Certificado de Blockchain
El contenido de esta página esta estampado en tres blockchains diferentes. Una blockchain es una base de datos permanente, distribuida, y sin autoridad central. Esto permite estampar contenido sin nunca desvelar este. Un estampe certifica la existencia de cierto contenido en un instante dado, lo que permite a su autor demostrar que fue él o ella quien primero reclamó la autoría. Más información sobre estampes aquí abajo.

Si quieres saber más sobre blockchain, descarga nuestra publicación de investigación Blockchain: construyendo confianza. Si quieres estampar el contenido de tu propia web, prueba nuestro plugin de WordPress. Si quieres que pensemos juntos como blockchain puede ayudar a tu negocio, envianos un correo :-)
Resumen de estampado:
Título estampado: ¿Sabes si el Machine Learning es la solución para tu empresa?
Tipo estampado:
Título y contenido
URL de contexto: https://www.goodrebels.com/es/sabes-si-el-machine-learning-es-la-solucion-para-tu-empresa/
Contenido descodificado:
Título¿Sabes si el Machine Learning es la solución para tu empresa?
ContenidoLas técnicas de Machine Learning pueden ayudar a los equipos de marketing a resolver problemas complejos a través de datos, pero es necesario tener cuidado ya que lo primero que debemos preguntarnos es si el problema es lo suficientemente complejo como para requerir una solución basada en Machine Learning. Por ejemplo, un caso de uso muy común sería la segmentación y clasificación de clientes. Una clasificación más compleja puede requerir Machine Learning, sin embargo, la mayoría de los problemas relacionados con la segmentación de clientes pueden resolverse con herramientas de CRM o Marketing Automation.
Sin embargo, existen casos en los que la aplicación de Machine Learning es sin duda necesaria:

Recomendación de producto: el caso más utilizado con ejemplos en e-commerce, como Amazon, o servicios de streaming como Netflix y Spotify
Reconocimiento de voz y texto: o dicho de otra forma, comercio conversacional. ¿Existe algún Director de Marketing que no tenga en su hoja de ruta el desarrollo de un chatbot o de una skill para Alexa?
Reconocimiento de imagen: esto incluye tanto el reconocimiento facial como el reconocimiento de marca - Blinkfire Analytics es un gran ejemplo de ello-. Gracias al Machine Learning es posible medir el impacto de la marca -en segundos- en patrocinios deportivos o hacer más inteligente el contenido de vídeo con propuestas como la de Vilynx. Además, Blinkfire Analytics utiliza la visión por ordenador para medir el valor de los medios de forma precisa y en tiempo real.


Blinkfire Analytics usa computer vision para medir media value de forma precisa en real-time
Centrémonos en un único problema. Imagina el siguiente escenario:
"Quiero evaluar el ROI del patrocinio de un equipo de baloncesto midiendo el número de compras realizadas por mujeres de entre 18 y 35 años que han seleccionado uno de los productos deportivos que se les recomiendan ponderado por el número medio de segundos que la marca aparece durante la retransmisión del partido".

Es probable que la respuesta se pueda obtener por mecanismos clásicos, pero el tiempo y esfuerzo necesarios no lo harían rentable.
¡Datos, datos, datos!
Una vez que tengo claro, como CMO, que quiero llevar a cabo un proyecto de Machine Learning para resolver un problema concreto, es necesario evaluar cuál es el grado de madurez de datos en la organización. Es decir:

¿Qué datos tengo disponibles actualmente? Y, ¿cuáles no tengo y me gustaría tener?
¿Qué silos de datos hay en la organización?
Utilizando los datos disponibles podemos determinar fácilmente los KPIs relevantes para medir los resultados de las acciones de marketing (campañas, anuncios, etc.)?
Y, lo más importante, basándonos en estos datos, ¿qué grado de conocimiento tengo del cliente?


Data Driven Maturity Model
Cuando se trata de la madurez de los datos, identificamos cinco etapas en la evolución de la cultura de datos en las compañías:

Data blind: no se visualiza nada más allá de los datos que interesan a cada departamento, ya sea porque no se han recogido correctamente o porque no hay una estrategia real detrás de su análisis.
Data reactive: se recogen datos que están alineados con las necesidades de negocio. Estos datos suelen ser utilizados por silos, áreas independientes con foco en el reporting para la toma de decisiones. Aunque estos datos se recogen agregados, no se analizan juntos.
Data active: se comienza a trabajar estratégicamente usando los datos como un activo. Se construyen data lakes para la agregación y análisis de los datos de forma conjunta.
Data proactive: se identifica de forma previa a cualquier iniciativa el por qué de la necesidad de datos, cómo se van a obtener y analizar y qué conocimiento se quiere conseguir.
Data driven: los datos forman parte integral de la cadena de valor y del día a día de la compañía. Esto permite que automáticamente la  relación con el cliente se vaya ajustando (por ejemplo, si se detecta posibilidad de abandono clientes se lanzan acciones de retención)

Guía para un proyecto de Machine Learning
Paremos un momento para ajustar el enfoque y ver con perspectiva cuál es el contexto de un proyecto de Machine Learning. La combinación de  negocio, tecnología y matemáticas son la clave.


Marco de ejecución de un proyecto de Machine Learning
La clave del éxito del marketing son los equipos que “hablan” el idioma de cada una de estas tres áreas y saben cómo conectarlas correctamente, rompiendo los silos departamentales. En Good Rebels, combinando nuestra experiencia en la ejecución de proyectos basados en tecnología y datos, hemos creado un journey de proyecto de Machine Learning que nos permite:

Ejecutar sólo los proyectos o fases de proyecto que realmente aporten valor, sin incurrir en costes innecesarios.
Maximizar el éxito del proyecto y la utilidad para el negocio


Fase de ejecución de un proyecto de Machine Learning




Fase


Comentarios y acciones




Pregunta




Seleccionar una pregunta que provenga de un problema real del negocio, evitar proyectos 'ficticios' con el propósito de experimentar. Los recursos necesarios para llevar a cabo estos proyectos requieren tener un caso de uso legítimo asociado a una necesidad real de negocio.
En primer lugar, analizar el impacto potencial de resolver esta necesidad:


Cliente: ¿Va a mejorar su experiencia? ¿Cómo?
Sistema: Una vez en producción, ¿necesitamos una respuesta en tiempo real o en batch? ¿Estará integrado en nuestro ecommerce, en nuestra app, con los contact centers?
Productividad: ¿Se reducirán los costes o el tiempo?

Una vez que se haya identificado la necesidad de negocio, hay que determinar:


¿Realmente necesitamos Machine Learning para resolver este problema?
¿Se puede satisfacer esta necesidad utilizando una herramienta existente? ¿Es realmente necesario desarrollar un proyecto propio?

Si la respuesta es sí, se trata de un problema de investigación de herramientas e integración de sistemas.
Si la respuesta es no, pasamos a la siguiente fase.










Madurez data driven


Determinar los orígenes y calidad de los datos para la resolución del problema:


¿Tenemos el mapa de datos de la compañía?
¿Hay un data lake o data mart?
¿Tenemos acceso a todos los datos necesarios? ¿Dónde se almacenan?
Si tengo acceso a todos los datos que necesito, puedo empezar.
Si no tengo acceso a los datos correctos, lo primero que tenemos que hacer es empezar a generarlos.





Set-up




Una vez corregidos los defectos identificados en la fase anterior se debe determinar la forma de llevar a cabo el proyecto:


Si disponemos de un departamento interno de AI/ML, el proyecto se puede hacer en casa.
En caso contrarío, es necesario contar con una persona que nos ayude en:

Evaluación y selección de herramientas ML como la que ofrece nuestro partner BigML
Interlocución con el departamento de sistemas
Análisis de los datos y el resultado obtenido mediante expertos en matemáticas y estadística










Prueba de concepto



Determinar cuál es la tolerancia de máxima de error (si es posible) de los resultados.
Seleccionar subconjuntos de datos y un contexto específico para la prueba.
Entrenar modelos, hacer pequeños retoques, modificar y ajustar.





Evaluación






Evaluar los resultados generados durante la etapa de Prueba de Concepto y verificar que estén dentro de la tolerancia esperada.
Analizar los resultados en colaboración con un experto








Go / No Go



Determinar las necesidades de sistemas (en parte ya identificadas en la primera fase)
Entender los costes necesarios para una puesta en producción total.
Toma de decisiones para el despliegue en producción.





Implementación






Conexión con fuentes de datos en tiempo real (si corresponde)
Reentrenamiento del modelo con los conjuntos de datos completos
Retoques, modificaciones y ajustes
Despliegue e integración: e-commerce, aplicaciones móviles, etc.








Evolución Continua



Contraste de resultados con los expertos en negocios
Revisión de los datos y de su calidad
Reentrenamiento de los modelos
Retoques, modificaciones y ajustes








Recuerda que la fase de evolución continua puede implicar el inicio de nuevos proyectos de Machine Learning. Por ejemplo:

A veces, encontrar la respuesta a los problemas sólo nos genera más preguntas, por lo que la necesidad del negocio puede aumentar en complejidad.
La aparición de nuevas fuentes de datos o de nuevos tipos de datos puede requerir un cambio en el modelo o suponer el inicio de un nuevo proyecto.
Hay un aumento constante en el número de herramientas de Machine Learning. Estas soluciones de mercado permiten evitar la complejidad de un proyecto in-house y facilitan la adopción de mejoras con menor inversión.

Keep it simple
Volvamos a la primera pregunta que nos hicimos: ¿cómo podemos aplicar Machine Learning desde el departamento de Marketing para lograr nuestros objetivos?

