? Jacobo Pablos (Foqum): "Más datos no siempre implica mejores resultados"

En el mundo de la empresa los datos son fundamentales, pero no tanto como saber qué hacer con ellos. En este sentido, desde Foqum afirman que los datos adquieren valor cuando sabes observarlos.

Foqum nace como respuesta a la necesidad de muchas empresas de ejecutar procesos de decisión automatizados. Su objetivo: convertirse en una referencia en el campo del procesamiento de lenguaje natural y Computer Vision.

Hablamos con Jacobo Pablos Mengs, Managing Director en Foqum, sobre las ventajas de estas tecnologías y cómo aplicarlas.

ENCUENTRA AL MEJOR EQUIPO PARA TU PROYECTO DIGITAL

Preséntate en una frase.

Diría que mi definición, y en cierta medida mi obsesión, es que las cosas pasen. En mi opinión “después” siempre suele ser tarde.

Describe un día cualquiera para ti en Foqum.

Empezamos con una revisión rápida de las novedad técnicas, de producto y comerciales. No más de 30 minutos.

Luego mis tareas más rutinarias consisten generalmente en ayudar al equipo técnico a la redacción de propuestas, asegurar que los clientes ven beneficio en el trabajo que desarrollamos y mantener una comunicación fluida con todos los socios de la compañía.

Ocasionalmente tengo que dedicar un tiempo específico ante la aparición de obstáculos o problemas que requieren decisiones que afectan a todas las áreas. Un poco como un director de orquesta sin instrumento pero con batuta.

¿Sin qué app no podrías vivir?

Quiero pensar que puedo vivir sin ninguna, pero posiblemente WhatsApp, que es mi herramienta de comunicación principal con familiares y amigos.

¿Bill Gates o Steve Jobs?

Como toca elegir diría quizá Bill Gates por su determinación en construir cada día ya que a mi juicio la acumulación es una de las áreas claves para mejorar

¿Qué consejo le darías a tu yo del pasado?

Aprovecha cada momento de la vida porque vuela…

¿En qué serie te gustaría actuar como el jefe?

En la serie de Newsroom. Mi visión de cómo debe ser un jefe está muy alineada con el personaje de Charlie Skinner.

¿Cómo sería la historia resumida de Foqum?

La empresa nace con una vocación de desarrollo de producto, con el objetivo de convertirnos en una referencia en el campo del procesamiento de lenguaje natural y Computer Vision.

Durante los primeros años de trabajo nuestro objetivo fue desarrollar diferentes proyectos de consultoría con el fin de conocer las necesidades de los clientes, ir acumulando conocimiento y construyendo un equipo sólido de trabajo.

Desde el pasado año empezamos la ansiada transición a producto la cual pretendemos concluir a lo largo del 2020 y principio del 2021 a través del lanzamiento de 4 soluciones con diferentes funcionalidades para el tratamiento de textos, imágenes, vídeos y archivos de audio.

¿Con qué 3 valores definirías vuestro trabajo en el campo del data science, big data y machine learning?

Talento, imaginación y compromiso.

¿El número de qué cliente nos pasarías si quisiéramos pedir referencias?

Lefebvre, ya que refleja tanto el área en la que queremos posicionarnos como referencia (PLN) como con el ideal de nuestro modelo de trabajo en equipo y relación de largo plazo con el cliente.

En este sentido con Lefebvre llevamos 2 años trabajando codo con codo, como parte de su equipo, en el desarrollo de un ambicioso y complejo proyecto de procesamiento de lenguaje natural en el que entre otras complejidades tenemos que afrontar un problema relevante de big data al tener que computar más de 4 millones de sentencias judiciales con diferentes fines.

¿Cuál es tu negocio o profesión soñada? (¡Sin contar la tuya!)

Médico.

¿Qué es exactamente el data science y qué es lo más importante que debemos saber sobre él?

Es la ciencia centrada en el análisis exhaustivo de los datos cubriendo todo su ciclo de vida, desde la recopilación al procesamiento y visualización. Su fin es permitir que las tomas de decisiones en base a los datos sean automáticas, coherentes y medibles.

