STRATEBI

🚀 Por qué es importante 'QA' en tus aplicaciones informáticas!!

🚀 20 tecnologías que ya no están y, quizás, guardas buenos recuerdos!! 🔽 Nokia: Líder en el mercado de teléfonos móviles, perdió su posición con la llegada de los smartphones. 🔽 Kodak: Pionera en fotografía analógica, no se adaptó al cambio digital. 🔽 BlackBerry: Popular por sus teléfonos con teclado físico, no pudo competir con iPhone y Android. 🔽 MySpace: Red social dominante antes de Facebook, dejó de ser relevante. 🔽 Palm: Innovadora en PDA y smartphones, pero no pudo competir con el avance de otras marcas. 🔽 AltaVista: Motor de búsqueda popular en los 90, superado por Google. 🔽 Compaq: Fabricante de computadoras, adquirido por HP y desapareció como marca. 🔽 Napster: Plataforma de intercambio de archivos de música, cerrada por problemas legales. 🔽 Sega Consolas: La empresa dejó de fabricar consolas como la Sega Dreamcast. 🔽 Windows Phone: Sistema operativo móvil de Microsoft, discontinuado. 🔽 GeoCities: Plataforma de creación de páginas web personales, cerrada en 2009. 🔽 Betamax: Formato de video de Sony, superado por el VHS. 🔽 Netscape Navigator: Navegador web popular en los 90, superado por Internet Explorer. 🔽 iPod Classic: Popularizó la música portátil, desplazado por smartphones. 🔽 Vine: Plataforma de videos cortos, cerrada tras ser adquirida por Twitter. 🔽 AOL Instant Messenger (AIM): Servicio de mensajería instantánea que dominó la comunicación en los 90 y 2000. 🔽 Zune: Reproductor de música de Microsoft, no pudo competir con el iPod de Apple. 🔽 Minidisc de Sony: Tecnología de almacenamiento de música que no logró despegar como se esperaba. 🔽 Yahoo!: Aunque aún existe, su relevancia como pionero en internet y servicios como Yahoo! Messenger han desaparecido. 🔽 Flash (Adobe Flash Player): Tecnología ampliamente utilizada para contenido multimedia y juegos en internet, dejó de ser soportada por problemas de seguridad y la transición a HTML5.

🚀 Esta es la comparativa que debes conocer entre #Snowflake y #Databricks Por cierto, somos Partners de ambas soluciones!! 😀 🔎 Ver comparativa: https://lnkd.in/dr5AgXFD 𝟭. 𝗔𝗿𝗾𝘂𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗮 Snowflake: Arquitectura multi-clúster compartida, separando almacenamiento y computación Databricks: Basado en Apache Spark y optimizado para el procesamiento distribuido. Usa una arquitectura de data lake con almacenamiento y computación separados, con integración para el análisis en tiempo real 𝟮. 𝗖𝗮𝘀𝗼𝘀 𝗱𝗲 𝗨𝘀𝗼 Snowflake: Mejor para data warehousing, ETL, BI y consultas SQL , con análisis de datos estructurados y semiestructurados Databricks: Ideal para ciencia de datos, machine learning, y análisis avanzado. Soporta tanto datos estructurados como no estructurados, y se adapta bien a flujos de trabajo de big data 𝟯. 𝗟𝗲𝗻𝗴𝘂𝗮𝗷𝗲𝘀 𝗦𝗼𝗽𝗼𝗿𝘁𝗮𝗱𝗼𝘀 Snowflake: Principalmente SQL y permite ciertos lenguajes de scripting a través de funciones definidas por el usuario (UDFs) Databricks: Soporte para Python, R, Scala, SQL, y otros lenguajes relacionados con el análisis y machine learning, gracias a su integración con Apache Spark 𝟰. 𝗜𝗻𝘁𝗲𝗴𝗿𝗮𝗰𝗶𝗼́𝗻 𝘆 𝗖𝗼𝗻𝗲𝗰𝘁𝗶𝘃𝗶𝗱𝗮𝗱 Snowflake: Ofrece conectores nativos para herramientas de BI como Tableau, Power BI... Buena integración con servicios de nube como AWS, Azure y GCP Databricks: Se integra bien con servicios de nube y frameworks de machine learning. Con conectores para Power BI, Tableau... pero destaca por su conexión fluida con flujos de big data y pipelines de IA 𝟱. 𝗔𝗹𝗺𝗮𝗰𝗲𝗻𝗮𝗺𝗶𝗲𝗻𝘁𝗼 𝗱𝗲 𝗗𝗮𝘁𝗼𝘀 Snowflake: Utiliza Formato de almacenamiento patentado que permite almacenar datos estructurados y semiestructurados (JSON, Parquet, Avro) de manera eficiente Databricks: Aprovecha el Delta Lake para proporcionar transacciones ACID en data lakes y mejorar la calidad y consistencia de los datos 𝟲. 𝗠𝗮𝗻𝗲𝗷𝗼 𝗱𝗲 𝗗𝗮𝘁𝗼𝘀 𝗡𝗼 𝗘𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗮𝗱𝗼𝘀 Snowflake: Soporta datos semiestructurados como JSON y Avro con procesamiento optimizado mediante columnas VARIANT Databricks: Ofrece un soporte más flexible y robusto para datos no estructurados, lo que lo hace ideal para proyectos de IA donde se manejan imágenes, audio... 𝟳. 𝗢𝗽𝘁𝗶𝗺𝗶𝘇𝗮𝗰𝗶𝗼́𝗻 𝗱𝗲𝗹 𝗥𝗲𝗻𝗱𝗶𝗺𝗶𝗲𝗻𝘁𝗼 Snowflake: Utiliza técnicas como el clustering automático y almacenamiento basado en columnas para optimizar el rendimiento Databricks: Utiliza optimizaciones de Apache Spark y el almacenamiento de Delta Lake para aumentar el rendimiento en procesamiento paralelo y tiempo real 𝟴. 𝗣𝗿𝗲𝗰𝗶𝗼𝘀 Snowflake: Usa un modelo de precios basado en el uso de almacenamiento y computación por separado Databricks: Ofrece un modelo de precios basado en unidades de procesamiento (DBU, Databricks Unit), que varían según el tipo de trabajo (por ejemplo, batch o real-time). Puede ser más complejo de calcular pero es más flexible