En última instancia, la clave del éxito de un proyecto de Machine Learning son las personas. El Machine Learning ayuda a las personas a resolver problemas complejos de marketing, utilizando los datos de negocio y de los clientes para identificar patrones y conocimientos ocultos, pero son las personas las que identifican los problemas que necesitan ser resueltos, las que entienden el contexto y seleccionan los datos relevantes. También, las personas son quienes finalmente interpretan y analizan los resultados en base a su conocimiento en un dominio y una industria concreta.
En definitiva, si quieres desarrollar un proyecto de Machine Learning desde la Dirección de Marketing, debes tener en cuenta estas tres cosas:

Empieza con una buena pregunta

Céntrate en una necesidad real de negocio
Evalúa el posible impacto interno y externo de la resolución de este problema


No hay necesidad de reinventar la rueda

Ya existen herramientas de Machine Learning muy efectivas
Una buena comprensión de estas herramientas es fundamental


Las personas son la clave

Si no tienes ningún experto interno, puedes colaborar con partners que puedan proporcionar una visión integral de negocio, tecnología y matemáticas.
URLhttps://www.goodrebels.com/es/sabes-si-el-machine-learning-es-la-solucion-para-tu-empresa/
AutorNoé Fernández
OrigenWP Blockchain
Formatowpblockchain
Hash: (SHA256)
Estado:
Estampado en Bitcoin, Litecoin & Ethereum
Momento:
Hace 2 meses (2019-02-20 13:27:04 GMT+2)
Transacciones en Blockchain:
Bitcoin:
Estampado (0 confirmaciones) como E599A7F276C2... enseñar árbol esconder arbol
E599A7F276C2...
Hash estampado
A33C92336589...
Otro hash
089FE0CBE245...
Otro hash
412FA231FDD8...
Otro hash
BBFE31196219...
Otro hash
72435173E153...
Otro hash
DAE90ED0B3B2...
Otro hash
329D94F7F361...
Otro hash
0F82AC3FD643...
Otro hash
D535C3D94774...
Otro hash
DDDDB39C2320...
Otro hash
0E768ADB7FFC...
Otro hash
27E7CD6A5645...
Otro hash
4F88E5311454...
Otro hash
3EB886E39BEE...
Otro hash
A095520BF9C5...
Nuestro hash
B6C2456991D5...
Otro hash
(0 confirmaciones) como 5D8A6269643D... enseñar árbol esconder arbol
5D8A6269643D...
Hash estampado
C823816F86F0...
Otro hash
634978F018B0...
Otro hash
A44FE69FBB67...
Otro hash
7ADF2C2EFD3C...
Otro hash
44D00A82FD65...
Otro hash
524C727DA682...
Otro hash
FCC6C63F5EA8...
Otro hash
923AD38ACE81...
Otro hash
53C7555CF005...
Otro hash
C5356524F9CF...
Otro hash
59A9ABE3255B...
Otro hash
21F09A4A97DD...
Otro hash
198BAA7C1B4B...
Otro hash
A9773CD967E0...
Otro hash
F76AEF173269...
Otro hash
5EF0666BF84B...
Otro hash
C5C6324F1194...
Otro hash
00F60917DF52...
Otro hash
2A95FE5FDCED...
Otro hash
A095520BF9C5...
Nuestro hash
(1,560 confirmaciones) como A43FE97CB09E... enseñar árbol esconder arbol
A43FE97CB09E...
Hash estampado
A9766DE64364...
Otro hash
A753BA84C106...
Otro hash
0F4FB043CDCD...
Otro hash
F788CD8BA9D5...
Otro hash
EDE1AC48F2A6...
Otro hash
591A39FB27F7...
Otro hash
AC6DA7A6B94C...
Otro hash
25D33E0E2A76...
Otro hash
E4C87166FEFC...
Otro hash
9BE04E51ECEF...
Otro hash
12018C02655A...
Otro hash
97A5075C1509...
Otro hash
2A2D57D202E6...
Otro hash
F2965128E27D...
Otro hash
F13B870B1FB3...
Otro hash
9FFA3513FB41...
Otro hash
B9E1FF6FF82F...
Otro hash
7EC1629366B0...
Otro hash
A958E19CF78B...
Otro hash
A095520BF9C5...
Nuestro hash
Litecoin:
Estampado (0 confirmaciones) como E599A7F276C2... enseñar árbol esconder arbol
E599A7F276C2...
Hash estampado
A33C92336589...
Otro hash
089FE0CBE245...
Otro hash
412FA231FDD8...
Otro hash
BBFE31196219...
Otro hash
72435173E153...
Otro hash
DAE90ED0B3B2...
Otro hash
329D94F7F361...
Otro hash
0F82AC3FD643...
Otro hash
D535C3D94774...
Otro hash
DDDDB39C2320...
Otro hash
0E768ADB7FFC...
Otro hash
27E7CD6A5645...
Otro hash
4F88E5311454...
Otro hash
3EB886E39BEE...
Otro hash
A095520BF9C5...
Nuestro hash
B6C2456991D5...
Otro hash
(24,229 confirmaciones) como BD42E6EFEEC7... enseñar árbol esconder arbol
BD42E6EFEEC7...
Hash estampado
7909CDF407F7...
Otro hash
CF9060D20DCF...
Otro hash
204006DA829E...
Otro hash
394903FFB9D1...
Otro hash
9A702B9B63A0...
Otro hash
0D7EA041E3EE...
Otro hash
893E4167DC67...
Otro hash
6B34AB52B2D0...
Otro hash
A9A791D46AA2...
Otro hash
C6363947A3AA...
Otro hash
A2462801EB35...
Otro hash
6F516E995995...
Otro hash
2E8E4B184262...
Otro hash
8C9EA44282CD...
Otro hash
A81EF84DEEDC...
Otro hash
B5E777B66BA2...
Otro hash
5FD7C4177FF6...
Otro hash
A095520BF9C5...
Nuestro hash
Ethereum:
Estampado (316,169 confirmaciones) como 7357B02406AB... enseñar árbol esconder arbol
7357B02406AB...
Hash estampado
A19BA02AC955...
Otro hash
D60A0AD39D73...
Otro hash
75EA46227511...
Otro hash
4AE2AB9AFBC0...
Otro hash
31BA96A7A3F3...
Otro hash
07D66729C9BD...
Otro hash
67EFE3A8EEF5...
Otro hash
06829C78A1AE...
Otro hash
523E84BC406E...
Otro hash
A095520BF9C5...
Nuestro hash
Historial de estampados:
Último estampado:
A095520BF9C506FDC7964CE3AF1F38867BF4BAE8D1618E60A65B421D94DB6E9D estampado activo
Revisión -1:
56DF6C1C432941FB1297FCC924D3467D47E122D6A028DB31BAF56B09789E3B21 activo hasta 2019-02-20 12:24:39 GMT+2 (hace 2 meses)
Revisión -2:
BC67CA5F47B4E47999DBC204608CB9B08EDE2AED33812BECA039FB7A7D1A5095 activo hasta 2019-02-18 11:45:39 GMT+2 (hace 2 meses)
Ver más historial
Resultado de API (ver resultado bruto):
{
"success": true,
"results": {
"context_id": 145911,
"context_name": "u00bfSabes si el Machine Learning es la soluciu00f3n para tu empresa?",
"context_url": "https://www.goodrebels.com/es/sabes-si-el-machine-learning-es-la-solucion-para-tu-empresa/",
"stamp_id": 15522,
"stamp_type": "default",
"stamp_code": "145911-default-last",
"stamp_name": "Tu00edtulo y contenido",
"hash": "A095520BF9C506FDC7964CE3AF1F38867BF4BAE8D1618E60A65B421D94DB6E9D",
"hash_method": "SHA256",
"status": "confirmed",
"confirmations": 341958,
"pending_time": 180,
"created_at_gmt": "2019-02-20 11:24:34",
"created_at": "2019-02-20 12:24:34",
"stamped_at_gmt": "2019-02-20 11:27:04",
"stamped_at": "2019-02-20 12:27:04",
"restamped_at_gmt": "2019-03-03 23:03:05",
"restamped_at": "2019-03-04 00:03:05",
"confirmed_at_gmt": "2019-03-03 23:03:10",
"confirmed_at": "2019-03-04 00:03:10",
"updated_at_gmt": "2019-04-22 01:56:14",
"updated_at": "2019-04-22 03:56:14",
"valid_until_gmt": null,
"valid_until": null,
"gmt_offset": 2,
"blockchains": {
"btc": {
"blockchain": {
"id": "btc",
"name": "Bitcoin",
"block_duration": 600,
"safe_confirmations_amount": 6,
"last_block": 572700,
"last_block_time": "2019-04-22 03:28:27",
"last_block_time_gmt": "2019-04-22 01:28:27",
"transaction_base_url": "https://www.blocktrail.com/BTC/tx/%s"
},
"status": "confirmed",
"confirmed_at_gmt": "2019-04-11 11:55:41",
"confirmed_at": "2019-04-11 13:55:41",
"confirmations": 1560,
"stamped_in": 0,
"pending_blocks": 0,
"pending_time": 0,
"transactions": [
{
"id": "fac90c2f72370336ed67c8fcff6c8c62908acb608e9c9ed58d4a7f0405229b37",
"prefix": "53363583",
"hash": "BD42E6EFEEC7A008DD0F5E27DB718D5D6A47BD222A6816F9ED0EBBE4668FD9E2",
"hash_method": "SHA256",
"siblings": [
{
"left": "5FD7C4177FF6C9B8C1D165D77391CDA839B9EDDAAE64AE7722BCE01BFC909772"
}, {
"right": "B5E777B66BA27575EF80C11A4E46944655BF8F65CD2228129CD09EA22FB995AF"
}, {
"right": "8C9EA44282CD8289D64BEED55939BD7DA7ADED2F33D65C166B3A9292C6E71B25"
}, {
"right": "6F516E995995C0AC1F1A358C1B0D2BA86307834728B3A718613316F1A5DF5152"
}, {
"right": "C6363947A3AAFD93D41AB0060C65BC04C634892047D7415897B1D3D33760ED4A"
}, {
"left": "893E4167DC6738C733A34599F9E812C5ECED8F89C6160C96BC492F94D996FBD5"
}, {
"left": "9A702B9B63A003A9AE76B4A2C9ABED8F26E1A118403EE04FA5AF150D468F1202"
}, {
"right": "394903FFB9D13C94CCFF2A37D2FA3A0D72C931D0107268ECBD838A671DC3F991"
}, {
"left": "7909CDF407F77DD33490BE3A3F9060268F36727E3A25CAF2103A5B0349E08CCD"
}
],
"block_number": null,
"created_at": "2019-03-04 01:16:10",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "f17d62f54c4e63c7b89e2425b9c56fe97948d0badaa22342a40e76b3045a5068",
"prefix": "53363583",
"hash": "01230F5A60AED4AAE8BE02981B3147F4E09FDF48E9B137075B65E4869BC0FD05",
"hash_method": "SHA256",
"siblings": [
{
"left": "5AEB0D6DDDD33B6AB95744402F1235C3DEE1AAEDFD5DC56F12E95B467A77EA50"
}, {
"left": "DBFB86FCE0DE5579713E929BB9175D3C69F8A678081D2ED8CAC51C609B46297A"
}, {
