Languages:
English to Spanish
Kiosk Spanish
Cards identification.
Finance (general)
No comment.
Translation Volume: 1 days Completed: Sep 2013 Languages: English to Spanish
'Two pages Walgreens transactions'
Finance (general)
No comment.
Translation Volume: 10 pages Completed: Aug 2007 Languages: English to Spanish
Ten pages translation of technical manual
Author: J. Walter.
Energy / Power Generation
No comment.
Translation Volume: 50 pages Completed: Jun 2007 Languages: English to Spanish
Compressor oils. A description of compressor oil, characteristics, applications.
Authors: Wolfgang Bock and Georg Lingg.
Mechanics / Mech Engineering
No comment.
Translation Volume: 0 days Languages:
UNV online E-learning course
Education / Pedagogy
No comment.
More
Less
Blue Board entries made by this user
5 entries
Access to Blue Board comments is restricted for non-members. Click the outsourcer name to view the Blue Board record and see options for gaining access to this information.
English to Spanish: GSM and UMTS Security General field: Tech/Engineering
Source text - English GSM originally stood for The Group Spéciale Mobile, a French organisation who wanted to create a digital standard for all European countries that stayed as close to the established ISDN as possible. Eight years later, in 1990, using the same initials, they produced the first Global System for Mobile Communication specification. Today, it has come a long way and is now used by over a billion people, in over 200 countries, making it 70% of the world’s mobile phone market.
In Europe, the GSM network is handled by the European Telecommunications Standards Institute and the GSM Association. The main method of GSM use in Europe is GSM 900, which uses two separate bands for uplinks and downlinks, namely 890-915Mhz and 935-960Mhz respectively.
GSM can handle three different types of service. Bearer services are for interacting with the IDSN and PSDN areas of the network. Tele services are the basic services you expect from a mobile phone: high-quality encrypted voice transmissions, Short Message Service (up to 160 characters) and fax facilities. These services were later enhanced when features such as the Wireless Application Protocol (WAP) promoted internet applications and the general packet radio service (GPRS) which enabled larger packets of data to be sent, hence adding more features and a new ‘data based’ way for companies to bill customers rather than the usual time based way. Supplementary services are network provider services such as call forwarding and user identification.
The GSM Network is best described by breaking it up into its three main components. The Base Station Subsystem is made up of many base transceiver stations (BTC) which handles all reception and communication to your mobile phone. These BTCs come in many shapes and forms, with different ranges and capacities. Together these BTCs form a cell structure to cover the entire area with cells, large and spread out in rural areas and small and tight in urban areas. There even exist picocells for use indoors in shopping centres, airports, etc. These BTCs communicate with a base station controller (BSC) which controls the ‘handover’ (i.e. when you go from one cell to another, so that your call isn’t dropped), ‘paging’ (i.e. sending out a signal to which a specific phone responds) and connecting to the mobile switching centre (MSC).
This MSC is the backbone of GSM and is in the Network and Switching Subsystem. It performs tasks such as handover between different BSCs and supplementary services mentioned above. Also in this part of the network is the home location register (HLR) and visitor location register (VLR). These work together as a database of user information for all people in the network and the immediate location area. While the HLR stores the user records permanently, the VLR dynamically stores the user records of people in their location area to save time connecting to the HLR.
The third component is the Operation Subsystem, which contains an authentication centre (AUC) and equipment identity register (EIR), is used for security.
Translation - Spanish Originalmente, GSM son las siglas correspondientes a Group Spéciale Mobile, una organización francesa orientada a la creación de un estándar digital para aquellos países europeos que se mantenían su confianza en la ya establecida RDSI. Ocho años después, en 1990, y con las mismas iniciales, se crearon las primeras especificaciones de un sistema global de comunicaciones móviles. Hoy, se ha recorrido un largo camino, y lo utilizan miles de millones de personas en más de 200 países, cubriendo más del 70% del mercado de la telefonía móvil.
En Europa, El Instituto Europeo de Normas de Telecomunciaciones y la Asociación de GSM gestionan la red GSM. La técnica de GSM que más se utiliza en Europa es GSM 900, y utiliza dos bandas separadas para enlaces de subida y de bajada, 890-915MHz y 935-960Mhz respectivamente.