🚀 10 ejemplos reales, que hemos visto, de malas decisiones empresariales con los Datos 'que parecían buenas ideas' 𝟭. 𝗘𝗹 “𝗕𝗶𝗴 𝗗𝗮𝘁𝗮” 𝗾𝘂𝗲 𝗻𝘂𝗻𝗰𝗮 𝗹𝗹𝗲𝗴𝗼́ 𝗮 “𝗗𝗮𝘁𝗮” Una empresa de seguros dice que necesitan Big Data, pero resulta que no tienen ni una base de datos relacional decente, y la mayor parte de los datos está en excels 𝟮. 𝗗𝗮𝘀𝗵𝗯𝗼𝗮𝗿𝗱𝘀 𝗺𝘂𝘆 𝗰𝗼𝗺𝗽𝗹𝗶𝗰𝗮𝗱𝗼𝘀 Se creó un superdashboard lleno de gráficas y colores para una Universidad, pero con KPIs e indicadores muy complejos. ¿El problema? Nadie entiende ni un solo gráfico, y los usuarios no lo usan 𝟯. 𝗘𝗹 𝗮𝗹𝗴𝗼𝗿𝗶𝘁𝗺𝗼 '𝘀𝘂𝗽𝗲𝗿𝗰𝗮𝗿𝗼' 𝗾𝘂𝗲 𝘀𝗼𝗹𝗼 𝗽𝗿𝗲𝗱𝗲𝗰í𝗮 𝘂𝗻𝗮 𝗰𝗼𝘀𝗮 Banca. Se gastaron en un algoritmo de recomendaciones súper avanzado que debía aumentar los ingresos. Pero después de meses de entrenamiento, el algoritmo solo recomienda aumentar los clientes 𝟰. 𝗟𝗮 “𝗲𝘀𝘁𝗿𝗮𝘁𝗲𝗴𝗶𝗮 𝗱𝗲 𝗱𝗮𝘁𝗼𝘀” 𝗾𝘂𝗲 𝗰𝗼𝗻𝘀𝗶𝘀𝘁í𝗮 𝗲𝗻 𝗺𝗮́𝘀 𝗿𝗲𝘂𝗻𝗶𝗼𝗻𝗲𝘀 Industria. Se contrató un nuevo CDO y tras un año en reuniones, definiendo KPIs y objetivos, solo había power points 𝟱. 𝗟𝗮 𝗰𝗹𝗮𝘀𝗶𝗳𝗶𝗰𝗮𝗰𝗶𝗼́𝗻 𝗱𝗲 𝗰𝗹𝗶𝗲𝗻𝘁𝗲𝘀 𝗾𝘂𝗲 𝗰𝗹𝗮𝘀𝗶𝗳𝗶𝗰𝗮𝗯𝗮 𝗮 𝘁𝗼𝗱𝗼𝘀 𝗶𝗴𝘂𝗮𝗹 Retail: Deciden usar machine learning para segmentar a sus clientes, pero el modelo es tan general que clasifica al 90% en el grupo de “clientes normales” 𝟲. 𝗟𝗮 𝗹𝗶𝗺𝗽𝗶𝗲𝘇𝗮 𝗱𝗲 𝗱𝗮𝘁𝗼𝘀 𝗲𝗹𝗶𝗺𝗶𝗻𝗼́ 𝗱𝗮𝘁𝗼𝘀 𝗶𝗺𝗽𝗼𝗿𝘁𝗮𝗻𝘁𝗲𝘀, 𝗻𝗼 𝗲𝗿𝗿𝗼𝗿𝗲𝘀 Tras el “data cleaning”, los informes dan errores y deben rehacerse 𝟳. 𝗘𝗹 𝗰𝗵𝗮𝘁𝗯𝗼𝘁 𝗰𝗼𝗻 𝗜𝗔 𝗾𝘂𝗲 𝗻𝗮𝗱𝗶𝗲 𝗲𝗻𝘁𝗶𝗲𝗻𝗱𝗲 Implementan un chatbot “inteligente” para servicio al cliente. Todo va bien hasta que el cliente le pide algo básico, como cambiar su dirección. No se puede. Los clientes acaban llamando por teléfono. 𝟴. 𝗘𝗹 𝗺𝗼𝗱𝗲𝗹𝗼 𝗽𝗿𝗲𝗱𝗶𝗰𝘁𝗶𝘃𝗼 𝗾𝘂𝗲 𝗽𝗿𝗲𝗱𝗲𝗰í𝗮 𝗲𝗹 𝗽𝗮𝘀𝗮𝗱𝗼 Logistica. Tras la creación del modelo, los resultados obtenidos son calcados a los datos de los últimos dos años 𝟵. 𝗟𝗮 𝗮𝗻𝗮𝗹í𝘁𝗶𝗰𝗮 𝗮𝘃𝗮𝗻𝘇𝗮𝗱𝗮... 𝗾𝘂𝗲 𝗻𝗮𝗱𝗶𝗲 𝘀𝗮𝗯í𝗮 𝗾𝘂𝗲 𝗲𝘅𝗶𝘀𝘁í𝗮 Contratan a un equipo de data science que genera informes muy avanzados, pero solo usan pocos usuarios. Cuando los descubren el resto, están ya tan desactualizados que terminan usando Excel 𝟭𝟬. 𝗟𝗮 𝘃𝗶𝘀𝘂𝗮𝗹𝗶𝘇𝗮𝗰𝗶𝗼́𝗻 𝗱𝗲 𝗱𝗮𝘁𝗼𝘀 𝗾𝘂𝗲 𝗺𝗮𝗿𝗲𝗮𝗯𝗮 Ecommerce. Se usaron gráficas en 3D y en movimiento, con excesivos colores. Al final, nadie sabe qué muestran esos gráficos, pero quedaban muy llamativos en las reuniones #bigdata #MachineLearning #BusinessIntelligence #IA #AI