"right": "B7D8392ED0A3AA72172154E5A5254692D62AF0935BC51C13FB44D4250EADE043"
}, {
"right": "6CB2D8C4F7C487BEC223837ED3129545C283D8458D85EE95866376137BCE262A"
}, {
"right": "BF96B5695FC58C39E998E326AC3AC6FFF1E6C513B947CA543827DA83226DC2F6"
}, {
"left": "A4EA989E72E0E81C8B5D9976FB6C37094806075F44E5311594FE8B17EBEFD3B1"
}, {
"left": "F260194BDF757A8A646703411368E83B7ACCB234D122EA4028CE63CE2A798886"
}, {
"right": "5510A033AF8F2F3D8E71D2318439DAA4EFCD502FB027042C1047FA4BD76A967A"
}, {
"left": "DDD8C2B581C79472908311976718CDFAB00A4C908183F09BF7E83BA38DB85B64"
}, {
"right": "32718A1A4449647E0BEEAFD6908593365F2121C79267CDF189849A5E08414B55"
}, {
"right": "2B7380DABBC4FED326E726736F0E715A76FA47462ECC18ACD9B4A2327DBED1E4"
}, {
"left": "FEFAED7F5A3D75A57C355E54DD8B7AC7CF69B28814B7726B07670D82534670FE"
}, {
"left": "5DA5BB285E36ED5C77D9FA5E659F65E947102EA06EADBF436B060EF8AF7165A1"
}, {
"left": "AEEA3C3E190A606566C38833C7E3B8733C14B255662CF0608F85421ED497EA93"
}, {
"right": "9463EF6B714C55E16AD2979BB578B3E107FE4F993DE20E2BA8DBD67C03A98DD1"
}
],
"block_number": null,
"created_at": "2019-03-17 09:45:31",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "7495839457bcdd313b710baf58725d40fbeb3810387f85068a0f6e099b86dc07",
"prefix": "53363583",
"hash": "9DDA4EAD33FD6B687A587788DA80B5B4DF2E4502ED15F898E8790E68024F22FE",
"hash_method": "SHA256",
"siblings": [
{
"right": "9213050FA4E028B38A5E8F1A7DB16776153B87144B3497EA41D2A155CBB0C492"
}, {
"left": "6FAD563E84E229E972BE1C050B6EE68912B17243DF852E0586F257F7264C3BBE"
}, {
"right": "E2A5184F67A48FDEE513EA9DACA58DA80C1E281F69AD06B9694D45545D3AE51A"
}, {
"left": "F07D1FC5592616709153F0B1DF102829C63FD29FAE03945B158B727268A267BC"
}, {
"right": "F90789990539163DFE25675FE17748E33720FD4229E308C92DF5733162B68806"
}, {
"left": "99D735F74788063633F8F7D0F28EC04D77353DB19CE2B921A4165D995CF20DA3"
}, {
"right": "F490526B7853B3D53C98ADEF292D9005426F7306EF1A24BE098F123614ED8B01"
}, {
"right": "04139DF7D47774B5FAF585488790BED501718AA219553DF68ED019F36563F674"
}, {
"left": "769F04C3636E0C9A7A916F5C8682E08A0EDD23517C21915C7223128FA46172DC"
}
],
"block_number": null,
"created_at": "2019-04-13 18:01:32",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "1201f359ad8ea27fb9c94e1288600fee8937191d24f9a966282f16aaff00ff31",
"prefix": "53363583",
"hash": "E599A7F276C229551E9361BAB4D8E033D77C316CC2E563CD920F4BEB9AA601AC",
"hash_method": "SHA256",
"siblings": [
{
"right": "B6C2456991D5847DB96BBE5E572524B86E30126D5211E6DC99D51C275DF4D0CB"
}, {
"left": "4F88E53114548BBF05DF00043DB982A204195B6097F606EDB45B209586EF0348"
}, {
"right": "27E7CD6A564502F93068090F3B4984015DFDFD5FA40F8206C14D4112C4DDB299"
}, {
"left": "D535C3D9477490EB570B88ED382CC276B83703684841F82F4E391BDA2EA91A4C"
}, {
"right": "0F82AC3FD6430257D243B398FF4EA169108E9A20513772F728F59F0F4B983656"
}, {
"left": "72435173E153FE133085F7312F39281F954A99E674B3F8D4107BAA80E0309537"
}, {
"right": "BBFE31196219E17DA99CE1EACF0AF9DF0B936A977023E1231A98D4EE8089442E"
}, {
"right": "089FE0CBE245C140A1036EB20971A7BD0DB57863699799DA3E678FF1FD918080"
}
],
"block_number": "-1",
"created_at": "2019-02-24 13:42:41",
"confirmed_at": null,
"status": "confirmed",
"confirmations": 0
}, {
"id": "aa817ab238d7e72662228793a7cdc13f55a87f64c872f7587b437012306f077c",
"prefix": "53363583",
"hash": "5D8A6269643D8C861E37941E342AC1972FEDD57B8076E63A5F2855F3536DBA40",
"hash_method": "SHA256",
"siblings": [
{
"left": "2A95FE5FDCED88472E2B823CF8F01244A376D561FD2FADD22B3E3DDABC81FEC7"
}, {
"left": "C5C6324F119490B4A89B2A87B1F13C3F0738299587334A9FF6CBCD9C02486BDB"
}, {
"left": "F76AEF173269DE6B5BADB1D82710CC7C78F98F2E7581C8AA5217F26C75E7629B"
}, {
"right": "A9773CD967E09C383838C3B13956690441780F63141D79BD1CAF6F1AC303FE64"
}, {
"right": "21F09A4A97DD1B0C31D3B62955D99B7333EB0DB741513A591E90D4067BEFD043"
}, {
"left": "53C7555CF00503C1567183E5DA9F23A0577BF6064E7F8CCF40A5A67AB2F19177"
}, {
"right": "923AD38ACE8126921177614269FABACB9EAFA1B54FE9842F4D1C7CB539F30E58"
}, {
"left": "44D00A82FD6569FE47E29953D72DCB365180393E7A3920B8C85E88603E7BCFDB"
}, {
"right": "7ADF2C2EFD3C5B4A4BF833ECACE7AD76006E70617640AB61FD59FE16380B4FB0"
}, {
"left": "C823816F86F0118E9ABC06C349D0C24BC7819520098E43C21B29BE3A2706BDD3"
}
],
"block_number": "-1",
"created_at": "2019-03-20 12:07:08",
"confirmed_at": null,
"status": "confirmed",
"confirmations": 0
}, {
"id": "a4a1cba11e5def31ede4a880a4858a8a65dca51769bb6b7a9696ad8b6018777f",
"prefix": "53363583",
"hash": "A43FE97CB09EBD868297D9425B59EFAD798850082FE125D67F97C7658B235F52",
"hash_method": "SHA256",
"siblings": [
{
"left": "A958E19CF78B57BF9901F22B5CE3767DE4987D741F1EA338FE45CB4A54CCDC1B"
}, {
"right": "7EC1629366B0223E230D08CC598767C88A359D46E1579719DB83828D4F63F8B3"
}, {
"left": "F13B870B1FB3F1D9346A9BB3E23F8E647419298F4A4790AF97DF1B96CCB96D3C"
}, {
"right": "F2965128E27D498339ED9A1CB401BD62BEA1E9CBD5EE1C5EEA3EDD62BBFF0E6D"
}, {
"right": "97A5075C15093A27C6072A9A277DE940D0658B7193049D10D9CE53ED90894D5B"
}, {
"right": "9BE04E51ECEFC41CFD95A3DC656F5EC1CA307F4D2EE40A89C4BDACC9C6463FD0"
}, {
"right": "25D33E0E2A76EA60FE005807432BB151711BC1FCDED2768A69C5026FC0448307"
}, {
"right": "591A39FB27F7A4BFF17B99D4ABCBCD16D008115D4DD10A4FD795BA43DECB6CAD"
}, {
"right": "F788CD8BA9D51602533761748BC8B540FDA5F4AF40E85DA1B4D129E620DF9949"
}, {
"right": "A753BA84C1062304B0234DCE82BAF914146770209030C45CEDCC3BF5EF1348A2"
}
],
"block_number": "571140",
"created_at": "2019-04-11 06:01:07",
"confirmed_at": "2019-04-11 11:55:41",
"status": "confirmed",
"confirmations": 1560
}
]
},
"ltc": {
"blockchain": {
"id": "ltc",
"name": "Litecoin",
"block_duration": 180,
"safe_confirmations_amount": 6,
"last_block": 1613834,
"last_block_time": "2019-04-13 18:11:41",
"last_block_time_gmt": "2019-04-13 16:11:41",
"transaction_base_url": "https://chain.so/tx/LTC/%s"
},
"status": "confirmed",
"confirmed_at_gmt": "2019-03-04 01:18:34",
"confirmed_at": "2019-03-04 02:18:34",
"confirmations": 24229,
"stamped_in": 0,
"pending_blocks": 0,
"pending_time": 0,
"transactions": [
{
"id": "c1581dbf0022db62fe481cf3c8ad83a4c58ebd774758cdb9d82c608c2d91d964",
"prefix": "53363583",
"hash": "01230F5A60AED4AAE8BE02981B3147F4E09FDF48E9B137075B65E4869BC0FD05",
"hash_method": "SHA256",
"siblings": [
{
"left": "5AEB0D6DDDD33B6AB95744402F1235C3DEE1AAEDFD5DC56F12E95B467A77EA50"
}, {
"left": "DBFB86FCE0DE5579713E929BB9175D3C69F8A678081D2ED8CAC51C609B46297A"
}, {
"right": "B7D8392ED0A3AA72172154E5A5254692D62AF0935BC51C13FB44D4250EADE043"
}, {
"right": "6CB2D8C4F7C487BEC223837ED3129545C283D8458D85EE95866376137BCE262A"
}, {
"right": "BF96B5695FC58C39E998E326AC3AC6FFF1E6C513B947CA543827DA83226DC2F6"
}, {
"left": "A4EA989E72E0E81C8B5D9976FB6C37094806075F44E5311594FE8B17EBEFD3B1"
}, {
"left": "F260194BDF757A8A646703411368E83B7ACCB234D122EA4028CE63CE2A798886"
}, {
"right": "5510A033AF8F2F3D8E71D2318439DAA4EFCD502FB027042C1047FA4BD76A967A"
}, {
"left": "DDD8C2B581C79472908311976718CDFAB00A4C908183F09BF7E83BA38DB85B64"
}, {
"right": "32718A1A4449647E0BEEAFD6908593365F2121C79267CDF189849A5E08414B55"
}, {
"right": "2B7380DABBC4FED326E726736F0E715A76FA47462ECC18ACD9B4A2327DBED1E4"
}, {
"left": "FEFAED7F5A3D75A57C355E54DD8B7AC7CF69B28814B7726B07670D82534670FE"
}, {
"left": "5DA5BB285E36ED5C77D9FA5E659F65E947102EA06EADBF436B060EF8AF7165A1"
}, {
"left": "AEEA3C3E190A606566C38833C7E3B8733C14B255662CF0608F85421ED497EA93"
}, {
"right": "9463EF6B714C55E16AD2979BB578B3E107FE4F993DE20E2BA8DBD67C03A98DD1"
}
],
"block_number": null,
"created_at": "2019-03-17 09:50:23",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "543e99d26cb03c9426e5a366b251fe5dc040f9ba37f22d6c183172c2df6b3bd4",
"prefix": "53363583",
"hash": "5D8A6269643D8C861E37941E342AC1972FEDD57B8076E63A5F2855F3536DBA40",
"hash_method": "SHA256",
"siblings": [
{
"left": "2A95FE5FDCED88472E2B823CF8F01244A376D561FD2FADD22B3E3DDABC81FEC7"
}, {
"left": "C5C6324F119490B4A89B2A87B1F13C3F0738299587334A9FF6CBCD9C02486BDB"
}, {
"left": "F76AEF173269DE6B5BADB1D82710CC7C78F98F2E7581C8AA5217F26C75E7629B"
}, {
"right": "A9773CD967E09C383838C3B13956690441780F63141D79BD1CAF6F1AC303FE64"
}, {
"right": "21F09A4A97DD1B0C31D3B62955D99B7333EB0DB741513A591E90D4067BEFD043"
}, {
"left": "53C7555CF00503C1567183E5DA9F23A0577BF6064E7F8CCF40A5A67AB2F19177"
}, {
"right": "923AD38ACE8126921177614269FABACB9EAFA1B54FE9842F4D1C7CB539F30E58"