GSM puede proporcionar tres tipos diferentes de servicios. Los servicios portadores a través de los que interactúa con las áreas de de las redes RDSI y RTPC. Los teleservicios, que son los servicios básicos que esperan recibir los usuarios de teléfonos móviles: transmisiones encriptadas de voz de alta calidad, servicio de mensajes cortos (hasta 160 caracteres) y facilidades de fax. Estos servicios se han mejorado después, cuando características tales como el Protocolo de Aplicaciones Inalámbricas (WAP) promovieron las aplicaciones de Internet y el Servicio General de Paquetes vía Radio (GPRS) permitió el envío de paquetes más grandes de datos, de ahí la ampliación de nuevas características y una nueva forma de que las empresas cobraran a los clientes "basada en los datos" en lugar hacerlo en la forma habitual en función en el tiempo. Los servicios suplementarios son servicios de los proveedores de red, como el desvío de llamadas y la identificación de usuario.
La red GSM se puede describir mejor si se divide en sus tres componentes principales. El subsistema de estaciones base está formado por muchas estaciones base transceptoras (BTC), que gestionan todas las llamadas que se reciben y las comunicaciones que se establecen desde los teléfonos móviles. Estas BTCs adoptan muchas formas y se presentan de diferentes maneras, con diferentes rangos y capacidades. En conjunto, las BTCs forman una estructura celular con la que se cubre toda el área, con células dispersas y de gran alcance que se despliegan en áreas rurales, y con células pequeñas y concentradas en las áreas urbanas. Incluso existen picocélulas que se usan en interiores, como pueden ser centros comerciales, aeropuertos, etc. Estas BTC se comunican con un controlador de estación base (BSC), que controla el "traspaso" de la comunicación (es decir, cuando se pasa de una célula a otra, de modo que la llamada no se caiga), la "radiobúsqueda" (es decir, el envío de una señal a la cual responde un teléfono específico) y la conexión con el centro de conmutación móvil (MSC).
El MSC es la columna vertebral de GSM y pertenece al subsistema de red y conmutación. Lleva a cabo tareas tales como el traspaso entre diferentes BSC y los servicios suplementarios antes mencionados. También en esta parte de la red se realiza el registro de posiciones base (HLR) y el registro de posiciones de visitantes (VLR). Estos trabajan juntos como una base de datos de información de usuario para todas las personas en la red y de la zona de ubicación inmediata. Mientras que el HLR almacena los registros de usuarios de forma permanente, el VLR almacena dinámicamente los registros de usuarios de la gente situada en su área de ubicación para ahorrar tiempo de conexión al HLR.
El tercer componente es el subsistema de operación, que está formado por un centro de autenticación (AUC) y equipo de registro de la identidad (EIR), se utiliza para la seguridad.
English to Spanish: 5 steps to build a data science team
Source text - English Executive Summary
A strong analytics team is essential for any company that wishes to use data to optimize business strategies and keep up with changes in the marketplace. In the paper below I discuss the five steps to take to enhance an existing analytics program or build one from the ground up.
Insights
Having a robust analytics team is essential for companies that wish to use data to improve their marketing strategies and achieve long-term business goals. But the task of putting together a team can be challenging. How do you assemble a staff who can hit the ground running? What tools do you need to mine data and measure it? How do you present the results to influence decision-making? There are five steps that companies can take to build a successful, well-rounded analytics team from the ground up — or improve an existing one.
No. 1: Choose the right structure.
Depending on the needs of your company and how it is structured, there are three different types of operating models that can be used to structure a new analytics program:
• The Federal Approach: With this approach, data analysts report up from different departments within the organization. The benefit of this structure is that the analysts are knowledge experts and are fully immersed in the day-to-day activities of their departments. However, because they are scattered across the company, there is often very little communication between them, and as a result, there’s a lack of consistency (especially in regards to methods and definitions) across the board.
• The Centralized Approach: Using this method, there is a core group of analysts who report from within a single department. The upside to this model is that the analysts are able to leverage their different skill sets, cross-train, and employ the highest levels of consistency across the organization. The downside is that this group is often isolated from other departments and is not entrenched in what is happening day to day.
• The Hub and Spoke Approach: This approach is essentially an amalgamation of the first two in which the analysts report from different departments, but also form a core group. This can help organizations efficiently analyze data in a consistent way while breaking down some of the communication silos.
No. 2: Build the best team.