🚀 Notición!! Tras varios años trabajando en proyectos y grandes organizaciones con Snowflake, https://lnkd.in/dgcRYDQm, ahora somos Partners Oficiales, https://lnkd.in/dvVFCVRb!! 🔎 Si necesitas conocer 'todo' sobre la plataforma, apoyo técnico, formación, casos de uso, integración, arquitectura, costes, comparativas, etc... no dudes en contactarnos #snowflake #data #cloud #BigData

🚀🚀 Estamos buscando '𝗘𝘀𝗽𝗲𝗰𝗶𝗮𝗹𝗶𝘀𝘁𝗮𝘀 𝗲𝗻 𝗗𝗔𝗧𝗔/𝗔𝗡𝗔𝗟𝗬𝗧𝗜𝗖𝗦' y podrías ser tú!! 🔎 Si te gusta aprender y trabajar con Modernas Arquitecturas de Datos: Azure, AWS, Google, Databricks, Snowflake, Open Source, Machine Learning, Cloud Analytics, Big Data, PowerBI, AI, Python, Spark, Kafka, Pentaho, Talend, Apache Airflow, Data Governance... quizás te interese echar un vistazo a esta oferta: Te esperamos!! Y 𝗽𝗼𝗱𝗿𝗮́𝘀 𝗹𝘂𝗰𝗶𝗿 𝗼𝗿𝗴𝘂𝗹𝗹𝗼𝘀𝗼/𝗮 𝗻𝘂𝗲𝘀𝘁𝗿𝗮𝘀 𝗰𝗮𝗺𝗶𝘀𝗲𝘁𝗮𝘀: https://lnkd.in/ebKFiZ_W 𝗩𝗲𝗿 𝗼𝗳𝗲𝗿𝘁𝗮: https://lnkd.in/gTWsN8rG #empleo #trabajo