}, {
"left": "44D00A82FD6569FE47E29953D72DCB365180393E7A3920B8C85E88603E7BCFDB"
}, {
"right": "7ADF2C2EFD3C5B4A4BF833ECACE7AD76006E70617640AB61FD59FE16380B4FB0"
}, {
"left": "C823816F86F0118E9ABC06C349D0C24BC7819520098E43C21B29BE3A2706BDD3"
}
],
"block_number": null,
"created_at": "2019-03-20 12:07:08",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "1d9abe51d09e22f141ec3ad25f79d17f27608ce12ca841ce70fba1a380974704",
"prefix": "53363583",
"hash": "A43FE97CB09EBD868297D9425B59EFAD798850082FE125D67F97C7658B235F52",
"hash_method": "SHA256",
"siblings": [
{
"left": "A958E19CF78B57BF9901F22B5CE3767DE4987D741F1EA338FE45CB4A54CCDC1B"
}, {
"right": "7EC1629366B0223E230D08CC598767C88A359D46E1579719DB83828D4F63F8B3"
}, {
"left": "F13B870B1FB3F1D9346A9BB3E23F8E647419298F4A4790AF97DF1B96CCB96D3C"
}, {
"right": "F2965128E27D498339ED9A1CB401BD62BEA1E9CBD5EE1C5EEA3EDD62BBFF0E6D"
}, {
"right": "97A5075C15093A27C6072A9A277DE940D0658B7193049D10D9CE53ED90894D5B"
}, {
"right": "9BE04E51ECEFC41CFD95A3DC656F5EC1CA307F4D2EE40A89C4BDACC9C6463FD0"
}, {
"right": "25D33E0E2A76EA60FE005807432BB151711BC1FCDED2768A69C5026FC0448307"
}, {
"right": "591A39FB27F7A4BFF17B99D4ABCBCD16D008115D4DD10A4FD795BA43DECB6CAD"
}, {
"right": "F788CD8BA9D51602533761748BC8B540FDA5F4AF40E85DA1B4D129E620DF9949"
}, {
"right": "A753BA84C1062304B0234DCE82BAF914146770209030C45CEDCC3BF5EF1348A2"
}
],
"block_number": null,
"created_at": "2019-04-11 06:01:07",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "87d27e8c8702a28aefe02abef9b49b6e0336be94d0d77edb2472f1bef86f6ede",
"prefix": "53363583",
"hash": "9DDA4EAD33FD6B687A587788DA80B5B4DF2E4502ED15F898E8790E68024F22FE",
"hash_method": "SHA256",
"siblings": [
{
"right": "9213050FA4E028B38A5E8F1A7DB16776153B87144B3497EA41D2A155CBB0C492"
}, {
"left": "6FAD563E84E229E972BE1C050B6EE68912B17243DF852E0586F257F7264C3BBE"
}, {
"right": "E2A5184F67A48FDEE513EA9DACA58DA80C1E281F69AD06B9694D45545D3AE51A"
}, {
"left": "F07D1FC5592616709153F0B1DF102829C63FD29FAE03945B158B727268A267BC"
}, {
"right": "F90789990539163DFE25675FE17748E33720FD4229E308C92DF5733162B68806"
}, {
"left": "99D735F74788063633F8F7D0F28EC04D77353DB19CE2B921A4165D995CF20DA3"
}, {
"right": "F490526B7853B3D53C98ADEF292D9005426F7306EF1A24BE098F123614ED8B01"
}, {
"right": "04139DF7D47774B5FAF585488790BED501718AA219553DF68ED019F36563F674"
}, {
"left": "769F04C3636E0C9A7A916F5C8682E08A0EDD23517C21915C7223128FA46172DC"
}
],
"block_number": null,
"created_at": "2019-04-13 18:01:32",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "2af890d9ac051ff4f101ac05e0b1f49b90673d4b73eb4145b637e124b2303516",
"prefix": "53363583",
"hash": "E599A7F276C229551E9361BAB4D8E033D77C316CC2E563CD920F4BEB9AA601AC",
"hash_method": "SHA256",
"siblings": [
{
"right": "B6C2456991D5847DB96BBE5E572524B86E30126D5211E6DC99D51C275DF4D0CB"
}, {
"left": "4F88E53114548BBF05DF00043DB982A204195B6097F606EDB45B209586EF0348"
}, {
"right": "27E7CD6A564502F93068090F3B4984015DFDFD5FA40F8206C14D4112C4DDB299"
}, {
"left": "D535C3D9477490EB570B88ED382CC276B83703684841F82F4E391BDA2EA91A4C"
}, {
"right": "0F82AC3FD6430257D243B398FF4EA169108E9A20513772F728F59F0F4B983656"
}, {
"left": "72435173E153FE133085F7312F39281F954A99E674B3F8D4107BAA80E0309537"
}, {
"right": "BBFE31196219E17DA99CE1EACF0AF9DF0B936A977023E1231A98D4EE8089442E"
}, {
"right": "089FE0CBE245C140A1036EB20971A7BD0DB57863699799DA3E678FF1FD918080"
}
],
"block_number": "1585450",
"created_at": "2019-02-24 13:46:07",
"confirmed_at": null,
"status": "confirmed",
"confirmations": 0
}, {
"id": "1418da613d1800ff26b8fd76b671387c0898cf331524b6abcd353910cc2950e0",
"prefix": "53363583",
"hash": "BD42E6EFEEC7A008DD0F5E27DB718D5D6A47BD222A6816F9ED0EBBE4668FD9E2",
"hash_method": "SHA256",
"siblings": [
{
"left": "5FD7C4177FF6C9B8C1D165D77391CDA839B9EDDAAE64AE7722BCE01BFC909772"
}, {
"right": "B5E777B66BA27575EF80C11A4E46944655BF8F65CD2228129CD09EA22FB995AF"
}, {
"right": "8C9EA44282CD8289D64BEED55939BD7DA7ADED2F33D65C166B3A9292C6E71B25"
}, {
"right": "6F516E995995C0AC1F1A358C1B0D2BA86307834728B3A718613316F1A5DF5152"
}, {
"right": "C6363947A3AAFD93D41AB0060C65BC04C634892047D7415897B1D3D33760ED4A"
}, {
"left": "893E4167DC6738C733A34599F9E812C5ECED8F89C6160C96BC492F94D996FBD5"
}, {
"left": "9A702B9B63A003A9AE76B4A2C9ABED8F26E1A118403EE04FA5AF150D468F1202"
}, {
"right": "394903FFB9D13C94CCFF2A37D2FA3A0D72C931D0107268ECBD838A671DC3F991"
}, {
"left": "7909CDF407F77DD33490BE3A3F9060268F36727E3A25CAF2103A5B0349E08CCD"
}
],
"block_number": "1589605",
"created_at": "2019-03-04 01:16:10",
"confirmed_at": "2019-03-04 01:18:34",
"status": "confirmed",
"confirmations": 24229
}
]
},
"eth": {
"blockchain": {
"id": "eth",
"name": "Ethereum",
"block_duration": 15,
"safe_confirmations_amount": 7,
"last_block": 7560559,
"last_block_time": "2019-04-13 18:07:30",
"last_block_time_gmt": "2019-04-13 16:07:30",
"transaction_base_url": "https://etherscan.io/tx/%s"
},
"status": "confirmed",
"confirmed_at_gmt": "2019-02-20 11:37:21",
"confirmed_at": "2019-02-20 12:37:21",
"confirmations": 316169,
"stamped_in": 0,
"pending_blocks": 0,
"pending_time": 0,
"transactions": [
{
"id": "0xd0363835936c59306ada2e1f00b6c212a26b0c9ef2387ea1d7473c40ba16c3d1",
"prefix": "53363583",
"hash": "360321BD9A6AEC66B8D6F02D8268DA7738F4CD95555F22F9B0AF5B219A296111",
"hash_method": "SHA256",
"siblings": [
{
"left": "5AEB0D6DDDD33B6AB95744402F1235C3DEE1AAEDFD5DC56F12E95B467A77EA50"
}, {
"left": "DBFB86FCE0DE5579713E929BB9175D3C69F8A678081D2ED8CAC51C609B46297A"
}, {
"right": "B7D8392ED0A3AA72172154E5A5254692D62AF0935BC51C13FB44D4250EADE043"
}, {
"right": "6CB2D8C4F7C487BEC223837ED3129545C283D8458D85EE95866376137BCE262A"
}
],
"block_number": null,
"created_at": "2019-02-21 19:29:12",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x7a4d13cafdfd17ffa1a3394886da640a07d6b014d2762d6ec4048bd94e9877f5",
"prefix": "53363583",
"hash": "FFBBDF8A759C4C2E85C303B5A7ABB9D190DCB6EE27A81703F591C10F24ECD597",
"hash_method": "SHA256",
"siblings": [
{
"right": "82224211AE7192EEC272792CB38E4D9B22CEF807028B7F7E3ECE901F45B77EAD"
}, {
"left": "18806F12671B224E077ED82672D16DBDE77A01C3FD83370D8FF74BB6F0937D13"
}, {
"left": "A5613F8EB21C48CC8906A22CD6A5B6E402873C6DD312396DF07CE73D715406CB"
}, {
"right": "499F92337F0F9B11088C84AE0BE078C873DCDD0960221532C99FC43FE945D1D3"
}
],
"block_number": null,
"created_at": "2019-02-23 01:21:28",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x05aa15cedeb2728c531f335a5df68a0fa1815738d32c7a567bf248b26fd79d16",
"prefix": "53363583",
"hash": "329D94F7F3610B21803010E25C62765D03821DF76B0D3540DDE3D7509FE168F9",
"hash_method": "SHA256",
"siblings": [
{
"right": "B6C2456991D5847DB96BBE5E572524B86E30126D5211E6DC99D51C275DF4D0CB"
}, {
"left": "4F88E53114548BBF05DF00043DB982A204195B6097F606EDB45B209586EF0348"
}, {
"right": "27E7CD6A564502F93068090F3B4984015DFDFD5FA40F8206C14D4112C4DDB299"
}, {
"left": "D535C3D9477490EB570B88ED382CC276B83703684841F82F4E391BDA2EA91A4C"
}
],
"block_number": null,
"created_at": "2019-02-24 08:37:12",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x5abf0cb5e148c5c7eb8ed45dd22e6c12ae32bf90b2240b442222087b91d2da36",
"prefix": "53363583",
"hash": "6B34AB52B2D0359CD4E62C47A19EABD9BAF92E2DC39BD003720F8FF373D3BA02",
"hash_method": "SHA256",
"siblings": [
{
"left": "5FD7C4177FF6C9B8C1D165D77391CDA839B9EDDAAE64AE7722BCE01BFC909772"
}, {
"right": "B5E777B66BA27575EF80C11A4E46944655BF8F65CD2228129CD09EA22FB995AF"
}, {
"right": "8C9EA44282CD8289D64BEED55939BD7DA7ADED2F33D65C166B3A9292C6E71B25"
}, {
"right": "6F516E995995C0AC1F1A358C1B0D2BA86307834728B3A718613316F1A5DF5152"
}, {
"right": "C6363947A3AAFD93D41AB0060C65BC04C634892047D7415897B1D3D33760ED4A"
}
],
"block_number": null,
"created_at": "2019-03-04 00:14:44",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0xfa617c5f745f4fc5514adf79dd168ed84c87e409a4005cfdfd3bf7b7164f74c5",
"prefix": "53363583",
"hash": "FCC6C63F5EA8DA850D1469D0FE78D8E21B59748CED39191DB743D6214E694D63",
"hash_method": "SHA256",
"siblings": [
{
"left": "2A95FE5FDCED88472E2B823CF8F01244A376D561FD2FADD22B3E3DDABC81FEC7"
}, {
"left": "C5C6324F119490B4A89B2A87B1F13C3F0738299587334A9FF6CBCD9C02486BDB"
}, {
"left": "F76AEF173269DE6B5BADB1D82710CC7C78F98F2E7581C8AA5217F26C75E7629B"
}, {