Uno de los aspectos que considero clave en la gestión de una empresa es que lo que no se mide no se puede mejorar. Esto es a mi juicio uno de los aspectos más importantes que debemos conocer sobre el Machine Learning y el Data Science. Ambos te permiten medir los resultados y tomar decisiones de manera iterativa en base a los mismos.

La gente se suele equivocar con el data science en…

Creo que las principales equivocaciones sobre el data science son las siguientes.

Solo tiene sentido si cuento con muchos datos. Disponer de mayor información no necesariamente implica mejores resultados.
Pensar que el retorno de un proyecto de Machine Learning debe ser siempre alto y a muy corto plazo.
Es caro y por tanto no está al alcance de pequeñas y medianas empresas.
Si no cuento con un equipo cualificado no tiene sentido invertir en el desarrollo de este tipo de proyectos.

El data science contempla actuaciones relacionadas con big data o machine learning. ¿Qué beneficios tienen para las empresas?

Los beneficios son diversos y citaría los siguientes como algunos de los principales:

Incrementar ingresos.
Reducir costes.
Poder contar con métricas que permitan mejorar la toma de decisiones en base a los datos internos y externos con los que cuenta la compañía.
Automatizar procesos que permitan liberar carga manual de muchos trabajos de poco valor e incrementar la productividad.
Identificar oportunidades de negocio.
Identificar nuevos productos, servicios o funcionalidades tanto para uso interno como para clientes.
Minimizar errores.
Simplificar el trabajo.
Mejorar la experiencia del cliente.
Predecir y detectar fraudes.

En estas actuaciones, ¿corto, medio o largo plazo?

Como citaba anteriormente, para mí una de las claves principales es medir los resultados para poder mejorar.

En este sentido es fundamental medir los resultados en el corto plazo y, por tanto, independientemente de la complejidad del trabajo, mi opinión es que siempre se debe dividir cada proyecto en hitos o entregables tangibles, idealmente con periodos inferiores a 3-4 meses; y que el resultado de cada hito consolide el roadmap de trabajo y valide los objetivos descritos para el mismo.

Comparte una táctica o truco que os haya funcionado.

Tres aspectos principales:

Ser muy transparentes con el cliente sobre lo que se puede y lo que no se puede hacer.
Aterrizar cada proyecto en funcionalidades y casos de uso concretos, con entregables que permitan una evaluación de los resultados.
Por último, y como citaba anteriormente, es muy importante el análisis de corto plazo y por tanto, si es posible, siempre recomendamos empezar con un piloto. Esto nos permite crear una cohesión y confianza con los equipos internos y al cliente le permite poder hacer un mejor uso de sus recursos económicos.

Da un consejo a todos los que piensen en contratar a una empresa de data science.

En línea al punto anterior les aconsejaría que busquen a la empresa de Data Science cuyo principal objetivo sea proporcionarles herramientas o soluciones basadas en funcionalidades y casos de uso concretos y con entregables que permitan una evaluación de los resultados a corto plazo.

Cuéntanos un reto para los próximos meses.

Diría que principalmente dos:

Consolidar la transición a producto lanzando las 4 herramientas que tenemos definidas en el roadmap de producto, convirtiéndonos en una empresa de cierta referencia en procesamiento de lenguaje natural y Computer Vision.
Crecer en la integración de nuestros productos en clientes y proyectos internacionales.

¿Qué tendencias o tecnologías crees que harán del mundo un lugar mejor?

Mencionaría dos:

Herramientas de Machine y Deep Learning centradas en la medicina preventiva, en especial alrededor de la que considero la enfermedad más preocupante de la actualidad, el cáncer.
Tecnologías centradas en la generación de energías limpias y sustenibilidad. Lo que se conoce como clean energy.

Recomienda un blog o portal para estar al día en todo lo relacionado al análisis de datos .

Sugeriría los dos siguientes: