La oficina ubicua

Por: Isabel Yepes

La computación en la nube ha transformado el modo de trabajar, cada vez más empresas y trabajadores por cuenta propia han encontrado en ella mecanismos para facilitar el acceso a la información, la comunicación con clientes y proveedores, y en últimas permitiendo métodos más amigables de interacción con el ser humano. En este artículo presentaremos el uso de herramientas ampliamente disponibles que permiten conformar una oficina ubicua.

Gabriel es un empresario del diseño, se dedica a la transformación de espacios en pequeñas empresas para hacerlos más amigables con las personas, facilitando la Man sitting at desk with son on his knee with laptop computer and paperwork - B2Bproductividad. Con el fin de cumplir sus objetivos Gabriel visita constantemente a sus clientes, conoce las necesidades en sitio, toma fotografías de los espacios, comparte propuestas de diseño que han sido elaboradas por su equipo que labora remotamente desde casa y las muestra a sus clientes para obtener su aprobación.

La oficina de Gabriel está compuesta por su computador y su teléfono celular, que le permiten realizar teleconferencias en el momento que lo requiera con un proveedor, hacer seguimiento a la ejecución de los proyectos y comunicarse por medio de chat para enviar instrucciones simples al equipo de trabajo. Esta flexibilidad le permite a Gabriel pasar tiempo de calidad con su familia, pues la ubicuidad de su oficina le evita largos desplazamientos por la ciudad y programa su agenda óptimamente.

Juliana es una desarrolladora de software, amante de las aventuras al aire libre. Ella atiende clientes ubicados en otros países y zonas horarias, recibiendo solicitudes de Young woman in tent using laptop at beach, side viewactualización por aplicaciones colaborativas. Juliana utiliza los servicios de
videoconferencia para realizar reuniones virtuales con sus clientes, mantiene respaldo de su código en la nube garantizando que siempre esté disponible y se conecta a repositorios compartidos para cargar actualizaciones, mientras disfruta la vista en un camping en la playa.

Las herramientas modernas de productividad en la nube permiten gran parte de estos escenarios, tomaremos Office 365 como ejemplo, el cual se convirtió en el estándar de facto en las empresas en su versión local pero que se ha extendido hacia la nube con productos que se integran con la suite. Uno de estos cuya función es la centralización de OneDrive_rgb_Blue2728archivos compartidos es OneDrive, este disminuye la presión sobre el almacenamiento en los computadores y facilita el acceso a todas las personas que lo requieran, como los clientes de Gabriel, que desde sus propias empresas pueden revisar y aprobar desde cualquier ubicación geográfica e incluyendo terminales móviles.

Así como para Juliana, el uso de teleconferencia es familiar para la mayoría de las personas con acceso a Internet, siendo popular inclusive en los hogares que realizan Skype_for_Business_Logovideollamadas a sus seres queridos en otros países. Esta misma tecnología se ha llevado a Skype for Business para provecho de las empresas y los trabajadores remotos, facilitando la cooperación al interior de los equipos. En caso de presentaciones masivas Skype for Business permite videoconferencias de hasta 10.000 asistentes que solo requieren un enlace url público para ingresar.

Con el fin de unificar en una sola aplicación en la nube todos estos recursos, se ha MS-Teamsintegrado en Teams herramientas tales como chat, correo electrónico, agenda, archivos compartidos, teleconferencia y gestión de proyectos. De este modo se tiene una única
interfaz centralizada donde se pueden crear grupos, suscribirse a canales donde se desarrollan los temas de interés, agendar y ejecutar reuniones remotas por video llamada, mientras se colabora dentro y fuera de línea utilizando el chat y archivos compartidos, al mismo tiempo se puede verificar el avance de tareas asignadas en tableros de control de proyectos.

Las redes sociales suelen ser restringidas en muchos lugares, las empresas suelen identificarlas como un factor de menor productividad de sus empleados, sin embargo yammer-logo-sexiste una plataforma de red social corporativa, que habilita la interacción desde el interior de la compañía y como un método lúdico para mejorar la comunicación entre los empleados. Este es Yammer, el cual presenta los conocidos muros, encuestas, likes y posibilidad de compartir incluso streaming de video, esto permite intercambiar información de forma más intuitiva dentro de la empresa, facilitando la divulgación interna de contenido relevante.