"right": "A9773CD967E09C383838C3B13956690441780F63141D79BD1CAF6F1AC303FE64"
}, {
"right": "21F09A4A97DD1B0C31D3B62955D99B7333EB0DB741513A591E90D4067BEFD043"
}, {
"left": "53C7555CF00503C1567183E5DA9F23A0577BF6064E7F8CCF40A5A67AB2F19177"
}
],
"block_number": null,
"created_at": "2019-03-20 12:07:08",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0xaeefb11dbb23f93de4b631c63df4700ea0a846cf02be04a958cc0a315516bdbd",
"prefix": "53363583",
"hash": "AC6DA7A6B94C0A9DE404E998A9AB6DC9E3E5A53985BA06AEBEF48112C0BF3C60",
"hash_method": "SHA256",
"siblings": [
{
"left": "A958E19CF78B57BF9901F22B5CE3767DE4987D741F1EA338FE45CB4A54CCDC1B"
}, {
"right": "7EC1629366B0223E230D08CC598767C88A359D46E1579719DB83828D4F63F8B3"
}, {
"left": "F13B870B1FB3F1D9346A9BB3E23F8E647419298F4A4790AF97DF1B96CCB96D3C"
}, {
"right": "F2965128E27D498339ED9A1CB401BD62BEA1E9CBD5EE1C5EEA3EDD62BBFF0E6D"
}, {
"right": "97A5075C15093A27C6072A9A277DE940D0658B7193049D10D9CE53ED90894D5B"
}, {
"right": "9BE04E51ECEFC41CFD95A3DC656F5EC1CA307F4D2EE40A89C4BDACC9C6463FD0"
}
],
"block_number": null,
"created_at": "2019-04-11 00:03:19",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x5f941cfa34c23d839ffae1bdb21c6ce6771d03c7678dde42ea311a5ac0c7ec72",
"prefix": "53363583",
"hash": "A7F3E66122509F4D2D31114D9D119FE1C48FDF3CD2A0F9505A73E354EC953E62",
"hash_method": "SHA256",
"siblings": [
{
"right": "9213050FA4E028B38A5E8F1A7DB16776153B87144B3497EA41D2A155CBB0C492"
}, {
"left": "6FAD563E84E229E972BE1C050B6EE68912B17243DF852E0586F257F7264C3BBE"
}, {
"right": "E2A5184F67A48FDEE513EA9DACA58DA80C1E281F69AD06B9694D45545D3AE51A"
}, {
"left": "F07D1FC5592616709153F0B1DF102829C63FD29FAE03945B158B727268A267BC"
}, {
"right": "F90789990539163DFE25675FE17748E33720FD4229E308C92DF5733162B68806"
}
],
"block_number": null,
"created_at": "2019-04-13 17:22:07",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0xd4c5f69ad0ca757fcf80c12581d6d25d799d723d61a30ec2091cbee3847d9223",
"prefix": "53363583",
"hash": "7357B02406AB14912CFE943D28E2F792EBAB823DD93390022C45C9F69F6DFDF0",
"hash_method": "SHA256",
"siblings": [
{
"left": "523E84BC406E3285AF7EE9A7E36060A1E2FC9D95F52FA65F4349D176250F0BED"
}, {
"right": "06829C78A1AE4BC51188B99CC1AAEAF4E294659A5BF9EB6B74A5F31BDC82FD0D"
}, {
"right": "07D66729C9BD8457372610A481BA64D9AF3627F9D9CF46B7D9AE28C6FC638870"
}, {
"left": "75EA462275115DCAD8E719B4BE01F867DA59DCD99724B4D4C37E798BEDA753B9"
}, {
"left": "A19BA02AC9556B84D04E15302D78A8919A2E59803D0828BA2402C0F6A0CB85B8"
}
],
"block_number": "7244390",
"created_at": "2019-02-20 11:30:44",
"confirmed_at": "2019-02-20 11:37:21",
"status": "confirmed",
"confirmations": 316169
}
]
},
"etc": {
"blockchain": {
"id": "etc",
"name": "Ethereum Classic",
"block_duration": 15,
"safe_confirmations_amount": 10,
"last_block": 7844546,
"last_block_time": "2019-04-13 18:11:51",
"last_block_time_gmt": "2019-04-13 16:11:51",
"transaction_base_url": "https://gastracker.io/tx/%s"
},
"status": "pending",
"confirmed_at_gmt": null,
"confirmed_at": null,
"confirmations": 0,
"stamped_in": 0,
"pending_blocks": 10,
"pending_time": 150,
"transactions": [
{
"id": "0xfec002116757ea407f1365be3fbed3b94770276ebb72873d1888d47ad03a3669",
"prefix": "53363583",
"hash": "7357B02406AB14912CFE943D28E2F792EBAB823DD93390022C45C9F69F6DFDF0",
"hash_method": "SHA256",
"siblings": [
{
"left": "523E84BC406E3285AF7EE9A7E36060A1E2FC9D95F52FA65F4349D176250F0BED"
}, {
"right": "06829C78A1AE4BC51188B99CC1AAEAF4E294659A5BF9EB6B74A5F31BDC82FD0D"
}, {
"right": "07D66729C9BD8457372610A481BA64D9AF3627F9D9CF46B7D9AE28C6FC638870"
}, {
"left": "75EA462275115DCAD8E719B4BE01F867DA59DCD99724B4D4C37E798BEDA753B9"
}, {
"left": "A19BA02AC9556B84D04E15302D78A8919A2E59803D0828BA2402C0F6A0CB85B8"
}
],
"block_number": null,
"created_at": "2019-02-20 11:30:44",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x4b6aed97b03010c561cbce261d74a55620b02a61cea1b2a3438b104b204e9662",
"prefix": "53363583",
"hash": "360321BD9A6AEC66B8D6F02D8268DA7738F4CD95555F22F9B0AF5B219A296111",
"hash_method": "SHA256",
"siblings": [
{
"left": "5AEB0D6DDDD33B6AB95744402F1235C3DEE1AAEDFD5DC56F12E95B467A77EA50"
}, {
"left": "DBFB86FCE0DE5579713E929BB9175D3C69F8A678081D2ED8CAC51C609B46297A"
}, {
"right": "B7D8392ED0A3AA72172154E5A5254692D62AF0935BC51C13FB44D4250EADE043"
}, {
"right": "6CB2D8C4F7C487BEC223837ED3129545C283D8458D85EE95866376137BCE262A"
}
],
"block_number": null,
"created_at": "2019-02-21 19:29:12",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x3badb56cf9e31d72c9884be7e9931a3e1a6a60933f61919bf3dacffff010a9a0",
"prefix": "53363583",
"hash": "FFBBDF8A759C4C2E85C303B5A7ABB9D190DCB6EE27A81703F591C10F24ECD597",
"hash_method": "SHA256",
"siblings": [
{
"right": "82224211AE7192EEC272792CB38E4D9B22CEF807028B7F7E3ECE901F45B77EAD"
}, {
"left": "18806F12671B224E077ED82672D16DBDE77A01C3FD83370D8FF74BB6F0937D13"
}, {
"left": "A5613F8EB21C48CC8906A22CD6A5B6E402873C6DD312396DF07CE73D715406CB"
}, {
"right": "499F92337F0F9B11088C84AE0BE078C873DCDD0960221532C99FC43FE945D1D3"
}
],
"block_number": null,
"created_at": "2019-02-23 01:21:28",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x51e332a28ed99de5f6a7389bb688e5be5109dfe7918ce7a41d6e11c07dafeb39",
"prefix": "53363583",
"hash": "329D94F7F3610B21803010E25C62765D03821DF76B0D3540DDE3D7509FE168F9",
"hash_method": "SHA256",
"siblings": [
{
"right": "B6C2456991D5847DB96BBE5E572524B86E30126D5211E6DC99D51C275DF4D0CB"
}, {
"left": "4F88E53114548BBF05DF00043DB982A204195B6097F606EDB45B209586EF0348"
}, {
"right": "27E7CD6A564502F93068090F3B4984015DFDFD5FA40F8206C14D4112C4DDB299"
}, {
"left": "D535C3D9477490EB570B88ED382CC276B83703684841F82F4E391BDA2EA91A4C"
}
],
"block_number": null,
"created_at": "2019-02-24 08:37:12",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x9946ffff612c561319575e3a292fcda6dc75834c1281cf4e77a7b29d7039fbb8",
"prefix": "53363583",
"hash": "6B34AB52B2D0359CD4E62C47A19EABD9BAF92E2DC39BD003720F8FF373D3BA02",
"hash_method": "SHA256",
"siblings": [
{
"left": "5FD7C4177FF6C9B8C1D165D77391CDA839B9EDDAAE64AE7722BCE01BFC909772"
}, {
"right": "B5E777B66BA27575EF80C11A4E46944655BF8F65CD2228129CD09EA22FB995AF"
}, {
"right": "8C9EA44282CD8289D64BEED55939BD7DA7ADED2F33D65C166B3A9292C6E71B25"
}, {
"right": "6F516E995995C0AC1F1A358C1B0D2BA86307834728B3A718613316F1A5DF5152"
}, {
"right": "C6363947A3AAFD93D41AB0060C65BC04C634892047D7415897B1D3D33760ED4A"
}
],
"block_number": null,
"created_at": "2019-03-04 00:14:44",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x60d7a7cfa4c84981a56eb1ec28ca6955ca7ac379890ea0df6576cfc27a2fee3a",
"prefix": "53363583",
"hash": "FCC6C63F5EA8DA850D1469D0FE78D8E21B59748CED39191DB743D6214E694D63",
"hash_method": "SHA256",
"siblings": [
{
"left": "2A95FE5FDCED88472E2B823CF8F01244A376D561FD2FADD22B3E3DDABC81FEC7"
}, {
"left": "C5C6324F119490B4A89B2A87B1F13C3F0738299587334A9FF6CBCD9C02486BDB"
}, {
"left": "F76AEF173269DE6B5BADB1D82710CC7C78F98F2E7581C8AA5217F26C75E7629B"
}, {
"right": "A9773CD967E09C383838C3B13956690441780F63141D79BD1CAF6F1AC303FE64"
}, {
"right": "21F09A4A97DD1B0C31D3B62955D99B7333EB0DB741513A591E90D4067BEFD043"
}, {
"left": "53C7555CF00503C1567183E5DA9F23A0577BF6064E7F8CCF40A5A67AB2F19177"
}
],
"block_number": null,
"created_at": "2019-03-20 12:07:08",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0xb1824c89d09098305de05c700a8a8898529bd8625d528b96e22f32d6d95fd935",
"prefix": "53363583",
"hash": "AC6DA7A6B94C0A9DE404E998A9AB6DC9E3E5A53985BA06AEBEF48112C0BF3C60",
"hash_method": "SHA256",
"siblings": [
{
"left": "A958E19CF78B57BF9901F22B5CE3767DE4987D741F1EA338FE45CB4A54CCDC1B"
}, {
"right": "7EC1629366B0223E230D08CC598767C88A359D46E1579719DB83828D4F63F8B3"
}, {
"left": "F13B870B1FB3F1D9346A9BB3E23F8E647419298F4A4790AF97DF1B96CCB96D3C"
}, {
"right": "F2965128E27D498339ED9A1CB401BD62BEA1E9CBD5EE1C5EEA3EDD62BBFF0E6D"
}, {
"right": "97A5075C15093A27C6072A9A277DE940D0658B7193049D10D9CE53ED90894D5B"
}, {
"right": "9BE04E51ECEFC41CFD95A3DC656F5EC1CA307F4D2EE40A89C4BDACC9C6463FD0"
}
],
"block_number": null,
"created_at": "2019-04-11 00:03:19",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}, {
"id": "0x151c25ba4a46026d9c74748184d023d6dab66ac52a19f6dee9f8e1229a36ac38",
"prefix": "53363583",
"hash": "A7F3E66122509F4D2D31114D9D119FE1C48FDF3CD2A0F9505A73E354EC953E62",