After implementing a structure for analysts to work within, it’s important to identify the roles that need to be filled and to build a team with analysts who are able to manage all of the key areas. When it comes time to hire your team, you’ll need to find people to fill the following roles:
• Leadership: The responsibilities of the leader are to oversee the process, train the staff, prioritize the projects, and present results to the C-Suite. A new analytics team absolutely needs a leader who possesses strong mathematical modeling skills. The reason is simple: Mathematical modeling skills are hard to learn and require years of experience working under experts. While data mining and business savvy skills are certainly valuable, these should ultimately be secondary considerations, since they are skills that can be easily learned. Using actuaries to fill the leadership positions can be beneficial since these professionals are trained to analyze the consequences of risk and use mathematics, statistics, and financial theory to study uncertain future events and predict the future.
• Statistical Analyst: This individual tests for significance in KPI changes, sets up unbiased test/control groups, and does all of the modeling and forecasting. A qualified candidate should have up to three years of practical experience, with a master’s degree in applied statistics. If a company is building a program from the ground up, it should foster relationships with local universities and hire promising candidates directly from those graduate programs.
• Financial Analyst: The primarily job of this individual is to incorporate all of the relevant business information (such as ROIs and Interest Rate Theory) into the analysis. Ideally, candidates would have at least three to five years of experience, with a substantial amount of ad-hoc work on their resumes.
• Data Analyst: This person will extract and clean the data for the rest of team. It’s important to have one member of your team dedicated to just this task, since normal analysts can spend up to 90 percent of their time cleaning and validating data instead of doing a proper analysis of it.
No. 3: Measure for success
You can’t analyze data without measuring something. But how your newly formed analytics teams begins to measure data is largely dependent on how that data is currently organized at your company. Mostly likely, your company’s Information Systems department is already tracking everything, and storing that data in tables on an SQL server with the IT department. The collection of those tables is called a data warehouse.
The data warehouse, however, is usually hard to access, poorly labeled, and unstructured — which is why it’s essential to create a data dictionary. A data dictionary labels the data stored in the warehouse in a meaningful way and identifies relationships between the data. When first getting off the ground, your analytics team can start defining data and its associations piecemeal, with either Word or Excel tables, and refine the focus based on the company’s needs.
Only with a clearly defined data dictionary can your IT or IS teams build data marts. Data marts are smaller versions of the data warehouse with clearly labeled data and relationships. Without a data mart, your analytics team won’t be able to use business intelligence tools (like Tableau) to retrieve, analyze, transform, and report data. (Instead, they would have to learn SQL to access the data.)
No. 4: Put insights into action
Once the analytics team has identified insights from their analysis of the data, what are the next steps? First, the team will want to do some pre-launch analysis to ensure their insights are causal and will happen again. The easiest way this can be tested is through holdout sampling. Essentially, this means that analysts would withhold a part of the data in the modeling process and build a model off of that partial data set. Once they have a final model, they would use the withheld data for the last test.
After the team has modeled the insights, they can move forward to the test-and-learn phase, which consists of three different parts:
1. The Disruption Test: The team would start with a hand-selected group of locations or regions and test the changes. They would work with the affected teams to learn how these insights pan out and make any necessary adjustments.
2. The Pilot Test: Next, the team would roll out the adjusted campaign to a statistically significant sample group. (Beforehand, be sure to set clearly defined KPI targets and have your statistical analyst find unbiased control and test groups.) Once the test is complete, analyze the pilot results to segment the winners from the losers.
3. The Intelligent Roll out: Using the information from the pilot test, roll out the new campaign to the winning segment (if possible). Make sure to set up any follow-up reporting measures before the roll out.
For a team that is just getting its feet wet, some of the first analyses and tests should focus on segmentation and seasonality. Segmentation is unique in every industry, and the analytics team can use Customer Lifetime Value to examine consumer behavior across various segments and brainstorm strategies from the data results. In terms of seasonality, understanding how different consumer segments behave over time can help with promotion strategies. For instance, some customers are activated more strongly at different times, and knowing that in advance can help the company plan on how to allocate resources.
No. 5: Building on success
With any new venture, it’s often a challenge to gain immediate credibility. Companies need to take steps to build a culture in their organization that takes analytics seriously:
• Governance: Report through the CFO rather than the CMO, if possible, in order to have a better opportunity of being taken seriously and influencing more executive level decisions.
• Consistency and Repeatability: Make sure that each department (as well as any vendors or agencies) consistently defines metrics in the same way.
• Sharing Insights: Start with easy wins by finding data which backs up an idea that is already believed by management. Being able to affirm what management already believes and give them actionable information to make decisions is one of the easiest ways to start building your team’s credibility.