🚀 Wow!! Ya tienes LinceBI.com en mobile (iOS y Android) y es espectacular!! Descarga!! #opensource #analytics) ▶ App Store: https://lnkd.in/d6jNtXZu ▶ Google Play: https://lnkd.in/dTK5mrRP

🚀 Introducing 𝗦𝗧𝗣𝗮𝗻𝗲𝗹𝘀: The ultimate open source dashboarding tool!! 🔎 𝗦𝗧𝗣𝗮𝗻𝗲𝗹𝘀 dashboards in LinceBI.com allows users to create customizable and interactive visual dashboards for data analysis These dashboards are designed to combine various panels, such as charts, tables, KPIs, and maps, into a single interface for a comprehensive view of key business metrics. STPanels emphasize flexibility, letting users: 📊 Drag-and-drop elements for easy design. 📊 Filter and drill down into data. 📊 Connect to multiple data sources. 📊 Use interactive controls for real-time updates. LinceBI's STPanels provide an intuitive way to track performance, monitor trends, and make data-driven decisions efficiently. Even, you can use on 'cloud' or 'on premise' More info on LinceBI (spanish): https://lnkd.in/dAjyy2gU #opensource #KPIs #Dashboards #PowerBI

🚀 La inteligencia se define de muchas maneras, incluyendo: "La capacidad de lógica, comprensión, autoconciencia, aprendizaje, conocimiento emocional, razonamiento, planificación, creatividad, pensamiento crítico y resolución de problemas. En términos más generales, se puede describir como la capacidad de percibir o inferir información, y retenerla como conocimiento para aplicarlo a comportamientos adaptativos dentro de un entorno o contexto" En tu empresa se trabaja duro o inteligentemente?

Tus 'data pipelines' aparentemente funcionan, pero seguirán así por mucho tiempo, 😀? 🚀 Os traemos uan recomendación de las mejores herramientas de ingesta de datos open Source!! 🔗 Enlace con las Best Open Source Data Integrations Tools: https://lnkd.in/d3A-93YB Estas son las mejores herramientas y tecnologías open source que nos permiten 'mover datos de un sitio a otro' Os damos también un poco de contexto sobre lo de 'mover datos de un sitio a otro': 𝗘𝗧𝗟: (Extract, Transform, Load) 𝗘𝗟𝗧: (Extract, Load, Transform) 𝗖𝗗𝗖 (𝗖𝗵𝗮𝗻𝗴𝗲 𝗗𝗮𝘁𝗮 𝗖𝗮𝗽𝘁𝘂𝗿𝗲): Captura de cambios en los datos en tiempo real a medida que ocurren en las fuentes de datos, lo que permite una integración continua y actualizada 𝗙𝗲𝗱𝗲𝗿𝗮𝘁𝗲𝗱 𝗘𝗧𝗟/𝗘𝗟𝗧: Procesos distribuidos que extraen datos de múltiples fuentes heterogéneas sin consolidarlos en un repositorio central, lo que permite la integración de datos sin la necesidad de replicar grandes volúmenes de datos. 𝗗𝗮𝘁𝗮 𝗩𝗶𝗿𝘁𝘂𝗮𝗹𝗶𝘇𝗮𝘁𝗶𝗼𝗻: Permite acceder y manipular datos de múltiples fuentes como si estuvieran en una única fuente, sin necesidad de replicarlos físicamente. 𝗗𝗮𝘁𝗮 𝗥𝗲𝗽𝗹𝗶𝗰𝗮𝘁𝗶𝗼𝗻: Replica datos de una fuente a otra para propósitos de integración y respaldo, manteniendo los datos sincronizados entre diferentes sistemas. 𝗗𝗮𝘁𝗮 W𝗿𝗮𝗻𝗴𝗹𝗶𝗻𝗴: Herramientas que permiten la limpieza, transformación y manipulación de datos de manera visual e interactiva, facilitando la preparación de datos para su integración. 𝗔𝗣𝗜𝘀 𝗱𝗲 𝗶𝗻𝘁𝗲𝗴𝗿𝗮𝗰𝗶𝗼́𝗻 𝗱𝗲 𝗱𝗮𝘁𝗼𝘀: Existen muchas APIs diseñadas para facilitar la integración de datos entre sistemas y aplicaciones. Estas APIs pueden abarcar desde servicios web simples hasta interfaces más complejas 𝗢𝗿𝗰𝗵𝗲𝘀𝘁𝗿𝗮𝘁𝗶𝗼𝗻 𝘁𝗼𝗼𝗹𝘀: Herramienta de transformación de datos de código abierto que se utilizan para orquestar y ejecutar transformaciones de datos en el Data Lake