"hash_method": "SHA256",
"siblings": [
{
"right": "9213050FA4E028B38A5E8F1A7DB16776153B87144B3497EA41D2A155CBB0C492"
}, {
"left": "6FAD563E84E229E972BE1C050B6EE68912B17243DF852E0586F257F7264C3BBE"
}, {
"right": "E2A5184F67A48FDEE513EA9DACA58DA80C1E281F69AD06B9694D45545D3AE51A"
}, {
"left": "F07D1FC5592616709153F0B1DF102829C63FD29FAE03945B158B727268A267BC"
}, {
"right": "F90789990539163DFE25675FE17748E33720FD4229E308C92DF5733162B68806"
}
],
"block_number": null,
"created_at": "2019-04-13 17:22:07",
"confirmed_at": null,
"status": "pending",
"confirmations": null
}
]
}
},
"content_decoded": {
"title": "u00bfSabes si el Machine Learning es la soluciu00f3n para tu empresa?",
"content": "Las tu00e9cnicas de Machine Learning pueden ayudar a los equipos de marketing a resolver problemas complejos a travu00e9s de datos, pero es necesario tener cuidado ya que lo primero que debemos preguntarnos es si el problema es lo suficientemente complejo como para requerir una soluciu00f3n basada en Machine Learning. Por ejemplo, un caso de uso muy comu00fan seru00eda la segmentaciu00f3n y clasificaciu00f3n de clientes. Una clasificaciu00f3n mu00e1s compleja puede requerir Machine Learning, sin embargo, la mayoru00eda de los problemas relacionados con la segmentaciu00f3n de clientes pueden resolverse con herramientas de CRM o Marketing Automation.\r\nSin embargo, existen casos en los que la aplicaciu00f3n de Machine Learning es sin duda necesaria:\r\n\r\n tRecomendaciu00f3n de producto: el caso mu00e1s utilizado con ejemplos en e-commerce, como Amazon, o servicios de streaming como Netflix y Spotify \r\n tReconocimiento de voz y texto: o dicho de otra forma, comercio conversacional. u00bfExiste algu00fan Director de Marketing que no tenga en su hoja de ruta el desarrollo de un chatbot o de una skill para Alexa? \r\n tReconocimiento de imagen: esto incluye tanto el reconocimiento facial como el reconocimiento de marca - Blinkfire Analytics es un gran ejemplo de ello-. Gracias al Machine Learning es posible medir el impacto de la marca -en segundos- en patrocinios deportivos o hacer mu00e1s inteligente el contenido de vu00eddeo con propuestas como la de Vilynx. Ademu00e1s, Blinkfire Analytics utiliza la visiu00f3n por ordenador para medir el valor de los medios de forma precisa y en tiempo real.\r\n\r\n\r\nBlinkfire Analytics usa computer vision para medir media value de forma precisa en real-time\r\nCentru00e9monos en un u00fanico problema. Imagina el siguiente escenario:\r\n"Quiero evaluar el ROI del patrocinio de un equipo de baloncesto midiendo el nu00famero de compras realizadas por mujeres de entre 18 y 35 au00f1os que han seleccionado uno de los productos deportivos que se les recomiendan ponderado por el nu00famero medio de segundos que la marca aparece durante la retransmisiu00f3n del partido". \r\n\r\nEs probable que la respuesta se pueda obtener por mecanismos clu00e1sicos, pero el tiempo y esfuerzo necesarios no lo haru00edan rentable.\r\nu00a1Datos, datos, datos!\r\nUna vez que tengo claro, como CMO, que quiero llevar a cabo un proyecto de Machine Learning para resolver un problema concreto, es necesario evaluar cuu00e1l es el grado de madurez de datos en la organizaciu00f3n. Es decir:\r\n\r\n tu00bfQuu00e9 datos tengo disponibles actualmente? Y, u00bfcuu00e1les no tengo y me gustaru00eda tener?\r\n tu00bfQuu00e9 silos de datos hay en la organizaciu00f3n?\r\n tUtilizando los datos disponibles podemos determinar fu00e1cilmente los KPIs relevantes para medir los resultados de las acciones de marketing (campau00f1as, anuncios, etc.)?\r\n tY, lo mu00e1s importante, basu00e1ndonos en estos datos, u00bfquu00e9 grado de conocimiento tengo del cliente?\r\n\r\n\r\nData Driven Maturity Model\r\nCuando se trata de la madurez de los datos, identificamos cinco etapas en la evoluciu00f3n de la cultura de datos en las compau00f1u00edas:\r\n\r\n tData blind: no se visualiza nada mu00e1s allu00e1 de los datos que interesan a cada departamento, ya sea porque no se han recogido correctamente o porque no hay una estrategia real detru00e1s de su anu00e1lisis. \r\n tData reactive: se recogen datos que estu00e1n alineados con las necesidades de negocio. Estos datos suelen ser utilizados por silos, u00e1reas independientes con foco en el reporting para la toma de decisiones. Aunque estos datos se recogen agregados, no se analizan juntos.\r\n tData active: se comienza a trabajar estratu00e9gicamente usando los datos como un activo. Se construyen data lakes para la agregaciu00f3n y anu00e1lisis de los datos de forma conjunta.\r\n tData proactive: se identifica de forma previa a cualquier iniciativa el por quu00e9 de la necesidad de datos, cu00f3mo se van a obtener y analizar y quu00e9 conocimiento se quiere conseguir.\r\n tData driven: los datos forman parte integral de la cadena de valor y del du00eda a du00eda de la compau00f1u00eda. Esto permite que automu00e1ticamente la u00a0relaciu00f3n con el cliente se vaya ajustando (por ejemplo, si se detecta posibilidad de abandono clientes se lanzan acciones de retenciu00f3n)\r\n\r\nGuu00eda para un proyecto de Machine Learning\r\nParemos un momento para ajustar el enfoque y ver con perspectiva cuu00e1l es el contexto de un proyecto de Machine Learning. La combinaciu00f3n de u00a0negocio, tecnologu00eda y matemu00e1ticas son la clave.\r\n\r\n\r\nMarco de ejecuciu00f3n de un proyecto de Machine Learning\r\nLa clave del u00e9xito del marketing son los equipos que u201chablanu201d el idioma de cada una de estas tres u00e1reas y saben cu00f3mo conectarlas correctamente, rompiendo los silos departamentales. En Good Rebels, combinando nuestra experiencia en la ejecuciu00f3n de proyectos basados en tecnologu00eda y datos, hemos creado un journey de proyecto de Machine Learning que nos permite:\r\n\r\n tEjecutar su00f3lo los proyectos o fases de proyecto que realmente aporten valor, sin incurrir en costes innecesarios.\r\n tMaximizar el u00e9xito del proyecto y la utilidad para el negocio\r\n\r\n\r\nFase de ejecuciu00f3n de un proyecto de Machine Learning\r\n\r\n\r\n\r\n\r\nFase\r\n\r\n\r\nComentarios y acciones\r\n\r\n\r\n\r\n\r\nPregunta\r\n\r\n\r\n\r\n\r\nSeleccionar una pregunta que provenga de un problema real del negocio, evitar proyectos 'ficticios' con el propu00f3sito de experimentar. Los recursos necesarios para llevar a cabo estos proyectos requieren tener un caso de uso legu00edtimo asociado a una necesidad real de negocio.\r\nEn primer lugar, analizar el impacto potencial de resolver esta necesidad:\r\n\r\n\r\n tCliente: u00bfVa a mejorar su experiencia? u00bfCu00f3mo?\r\n tSistema: Una vez en producciu00f3n, u00bfnecesitamos una respuesta en tiempo real o en batch? u00bfEstaru00e1 integrado en nuestro ecommerce, en nuestra app, con los contact centers?\r\n tProductividad: u00bfSe reduciru00e1n los costes o el tiempo?\r\n\r\nUna vez que se haya identificado la necesidad de negocio, hay que determinar:\r\n\r\n\r\n tu00bfRealmente necesitamos Machine Learning para resolver este problema?\r\n tu00bfSe puede satisfacer esta necesidad utilizando una herramienta existente? u00bfEs realmente necesario desarrollar un proyecto propio? \r\n\r\n tSi la respuesta es su00ed, se trata de un problema de investigaciu00f3n de herramientas e integraciu00f3n de sistemas.\r\n tSi la respuesta es no, pasamos a la siguiente fase.\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nMadurez data driven\r\n\r\n\r\nDeterminar los oru00edgenes y calidad de los datos para la resoluciu00f3n del problema:\r\n\r\n\r\n tu00bfTenemos el mapa de datos de la compau00f1u00eda?\r\n tu00bfHay un data lake o data mart?\r\n tu00bfTenemos acceso a todos los datos necesarios? u00bfDu00f3nde se almacenan? \r\n tSi tengo acceso a todos los datos que necesito, puedo empezar.\r\n tSi no tengo acceso a los datos correctos, lo primero que tenemos que hacer es empezar a generarlos.\r\n\r\n\r\n\r\n\r\n\r\nSet-up\r\n\r\n\r\n\r\n\r\nUna vez corregidos los defectos identificados en la fase anterior se debe determinar la forma de llevar a cabo el proyecto:\r\n\r\n\r\n tSi disponemos de un departamento interno de AI/ML, el proyecto se puede hacer en casa.\r\n tEn caso contraru00edo, es necesario contar con una persona que nos ayude en:\r\n\r\n tEvaluaciu00f3n y selecciu00f3n de herramientas ML como la que ofrece nuestro partner BigML\r\n tInterlocuciu00f3n con el departamento de sistemas\r\n tAnu00e1lisis de los datos y el resultado obtenido mediante expertos en matemu00e1ticas y estadu00edstica\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nPrueba de concepto\r\n\r\n\r\n\r\n tDeterminar cuu00e1l es la tolerancia de mu00e1xima de error (si es posible) de los resultados. \r\n tSeleccionar subconjuntos de datos y un contexto especu00edfico para la prueba. \r\n tEntrenar modelos, hacer pequeu00f1os retoques, modificar y ajustar.\r\n\r\n\r\n\r\n\r\n\r\nEvaluaciu00f3n\r\n\r\n\r\n\r\n\r\n\r\n\r\n tEvaluar los resultados generados durante la etapa de Prueba de Concepto y verificar que estu00e9n dentro de la tolerancia esperada.\r\n tAnalizar los resultados en colaboraciu00f3n con un experto\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nGo / No Go\r\n\r\n\r\n\r\n tDeterminar las necesidades de sistemas (en parte ya identificadas en la primera fase)\r\n tEntender los costes necesarios para una puesta en producciu00f3n total.\r\n tToma de decisiones para el despliegue en producciu00f3n.\r\n\r\n\r\n\r\n\r\n\r\nImplementaciu00f3n\r\n\r\n\r\n\r\n\r\n\r\n\r\n tConexiu00f3n con fuentes de datos en tiempo real (si corresponde) \r\n tReentrenamiento del modelo con los conjuntos de datos completos\r\n tRetoques, modificaciones y ajustes \r\n tDespliegue e integraciu00f3n: e-commerce, aplicaciones mu00f3viles, etc.\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nEvoluciu00f3n Continua\r\n\r\n\r\n\r\n tContraste de resultados con los expertos en negocios\r\n tRevisiu00f3n de los datos y de su calidad\r\n tReentrenamiento de los modelos\r\n tRetoques, modificaciones y ajustes\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nRecuerda que la fase de evoluciu00f3n continua puede implicar el inicio de nuevos proyectos de Machine Learning. Por ejemplo:\r\n\r\n tA veces, encontrar la respuesta a los problemas su00f3lo nos genera mu00e1s preguntas, por lo que la necesidad del negocio puede aumentar en complejidad.\r\n tLa apariciu00f3n de nuevas fuentes de datos o de nuevos tipos de datos puede requerir un cambio en el modelo o suponer el inicio de un nuevo proyecto. \r\n tHay un aumento constante en el nu00famero de herramientas de Machine Learning. Estas soluciones de mercado permiten evitar la complejidad de un proyecto in-house y facilitan la adopciu00f3n de mejoras con menor inversiu00f3n.\r\n\r\nKeep it simple\r\nVolvamos a la primera pregunta que nos hicimos: u00bfcu00f3mo podemos aplicar Machine Learning desde el departamento de Marketing para lograr nuestros objetivos?\r\n\r\nEn u00faltima instancia, la clave del u00e9xito de un proyecto de Machine Learning son las personas. El Machine Learning ayuda a las personas a resolver problemas complejos de marketing, utilizando los datos de negocio y de los clientes para identificar patrones y conocimientos ocultos, pero son las personas las que identifican los problemas que necesitan ser resueltos, las que entienden el contexto y seleccionan los datos relevantes. Tambiu00e9n, las personas son quienes finalmente interpretan y analizan los resultados en base a su conocimiento en un dominio y una industria concreta.\r\nEn definitiva, si quieres desarrollar un proyecto de Machine Learning desde la Direcciu00f3n de Marketing, debes tener en cuenta estas tres cosas:\r\n\r\n tEmpieza con una buena pregunta\r\n\r\n tCu00e9ntrate en una necesidad real de negocio\r\n tEvalu00faa el posible impacto interno y externo de la resoluciu00f3n de este problema \r\n\r\n\r\n tNo hay necesidad de reinventar la rueda\r\n\r\n tYa existen herramientas deu00a0Machine Learningu00a0muy efectivas\r\n tUna buena comprensiu00f3n de estas herramientas es fundamental\r\n\r\n\r\n tLas personas son la clave\r\n\r\n tSi no tienes ningu00fan experto interno, puedes colaborar con partners que puedan proporcionar una visiu00f3n integral de negocio, tecnologu00eda y matemu00e1ticas.",
"url": "https://www.goodrebels.com/es/sabes-si-el-machine-learning-es-la-solucion-para-tu-empresa/",
"authors": [
"Nou00e9 Fernu00e1ndez"
],
"origin": "WP Blockchain",
"format": "wpblockchain"
},
"content": "{"title":"\u00bfSabes si el Machine Learning es la soluci\u00f3n para tu empresa?","content":"Las t\u00e9cnicas de Machine Learning pueden ayudar a los equipos de marketing a resolver problemas complejos a trav\u00e9s de datos, pero es necesario tener cuidado ya que lo primero que debemos preguntarnos es si el problema es lo suficientemente complejo como para requerir una soluci\u00f3n basada en Machine Learning. Por ejemplo, un caso de uso muy com\u00fan ser\u00eda la segmentaci\u00f3n y clasificaci\u00f3n de clientes. Una clasificaci\u00f3n m\u00e1s compleja puede requerir Machine Learning, sin embargo, la mayor\u00eda de los problemas relacionados con la segmentaci\u00f3n de clientes pueden resolverse con herramientas de CRM o Marketing Automation.\r\nSin embargo, existen casos en los que la aplicaci\u00f3n de Machine Learning es sin duda necesaria:\r\n\r\n \tRecomendaci\u00f3n de producto: el caso m\u00e1s utilizado con ejemplos en e-commerce, como Amazon, o servicios de streaming como Netflix y Spotify \r\n \tReconocimiento de voz y texto: o dicho de otra forma, comercio conversacional. \u00bfExiste alg\u00fan Director de Marketing que no tenga en su hoja de ruta el desarrollo de un chatbot o de una skill para Alexa? \r\n \tReconocimiento de imagen: esto incluye tanto el reconocimiento facial como el reconocimiento de marca - Blinkfire Analytics es un gran ejemplo de ello-. Gracias al Machine Learning es posible medir el impacto de la marca -en segundos- en patrocinios deportivos o hacer m\u00e1s inteligente el contenido de v\u00eddeo con propuestas como la de Vilynx. Adem\u00e1s, Blinkfire Analytics utiliza la visi\u00f3n por ordenador para medir el valor de los medios de forma precisa y en tiempo real.\r\n\r\n\r\nBlinkfire Analytics usa computer vision para medir media value de forma precisa en real-time\r\nCentr\u00e9monos en un \u00fanico problema. Imagina el siguiente escenario:\r\n\"Quiero evaluar el ROI del patrocinio de un equipo de baloncesto midiendo el n\u00famero de compras realizadas por mujeres de entre 18 y 35 a\u00f1os que han seleccionado uno de los productos deportivos que se les recomiendan ponderado por el n\u00famero medio de segundos que la marca aparece durante la retransmisi\u00f3n del partido\". \r\n\r\nEs probable que la respuesta se pueda obtener por mecanismos cl\u00e1sicos, pero el tiempo y esfuerzo necesarios no lo har\u00edan rentable.\r\n\u00a1Datos, datos, datos!\r\nUna vez que tengo claro, como CMO, que quiero llevar a cabo un proyecto de Machine Learning para resolver un problema concreto, es necesario evaluar cu\u00e1l es el grado de madurez de datos en la organizaci\u00f3n. Es decir:\r\n\r\n \t\u00bfQu\u00e9 datos tengo disponibles actualmente? Y, \u00bfcu\u00e1les no tengo y me gustar\u00eda tener?\r\n \t\u00bfQu\u00e9 silos de datos hay en la organizaci\u00f3n?\r\n \tUtilizando los datos disponibles podemos determinar f\u00e1cilmente los KPIs relevantes para medir los resultados de las acciones de marketing (campa\u00f1as, anuncios, etc.)?\r\n \tY, lo m\u00e1s importante, bas\u00e1ndonos en estos datos, \u00bfqu\u00e9 grado de conocimiento tengo del cliente?\r\n\r\n\r\nData Driven Maturity Model\r\nCuando se trata de la madurez de los datos, identificamos cinco etapas en la evoluci\u00f3n de la cultura de datos en las compa\u00f1\u00edas:\r\n\r\n \tData blind: no se visualiza nada m\u00e1s all\u00e1 de los datos que interesan a cada departamento, ya sea porque no se han recogido correctamente o porque no hay una estrategia real detr\u00e1s de su an\u00e1lisis. \r\n \tData reactive: se recogen datos que est\u00e1n alineados con las necesidades de negocio. Estos datos suelen ser utilizados por silos, \u00e1reas independientes con foco en el reporting para la toma de decisiones. Aunque estos datos se recogen agregados, no se analizan juntos.\r\n \tData active: se comienza a trabajar estrat\u00e9gicamente usando los datos como un activo. Se construyen data lakes para la agregaci\u00f3n y an\u00e1lisis de los datos de forma conjunta.\r\n \tData proactive: se identifica de forma previa a cualquier iniciativa el por qu\u00e9 de la necesidad de datos, c\u00f3mo se van a obtener y analizar y qu\u00e9 conocimiento se quiere conseguir.\r\n \tData driven: los datos forman parte integral de la cadena de valor y del d\u00eda a d\u00eda de la compa\u00f1\u00eda. Esto permite que autom\u00e1ticamente la \u00a0relaci\u00f3n con el cliente se vaya ajustando (por ejemplo, si se detecta posibilidad de abandono clientes se lanzan acciones de retenci\u00f3n)\r\n\r\nGu\u00eda para un proyecto de Machine Learning\r\nParemos un momento para ajustar el enfoque y ver con perspectiva cu\u00e1l es el contexto de un proyecto de Machine Learning. La combinaci\u00f3n de \u00a0negocio, tecnolog\u00eda y matem\u00e1ticas son la clave.\r\n\r\n\r\nMarco de ejecuci\u00f3n de un proyecto de Machine Learning\r\nLa clave del \u00e9xito del marketing son los equipos que \u201chablan\u201d el idioma de cada una de estas tres \u00e1reas y saben c\u00f3mo conectarlas correctamente, rompiendo los silos departamentales. En Good Rebels, combinando nuestra experiencia en la ejecuci\u00f3n de proyectos basados en tecnolog\u00eda y datos, hemos creado un journey de proyecto de Machine Learning que nos permite:\r\n\r\n \tEjecutar s\u00f3lo los proyectos o fases de proyecto que realmente aporten valor, sin incurrir en costes innecesarios.\r\n \tMaximizar el \u00e9xito del proyecto y la utilidad para el negocio\r\n\r\n\r\nFase de ejecuci\u00f3n de un proyecto de Machine Learning\r\n\r\n\r\n\r\n\r\nFase\r\n\r\n\r\nComentarios y acciones\r\n\r\n\r\n\r\n\r\nPregunta\r\n\r\n\r\n\r\n\r\nSeleccionar una pregunta que provenga de un problema real del negocio, evitar proyectos 'ficticios' con el prop\u00f3sito de experimentar. Los recursos necesarios para llevar a cabo estos proyectos requieren tener un caso de uso leg\u00edtimo asociado a una necesidad real de negocio.\r\nEn primer lugar, analizar el impacto potencial de resolver esta necesidad:\r\n\r\n\r\n \tCliente: \u00bfVa a mejorar su experiencia? \u00bfC\u00f3mo?\r\n \tSistema: Una vez en producci\u00f3n, \u00bfnecesitamos una respuesta en tiempo real o en batch? \u00bfEstar\u00e1 integrado en nuestro ecommerce, en nuestra app, con los contact centers?\r\n \tProductividad: \u00bfSe reducir\u00e1n los costes o el tiempo?\r\n\r\nUna vez que se haya identificado la necesidad de negocio, hay que determinar:\r\n\r\n\r\n \t\u00bfRealmente necesitamos Machine Learning para resolver este problema?\r\n \t\u00bfSe puede satisfacer esta necesidad utilizando una herramienta existente? \u00bfEs realmente necesario desarrollar un proyecto propio? \r\n\r\n \tSi la respuesta es s\u00ed, se trata de un problema de investigaci\u00f3n de herramientas e integraci\u00f3n de sistemas.\r\n \tSi la respuesta es no, pasamos a la siguiente fase.\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nMadurez data driven\r\n\r\n\r\nDeterminar los or\u00edgenes y calidad de los datos para la resoluci\u00f3n del problema:\r\n\r\n\r\n \t\u00bfTenemos el mapa de datos de la compa\u00f1\u00eda?\r\n \t\u00bfHay un data lake o data mart?\r\n \t\u00bfTenemos acceso a todos los datos necesarios? \u00bfD\u00f3nde se almacenan? \r\n \tSi tengo acceso a todos los datos que necesito, puedo empezar.\r\n \tSi no tengo acceso a los datos correctos, lo primero que tenemos que hacer es empezar a generarlos.\r\n\r\n\r\n\r\n\r\n\r\nSet-up\r\n\r\n\r\n\r\n\r\nUna vez corregidos los defectos identificados en la fase anterior se debe determinar la forma de llevar a cabo el proyecto:\r\n\r\n\r\n \tSi disponemos de un departamento interno de AI\/ML, el proyecto se puede hacer en casa.\r\n \tEn caso contrar\u00edo, es necesario contar con una persona que nos ayude en:\r\n\r\n \tEvaluaci\u00f3n y selecci\u00f3n de herramientas ML como la que ofrece nuestro partner BigML\r\n \tInterlocuci\u00f3n con el departamento de sistemas\r\n \tAn\u00e1lisis de los datos y el resultado obtenido mediante expertos en matem\u00e1ticas y estad\u00edstica\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nPrueba de concepto\r\n\r\n\r\n\r\n \tDeterminar cu\u00e1l es la tolerancia de m\u00e1xima de error (si es posible) de los resultados. \r\n \tSeleccionar subconjuntos de datos y un contexto espec\u00edfico para la prueba. \r\n \tEntrenar modelos, hacer peque\u00f1os retoques, modificar y ajustar.\r\n\r\n\r\n\r\n\r\n\r\nEvaluaci\u00f3n\r\n\r\n\r\n\r\n\r\n\r\n\r\n \tEvaluar los resultados generados durante la etapa de Prueba de Concepto y verificar que est\u00e9n dentro de la tolerancia esperada.\r\n \tAnalizar los resultados en colaboraci\u00f3n con un experto\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nGo \/ No Go\r\n\r\n\r\n\r\n \tDeterminar las necesidades de sistemas (en parte ya identificadas en la primera fase)\r\n \tEntender los costes necesarios para una puesta en producci\u00f3n total.\r\n \tToma de decisiones para el despliegue en producci\u00f3n.\r\n\r\n\r\n\r\n\r\n\r\nImplementaci\u00f3n\r\n\r\n\r\n\r\n\r\n\r\n\r\n \tConexi\u00f3n con fuentes de datos en tiempo real (si corresponde) \r\n \tReentrenamiento del modelo con los conjuntos de datos completos\r\n \tRetoques, modificaciones y ajustes \r\n \tDespliegue e integraci\u00f3n: e-commerce, aplicaciones m\u00f3viles, etc.\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nEvoluci\u00f3n Continua\r\n\r\n\r\n\r\n \tContraste de resultados con los expertos en negocios\r\n \tRevisi\u00f3n de los datos y de su calidad\r\n \tReentrenamiento de los modelos\r\n \tRetoques, modificaciones y ajustes\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\nRecuerda que la fase de evoluci\u00f3n continua puede implicar el inicio de nuevos proyectos de Machine Learning. Por ejemplo:\r\n\r\n \tA veces, encontrar la respuesta a los problemas s\u00f3lo nos genera m\u00e1s preguntas, por lo que la necesidad del negocio puede aumentar en complejidad.\r\n \tLa aparici\u00f3n de nuevas fuentes de datos o de nuevos tipos de datos puede requerir un cambio en el modelo o suponer el inicio de un nuevo proyecto. \r\n \tHay un aumento constante en el n\u00famero de herramientas de Machine Learning. Estas soluciones de mercado permiten evitar la complejidad de un proyecto in-house y facilitan la adopci\u00f3n de mejoras con menor inversi\u00f3n.\r\n\r\nKeep it simple\r\nVolvamos a la primera pregunta que nos hicimos: \u00bfc\u00f3mo podemos aplicar Machine Learning desde el departamento de Marketing para lograr nuestros objetivos?\r\n\r\nEn \u00faltima instancia, la clave del \u00e9xito de un proyecto de Machine Learning son las personas. El Machine Learning ayuda a las personas a resolver problemas complejos de marketing, utilizando los datos de negocio y de los clientes para identificar patrones y conocimientos ocultos, pero son las personas las que identifican los problemas que necesitan ser resueltos, las que entienden el contexto y seleccionan los datos relevantes. Tambi\u00e9n, las personas son quienes finalmente interpretan y analizan los resultados en base a su conocimiento en un dominio y una industria concreta.\r\nEn definitiva, si quieres desarrollar un proyecto de Machine Learning desde la Direcci\u00f3n de Marketing, debes tener en cuenta estas tres cosas:\r\n\r\n \tEmpieza con una buena pregunta\r\n\r\n \tC\u00e9ntrate en una necesidad real de negocio\r\n \tEval\u00faa el posible impacto interno y externo de la resoluci\u00f3n de este problema \r\n\r\n\r\n \tNo hay necesidad de reinventar la rueda\r\n\r\n \tYa existen herramientas de\u00a0Machine Learning\u00a0muy efectivas\r\n \tUna buena comprensi\u00f3n de estas herramientas es fundamental\r\n\r\n\r\n \tLas personas son la clave\r\n\r\n \tSi no tienes ning\u00fan experto interno, puedes colaborar con partners que puedan proporcionar una visi\u00f3n integral de negocio, tecnolog\u00eda y matem\u00e1ticas.","url":"https:\/\/www.goodrebels.com\/es\/sabes-si-el-machine-learning-es-la-solucion-para-tu-empresa\/","authors":["No\u00e9 Fern\u00e1ndez"],"origin":"WP Blockchain","format":"wpblockchain"}"
}
}