Question and Answer
1. Why do you suggest reporting through the CFO rather than the CMO?Even though the marketing department is our top customer, I prefer keeping them at arm’s length. Everything in the marketing department needs to happen immediately, so keeping some distance between them and the analytics team allows the analysts to manage the workflow more efficiently.
2. Can you talk a little bit more about who shares the results of your analytics department in your organization and how they do it? Right now, I handle presenting all of the results. For a lot of data scientists, it’s something that definitely needs to be taught, and there is always a transition involved. It’s all about understanding the audience and figuring out how to communicate the most relevant details in the easiest way possible. But these skills are something that you can train your analytics team to do, and it’s something that’s much easier to train than quantitative skills. In the beginning, you can always have someone outside of the analytics department present the results, but some of details might be lost in translation.
3. What is your take on external versus internal modeling? The problem with using external modelers is that they don’t have the rich understanding or details about customers that your internal teams may have. Internal modeling gives you much wider access and a richer knowledge base to work with.
4. How do you field background research? Our marketing department does focus testing, which our team gets the results from. All of the modelling that our team does uses internal data. We use external data vendors to gather data when looking at prospective customers.
5. What do you think about BI tools? Some find BI tools to be invaluable since they don’t have the background to build it from the ground up. I personally don’t like them and prefer to build my own reporting tools internally. There is no right answer, however. It all depends on the structure and needs of your organization.
Translation - Spanish Resumen ejecutivo
Para cualquier empresa que desee utilizar los datos con el objetivo de optimizar las estrategias de negocio y mantenerse al día en los cambios del mercado, es esencial disponer de un buen equipo de análisis. A continuación, en este artículo, expongo los cinco pasos a seguir para mejorar un programa de análisis ya operativo o para crear uno desde cero.
Ideas
Tener un equipo de análisis sólido es esencial para las empresas que deseen utilizar los datos para mejorar sus estrategias de marketing y lograr sus objetivos de negocio a largo plazo. Pero la tarea de crear un equipo puede ser todo un reto. ¿Cómo reunir un equipo que pueda comenzar a trabajar inmediatamente? ¿Qué herramientas se necesitan para extraer y medir los datos? ¿Cómo presentar los resultados para poder influir en la toma de decisiones? Hay cinco pasos que las empresas pueden llevar a cabo para crear un equilibrado equipo de analítica que tenga éxito desde el principio, o para mejorar uno ya existente.
Número 1: Elegir la estructura adecuada.
Dependiendo de las necesidades de su empresa y cómo está estructurada, hay tres tipos de modelos operativos diferentes que se pueden utilizar para estructurar un nuevo programa de análisis:
• Un enfoque federal: Con este enfoque, los analistas de datos informan desde las diferentes áreas de la organización. La ventaja de esta estructura es que los analistas son expertos en estos conocimientos y están totalmente inmersos en las actividades del día a día en sus departamentos. Sin embargo, debido a que se encuentran dispersos por la empresa, a menudo hay muy poca comunicación entre ellos, y como resultado, hay en general una falta de coherencia (especialmente en lo que respecta a los métodos y definiciones).
• El enfoque centralizado: En este procedimiento, hay un grupo de analistas que informan desde un único departamento. La ventaja de este modelo es que los analistas son capaces de aprovechar sus distintas experiencias, de realizar más de un trabajo específico, y utilizar los más altos niveles de coherencia en toda la organización. La desventaja es que este grupo está a menudo aislado de otros departamentos y no está involucrado en lo que sucede en el día a día.
• El enfoque centro - periferia: Este enfoque es esencialmente una fusión de los dos primeros en el que los analistas informan desde diferentes departamentos, pero también desde un grupo central. Esto puede ayudar a las organizaciones a analizar eficientemente los datos de una manera coherente y a romper la comunicación en silos.
Número 2: Crear el mejor equipo.
Después de implementar una estructura en la que los analistas puedan trabajar, es importante identificar los papeles que se necesitan cubrir y formar un equipo con analistas que sean capaces de gestionar todas las áreas clave. Cuando llegue el momento de contratar a su equipo, necesitará encontrar gente para cubrir las siguientes funciones:
• Liderazgo: Las responsabilidades del líder son supervisar el proceso, capacitar al personal, dar prioridad a los proyectos, y presentar los resultados a la alta dirección. Un nuevo equipo de analítica necesita de forma imperiosa un líder que posea una gran competencia en modelización matemática. La razón es sencilla: Las competencias en modelización matemática son difíciles de aprender y requieren años de experiencia trabajando bajo la supervisión de expertos. Aunque las competencias en minería de datos y en inteligencia empresarial son sin duda valiosas, en última instancia, éstas deberían considerarse en segundo lugar, ya que son competencias que se pueden aprender con facilidad. El hecho de que actuarios ocupen puestos de dirección puede ser beneficioso ya que estos profesionales están capacitados para analizar las consecuencias del riesgo y utilizan las matemáticas, la estadística y la teoría financiera para estudiar acontecimientos futuros inciertos y hacer pronósticos sobre el futuro.
• Analista estadístico: Esta persona examina la importancia de los cambios en KPI, pone en marcha grupos objetivos de ensayo / control, y se encarga de todo lo relacionado con la modelización y la predicción. Un candidato cualificado debería tener hasta tres años de experiencia práctica, con un grado de maestría en estadística aplicada. Si una empresa quiere crear un programa desde cero, debería fomentar las relaciones con las universidades locales y contratar a candidatos con aptitudes directamente de los programas de posgrado.
• Analista financiero: El trabajo más importante de esta persona consiste en incorporar al análisis toda la información relevante del negocio (como la rentabilidad y la teoría sobre las tasas de interés). Idealmente, los candidatos deberían tener como mínimo de tres a cinco años de experiencia, con muchas horas dedicadas a trabajos relacionados con la materia en sus currícula.
• Analista de datos: Esta persona se dedica a extraer y a depurar los datos que utilizarán el resto del equipo. Es importante contar en su equipo con una persona dedicada exclusivamente a esta tarea, ya que los analistas en general pueden pasar hasta 90 por ciento de su tiempo depurando y validando datos, en lugar de dedicarse a hacer un análisis adecuado de los mismos.
Número 3: Medir para triunfar
No se pueden analizar los datos sin medir algo. Pero el modo en el que sus equipos de análisis recién formados empiecen a medir los datos depende en gran medida de la forma en que éstos están organizados en su empresa. Muy probablemente, el departamento de Sistemas de Información de su empresa ya está rastreándolo todo, y almacenando los datos en tablas en un servidor SQL con el departamento de TI. Al conjunto de estas tablas se le llama almacén de datos.
El almacén de datos, sin embargo, suele ser de difícil acceso, estar mal etiquetado, y no está estructurado, por lo que es esencial crear un diccionario de datos. Un diccionario de datos etiqueta los datos almacenados en el almacén de una manera efectiva e identifica las relaciones entre los datos. Cuando por primera vez consigue despegar, su equipo de análisis puede empezar a definir los datos y sus asociaciones por partes, ya sea con tablas de Excel o Word, y perfeccionar el enfoque basado en las necesidades de la empresa.
Sólo con un diccionario de datos claramente definido pueden sus equipos de TI o de SI elaborar los data marts. Los data marts son versiones más pequeñas del almacén de datos con datos y relaciones claramente etiquetados. Sin un data mart, su equipo de análisis no será capaz de utilizar herramientas de inteligencia de negocio (como Tableau) para recuperar, analizar, transformar y presentar datos. (En lugar de ello, tendrían que aprender SQL para acceder a los datos.)
Número 4: Convertir la información en acciones.
Una vez que el equipo de análisis ha identificado la información después de analizar los datos, ¿cuáles son los siguientes pasos a seguir? En primer lugar, el equipo tendrá que hacer un análisis de pre-lanzamiento para asegurar que la información es causal y que se volverá a repetir. La forma más fácil de comprobar esto es mediante el muestreo y la retención. Esencialmente, esto significa que los analistas podrían retener una parte de los datos en el proceso de modelado y construir un modelo sin tener en cuenta ese conjunto parcial de datos. Una vez que se disponga del modelo final, utilizarían los datos retenidos para realizar la última prueba.
Después de que el equipo ha modelado la información, puede avanzar a la fase de prueba y aprendizaje, que consta de tres partes diferenciadas:
1. La prueba disruptiva: El equipo comenzaría seleccionando un grupo de localidades o regiones y probaría los cambios. Trabajaría con los equipos implicados para aprender cómo esta información funciona y haría los ajustes necesarios.
2. La prueba piloto: A continuación, el equipo extendería la campaña adaptada a un grupo de muestra importante desde el punto de vista estadístico. (Asegúrese de antemano de establecer unos objetivos KPI definidos, y que el analista estadístico encuentre grupos de control y de prueba objetivos). Una vez finalizada la prueba, hay que analizar los resultados experimentales para segmentar los ganadores de los perdedores.
3. Despliegue inteligente: Utilizando la información de la prueba piloto, se extiende la nueva campaña al segmento ganador (si es posible). Hay que asegurarse de establecer las medidas en relación con la información sobre las labores de seguimiento antes del despliegue.
Para un equipo con apenas tiene experiencia, algunos de los primeros análisis y pruebas deben centrarse en la segmentación y la estacionalidad. La segmentación es exclusiva en cada industria, y el equipo de análisis puede utilizar el valor del tiempo de vida del cliente para examinar el comportamiento de los consumidores en diferentes segmentos e idear estrategias a partir de los resultados de los datos. En función de la estacionalidad, las estrategias de promoción pueden ayudar a la comprensión de cómo se comportan los diferentes segmentos de consumidores con el tiempo. Por ejemplo, algunos clientes se dan de alta de forma más destacada en diferentes momentos, sabiendo que de antemano puede ayudar al plan de la compañía sobre la forma de asignar los recursos.
Número 5: Aprovechar el éxito
Con cualquier nueva empresa, es a menudo un desafío ganar credibilidad de forma inmediata. Las empresas tienen que tomar medidas para crear una cultura en su organización que se tome en serio el análisis:
• Gobernanza: Si es posible, que sea el director financiero el encargado de informar en lugar del director de marketing, con el fin de tener mayor oportunidad de que se le tome en serio y una mayor influencia en las decisiones a nivel ejecutivo.
• La consistencia y la capacidad de repetición: Asegúrese de que cada departamento (así como cualquier vendedor o agencia) define constantemente la métrica de la misma manera.
• Compartir información: Comience con victorias fáciles encontrando datos que respalden una idea que la dirección ya ha asumido. Ser capaz de ratificar lo que ya ha asumido el equipo de gestión y proporcionarle información útil para tomar decisiones es una de las maneras más fáciles de empezar a construir la credibilidad de su equipo.
Preguntas y respuestas
1. ¿Por qué sugiere que informe el director financiero en lugar del director de marketing?Aunque el departamento de marketing es nuestro primer cliente, prefiero mantenerlo alejado. En el departamento de marketing todo se tiene que hacer de forma muy rápida, por lo que mantener una cierta distancia entre ellos y el equipo de análisis permite a los analistas gestionar un flujo de trabajo más eficiente.
2. ¿Puede hablar un poco más sobre quién comparte los resultados de su departamento de análisis en la organización y cómo lo hace? En este momento, yo me encargo de presentar todos los resultados. Para una gran mayoría de científicos de datos, es algo que sin duda se necesita aprender, y siempre implica una transición. Se trata de familiarizarse con la audiencia y encontrar la forma de comunicar los detalles más relevantes de la manera más sencilla posible. Y usted puede entrenar a su equipo de análisis para adquirir esas habilidades, y es algo cuyo entrenamiento es mucho más fácil que el de las habilidades cuantitativas. Al principio, siempre se puede tener a alguien que no es del departamento de análisis para presentar los resultados, pero algunos de los detalles se pueden perder en la interpretación.
3. ¿Cuál es su opinión sobre el modelado externo frente al interno? El problema de usar modeladores externos es que ellos no tienen una comprensión a fondo o los detalles sobre los clientes que sus equipos internos pueden tener. La modelización interna le proporciona un acceso mucho más amplio a una base de conocimientos más rica con la que trabajar.
4. ¿Cómo realiza la investigación de antecedentes? El departamento de marketing se centra en las pruebas, de las que nuestro equipo extrae los resultados. Todo el modelado que hace nuestro equipo utiliza datos internos. Empleamos proveedores de datos externos para recopilar datos cuando estudian a clientes potenciales.
5. ¿Qué opina de las herramientas de inteligencia de negocio? Algunos encuentran muy valiosas las herramientas de inteligencia de negocio, ya que no tienen la formación para crear algo a partir de cero. A mí personalmente no me gustan y prefiero crear mis propias herramientas de informes internos. Sin embargo, no hay una respuesta totalmente correcta. Todo depende de la estructura y las necesidades de la organización.
Expertise 
positive