Compañías de mayor tamaño requieren un modelo estructurado de publicación de contenidos en una intranet, Office 365 cuenta con Share Point como plataforma base de Sharepoint-2013-Logoun sitio web interno personalizable, Share Point permite publicar noticias, compartir anuncios de interés general, generar bases de datos de conocimiento, entre otros. El formato visual de Share Point se adapta a computadores y dispositivos móviles. En el caso de la administración de documentos sensibles en la Intranet, Share Point se integra con el directorio activo para establecer roles adecuados de acceso a las publicaciones.

Para desarrolladores como Juliana existen servicios en la nube con la capacidad de integrar sus entornos de creación de código con repositorios remotos, dirigido tanto a ambientes .Net como Open Source. Este es todo un mundo por sí mismo (Azure) y hablaremos de él en un artículo posterior.

Advertisements

Análisis de palabras frecuentes usando Python

Por: Isabel Yepes

En esta publicación mostramos como hacer un análisis de palabras simple denominado WordCloud, que muestra una imagen con las palabras más frecuentes en un texto, dándoles relevancia por tamaño. Usaremos como fuente textual los tweets de una determinada cuenta, que han sido previamente descargados en csv.

El código aquí presentado se basa en el artículo de DataSciencePlus Twitter Analysis with Python

Para comenzar debemos instalar las librerías pre-requisitos

$pip3 install pandas
$pip3 install numpy
$pip3 install Matplotlib
$pip3 install WordCloud
$pip3 install NLTK

Una vez instalado nltk debemos descargar los diccionarios de palabras que necesitamos, para este caso las stopwords, que son las palabras conectoras que repetimos con frecuencia en un idioma, por ejemplo pronombres como el, la, los, e.o.

En el caso de OSX la descarga requiere que la fuente tenga un certificado instalado, por lo cual debemos cumplir este requisito antes de hacer la descarga, ingresando a la ruta de la aplicación e instalando el certificado

$cd /Applications/Python\ 3.7/
$sudo install ./Install\ Certificates.command

Realizar la descarga

$python3
>>>import nltk
>>>nltk.download

Seleccionar del corpora de nltk las stopwords

Seleccionar del Corpora de nltk las stopwords

Debemos contar ya con un archivo con información de twitter descargada, puedes tomar como referencia las instrucciones de Como descargar tweets a .csv usando Python teniendo en cuenta que la forma de crear credenciales de descarga para twitter cambió y ahora debes aplicar por una cuenta de desarrollador antes de crear la aplicación.  El video al final de este post habla un poco de ello. En este enlace de Twitter Developer puedes comenzar ese proceso.

El siguiente script contempla que tienes dos archivos, uno con los 400 últimos tweets llamado sample_tweets-400.csv y otro con los últimos 3240 llamado sample_tweets.csv. Este script también puede encontrarse en el siguiente repositorio, con el nombre wordcloud.py https://github.com/WomenWhoCode/WWCodeMedellin

import numpy as np
import pandas as pd
import re

#Visualización
import matplotlib.pyplot as plt
import matplotlib
from wordcloud import WordCloud, STOPWORDS

#nltk librería de análisis de lenguaje
import nltk
#Este proceso puede hacerse antes de forma manual, descargar las stopwords de la librerñia nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
stop_words_sp = set(stopwords.words('spanish'))
stop_words_en = set(stopwords.words('english'))
#Concatenar las stopwords aplicándose a una cuenta que genera contenido en inglés y español
stop_words = stop_words_sp | stop_words_en
from nltk import tokenize

matplotlib.style.use('ggplot')
pd.options.mode.chained_assignment = None

#Últimos 400 tweets previamente descargados
tweets = pd.read_csv('sample_tweets-400.csv')
#Últimos 3240 tweets previamente descargados
tweets2 = pd.read_csv('sample_tweets.csv')

def wordcloud(tweets,col,idgraf):
	#Crear la imagen con las palabras más frecuentes
    wordcloud = WordCloud(background_color="white",stopwords=stop_words,random_state = 2016).generate(" ".join([i for i in tweets[col]]))
    #Preparar la figura
    plt.figure(num=idgraf, figsize=(20,10), facecolor='k')
    plt.imshow(wordcloud)
    plt.axis("off")
    plt.title("Good Morning Datascience+")


def tweetprocess(tweets,idgraf):
	#Monitorear que ha ingresado a procesar el gráfico
	print(idgraf)
	#Imprimir un tweet que sepamos contenga RT @, handles y puntuación para ver su eliminación
	print(tweets['text'][3])
	tweets['tweetos'] = '' 

	#add tweetos first part
	for i in range(len(tweets['text'])):
	    try:
	        tweets['tweetos'][i] = tweets['text'].str.split(' ')[i][0]
	    except AttributeError:    
	        tweets['tweetos'][i] = 'other'

	#Prepocesar tweets con 'RT @'
	for i in range(len(tweets['text'])):
	    if tweets['tweetos'].str.contains('@')[i]  == False:
	        tweets['tweetos'][i] = 'other'
	        
	# Remover URLs, RTs, y twitter handles
	for i in range(len(tweets['text'])):
	    tweets['text'][i] = " ".join([word for word in tweets['text'][i].split()
	                                if 'http' not in word and '@' not in word and '<' not in word and 'RT' not in word])
	#Monitorear que se removieron las menciones y URLs
	print("------Después de remover menciones y URLs --------")
	print(tweets['text'][3])

	#Remover puntuación, se agregan símbolos del español
	tweets['text'] = tweets['text'].apply(lambda x: re.sub('[¡!@#$:).;,¿?&]', '', x.lower()))
	tweets['text'] = tweets['text'].apply(lambda x: re.sub('  ', ' ', x))
	#Monitorear que se removió la puntuación y queda en minúsculas
	print("------Después de remover signos de puntuación y pasar a minúsculas--------")
	print(tweets['text'][3])
	#hacer el análisis de WordCloud
	wordcloud(tweets,'text',idgraf)

#Graficar tendencia 400 tweets
tweetprocess(tweets,100)
#Graficar tendencia 3240 tweets
tweetprocess(tweets2,200)
plt.show()

La salida generada son dos imágenes que muestran la tendencia de los últimos 400 tweets y los últimos 3240

Word Cloud para los últimos 400 tweets
Word Cloud para los últimos 400 tweets

 

Word Cloud para los últimos 3240 tweets
Word Cloud para los últimos 3240 tweets

Aquí la explicación en video del código empleado

Análisis de Sentimientos sobre Twitter usando la librería TextBlob de Python

Por: Isabel Yepes

El análisis de sentimiento utiliza técnicas de procesamiento de lenguaje natural (NLP) para obtener conclusiones sobre textos producidos por personas y analizar en ellos rasgos de interés asociados a emociones positivas o negativas.  Se requiere un modelo que ya haya sido entrenado con textos que nos permita obtener valores cuantificables.

Hoy nos apoyaremos en la guía de Free Code Camp “Basic data analysis on Twitter with Python” para hacer Análisis de Sentimientos sobre Twitter usando la librería TextBlob de Python que dispone de modelos de NLP para diversos usos.

Primero debemos tener instalada la librería tweepy

#pip3 install tweepy

Si estás usando Python 3.7 tendrás un error al tratar de usar la librería que todavía no ha sido corregido en la última versión disponible (hoy, eso puede variar en poco tiempo) para resolverlo usamos la siguiente recomendación de StackOverFlow para reemplazar una palabra reservada Async en el archivo streaming.py de la librería.

La ubicación del archivo varía según tu sistema operativo, en Mac estará ubicado en /Library/Frameworks/Python.framework/Versions/3.7/lib/python3.7/site-packages/tweepy/streaming.py edítala con un editor de texto plano y reemplaza todas las ocurrencias de async por async_ grabas y listo. Versiones anteriores a 3.7 de Python no requieren este cambio.

Procedemos a clonar la librería TextBlob y realizar su instalación

#git clone https://github.com/sloria/textblob
#cd textblob
#python3 setup.py install

Si quieres saber más sobre la librería puede visitar su sitio en GitHub, tiene más herramientas de análisis para texto en Inglés, si deseamos análisis en español es necesario utilizar otra diferente https://github.com/sloria/textblob Dentro del script analizaremos los tweets cuya propiedad “lang” = “en” es decir aquellos cuyo lenguaje fue identificado como inglés. Para otras propiedades del tweet pueden consultar la documentación de Twitter.

Tendremos las claves de aplicación de Twitter en un archivo separado, de modo que no queden en el mismo código que estamos empleando y puedan reusarse en otros scripts, llamaremos a este script de claves twkeys.py

Recientemente Twitter cambió su forma de usar credenciales y ahora debe aplicarse por una cuenta de desarrollador, el proceso para aplicar puedes verlo en https://apps.twitter.com

#Credenciales del Twitter API
def consumer_key():
	#API Key
	return "Add Consumer Key here"

def consumer_secret():
	#API Secret
	return "Add Consumer Secret here"

def access_key():
	#Access Key
	return "Add Access Token here"

def access_secret():
	#Access Secret
	return "Add Access Token Secret here"

Este es el código que usamos para realizar el análisis, el resultado nos mostrará las gráficas de dispersión de dos cuentas, el promedio simple y promedio ponderado de sentimiento de ambas

#Importar consumer API de Twitter https://github.com/tweepy/tweepy
import tweepy
#importar las credenciales de Twitter de un script
import twkeys
#Importar librería para Sentiment Analysis
from textblob import TextBlob
from time import sleep
from datetime import datetime
#Importar para graficar los Datos
import matplotlib.pyplot as plt
#Importar para calcular promedio ponderado
import numpy as np

#Credenciales del Twitter API que están el el script twkeys.py
consumer_key = twkeys.consumer_key()
consumer_secret = twkeys.consumer_secret()
access_key = twkeys.access_key()
access_secret = twkeys.access_secret()

def get_all_tweets(screen_name,graph_id):
    #Este método solo tiene permitido descargar máximo los ultimos 3240 tweets del usuario
    #Especificar aquí durante las pruebas un número entre 200 y 3240
    limit_number =  3240
    
    #autorizar twitter, inicializar tweepy
    auth = tweepy.OAuthHandler(consumer_key, consumer_secret)
    auth.set_access_token(access_key, access_secret)
    api = tweepy.API(auth)
    
    #inicializar una list to para almacenar los Tweets descargados por tweepy
    alltweets = []    
    
    #Hacer una petición inicial por los 200 tweets más recientes (200 es el número máximo permitido)
    new_tweets = api.user_timeline(screen_name = screen_name,count=200)
    
    #guardar los tweets más recientes
    alltweets.extend(new_tweets)
    
    #guardar el ID del tweet más antiguo menos 1
    oldest = alltweets[-1].id - 1
    
    #recorrer todos los tweets en la cola hasta que no queden más
    while len(new_tweets) > 0 and len(alltweets) <= limit_number:
        print ("getting tweets before" + str(oldest))
        
        #en todas las peticiones siguientes usar el parámetro max_id para evitar duplicados
        new_tweets = api.user_timeline(screen_name = screen_name,count=200,max_id=oldest)
        
        #guardar los tweets descargados
        alltweets.extend(new_tweets)
        
        #actualizar el ID del tweet más antiguo menos 1
        oldest = alltweets[-1].id - 1
        
        #informar en la consola como vamos
        print (str(len(alltweets)) + " tweets descargados hasta el momento")
    
    #Realizar el análisis de sentimiento de los tweets descargados

    #Crear las listas de polaridad polarity_list y frecuencia de polaridad numbers_list
    polarity_list = []
    numbers_list = []
    number = 1

    for tweet in alltweets:
        if tweet.lang == "en":
            try:
                analysis = TextBlob(tweet.text)
                analysis = analysis.sentiment
                #Guardar la polaridad
                polarity = analysis.polarity
                polarity_list.append(polarity)
                #Contar las veces que esa polaridad ha ocurrido
                numbers_list.append(number)
                number = number + 1
            except tweepy.TweepError as e:
                print(e.reason)
            except StopIteration:
                break

    #Crear eje cartesiano
    plt.figure(graph_id)
    axes = plt.gca()
    axes.set_ylim([-1, 2])
    plt.scatter(numbers_list, polarity_list)
    
    #Calcular el promedio de polaridad, NOTA: No es promedio ponderado
    averagePolarity = (sum(polarity_list))/(len(polarity_list))
    averagePolarity = "{0:.0f}%".format(averagePolarity * 100)
    time  = datetime.now().strftime("At: %H:%M\nOn: %m-%d-%y")

    #Calcular el promedio ponderado
    weighted_avgPolarity = np.average(polarity_list, weights=numbers_list)
    weighted_avgPolarity = "{0:.0f}%".format(weighted_avgPolarity * 100)

    #Agregar texto con el promedio de sentimiento
    plt.text(10, 1.25, "Average Sentiment:  " + str(averagePolarity) + "\n" + " Weighted Average Sentiment:  " + str(weighted_avgPolarity) + "\n" + time, fontsize=12, bbox = dict(facecolor='none', edgecolor='black', boxstyle='square, pad = 1'))

    #Título
    plt.title("Sentiment of " + screen_name + " on Twitter")
    plt.xlabel("Number of Tweets")
    plt.ylabel("Sentiment")       
    pass

if __name__ == '__main__':
    #especificar el nombre de usuario de la cuenta a la cual se descargarán los tweets
    get_all_tweets("Add_account_1",200)
    get_all_tweets("Add_account_2",300)
    #Mostrar las gráfica
    plt.show()

El siguiente video explica todo el proceso.

Descargar tweets a .csv usando Python

Por: Isabel Yepes

Explicamos como acceder a los tweets públicos de un usuario por medio de Python, para almacenarlos en un archivo .csv que posteriormente pueda ser cargado en un DataFrame.

Se requiere instalar la librería tweepy (El manejador de paquetes pip ya debe estar instalado, para instalar pip puedes consultar como Aquí)

pip3 install tweepy

Obtener tokens de acceso para conectarse a Twitter

  1. Ir a la página de Administración de Aplicaciones de Twitter, hacer sesión.
  2. Usar el botón de “Crear nueva app”
  3. Llenar los campos mandatorios de nombre, descripción y sitio web. Este último puede no ser una página activa dado que nuestra conexión será de solo lectura
  4. Aceptar los términos y condiciones y dar click en “Crear twitter app”
  5. Una vez creada la aplicación ir a la pestaña de “Permisos” y cambiarlos por “Solo lectura”, esto es importante pues solo la usaremos para descarga de datos, no para publicar nada en tu cuenta.
  6. Recibirás una alerta de que debes esperar a que los permisos se actualicen, una vez actualizados ve a la pestaña “Tokens de acceso”
  7. Dar click sobre “Crear Tokens de acceso” para generar las credenciales que la aplicación usará.  Estos datos son privados, cualquiera que los tenga podrá conectarse a twitter a nombre de tu aplicación.
  8. Usa el código a continuación y guárdalo en un archivo de script Python tweets.py
import tweepy #https://github.com/tweepy/tweepy
import csv

#Credenciales del Twitter API
consumer_key = "Agregar Consumer Key"
consumer_secret = "Agregar Consumer Secret"
access_key = "Agregar Access Key"
access_secret = "Agregar Access Secret"

#Remover los caracteres no imprimibles y los saltos de línea del texto del tweet
def strip_undesired_chars(tweet):
    stripped_tweet = tweet.replace('\n', ' ').replace('\r', '')
    char_list = [stripped_tweet[j] for j in range(len(stripped_tweet)) if ord(stripped_tweet[j]) in range(65536)]
    stripped_tweet=''
    for j in char_list:
        stripped_tweet=stripped_tweet+j
    return stripped_tweet

def get_all_tweets(screen_name):
    #Este método solo tiene permitido descargar máximo los ultimos 3240 tweets del usuario
    #Especificar aquí durante las pruebas un número entre 200 y 3240
    limit_number = 3240
    
    #autorizar twitter, inicializar tweepy
    auth = tweepy.OAuthHandler(consumer_key, consumer_secret)
    auth.set_access_token(access_key, access_secret)
    api = tweepy.API(auth)
    
    #inicializar una list to para almacenar los Tweets descargados por tweepy
    alltweets = []    
    
    #Hacer una petición inicial por los 200 tweets más recientes (200 es el número máximo permitido)
    new_tweets = api.user_timeline(screen_name = screen_name,count=200)
    
    #guardar los tweets más recientes
    alltweets.extend(new_tweets)
    
    #guardar el ID del tweet más antiguo menos 1
    oldest = alltweets[-1].id - 1
    
    #recorrer todos los tweets en la cola hasta que no queden más
    while len(new_tweets) > 0 and len(alltweets) <= limit_number:
        print ("getting tweets before" + str(oldest))
        
        #en todas las peticiones siguientes usar el parámetro max_id para evitar duplicados
        new_tweets = api.user_timeline(screen_name = screen_name,count=200,max_id=oldest)
        
        #guardar los tweets descargados
        alltweets.extend(new_tweets)
        
        #actualizar el ID del tweet más antiguo menos 1
        oldest = alltweets[-1].id - 1
        
        #informar en la consola como vamos
        print (str(len(alltweets)) + " tweets descargados hasta el momento")
    
    #transformar los tweets descargados con tweepy en un arreglo 2D array que llenará el csv
    outtweets = [(tweet.id_str, tweet.created_at, strip_undesired_chars(tweet.text),tweet.retweet_count,str(tweet.favorite_count)+'') for tweet in alltweets]
    
    #escribir el csv    
    with open('%s_tweets.csv' % screen_name, "w", newline='') as f:       
        writer = csv.writer(f, quoting=csv.QUOTE_ALL)
        writer.writerow(['id','created_at','text','retweet_count','favorite_count'''])
        writer.writerows(outtweets)    
    pass

if __name__ == '__main__':
    #especificar el nombre de usuario de la cuenta a la cual se descargarán los tweets
    get_all_tweets("Agregar TwitterUser")

Ejecutar el script según se indica a continuación, esto creará un archivo llamado TwitterUser_tweets.csv

python3 tweets.py

Fuente original del código Aquí, se hicieron cambios para compatibilidad con Python 3, para garantizar que todas las columnas quedan entre “”, eliminar los saltos de línea de los tweets y los emoticones que pueden generar problemas al leer el archivo .csv resultante desde python.

Para cargar el archivo .csv en un Dataframe de Python

import pandas as pd

archivo_csv = pd.read_csv("ruta/username_tweets.csv", index_col = 0)
tweetsDF = pd.DataFrame(archivo_csv)
print(tweetsDF)

Más info en How to extract Twitter tweets data and followers to Excel

Sobre otras características que pueden extraerse de los tweets consulta How to Download Twitter data in JSON – Twitter API Python examples

Y finalmente un video explicando el mismo código que presentamos

Actualidad Cloud – Junio 8 2018

Compendio de temas Cloud de diversas fuentes de información

Por: Isabel Yepes

Noticias

Webinar

Cómo Trimono LDA, compañía de suministro de sistemas eléctricos y de vigilancia, implementó su solución de Backup usando AWS y Veritas
Fecha: Junio 12, 2018 10:00 am
Idioma: Inglés

Recurso Técnico

Beneficios de la Computación en la nube en las variables del negocio

Por: Isabel Yepes

Uno de los elementos más importantes que las empresa consideran al momento de tomar decisiones sobre la adopción de nuevas tecnologías, es la relación costo/beneficio entre la inversión de implementación, el valor de la operación y las retribuciones económicas que produzcan, ya sea en términos de ahorros en la operación o en mejoras en la eficiencia.

Un estudio realizado por IDC en empresas a nivel mundial que hacen uso de los servicios en la nube de Amazon (AWS  por sus siglas en inglés), determinó que los beneficios percibidos por las empresas se centraron en cuatro factores:

  1. Crear entornos de TI más efectivos en costos
  2. Cambiar el foco del personal de TI
  3. Ofrecer aplicaciones confiables y de alto desempeño
  4. Brindarle agilidad a la operación de TI y del negocio en general
Factores Beneficio Cloud Computing
Source: IDC White Paper, sponsored by Amazon, Fostering Business and Organizational Transformation to Generate Business Value with Amazon Web Services, Doc #US43535718, February 2018

En resumen, la utilización de infraestructura en la nube le permite a las empresas enfocarse mejor en el eje central de su negocio, dejando que el departamento de TI se alinee con las estrategias de la compañía y facilitando la experimentación y escalabilidad de nuevos productos a costos menores y del tamaño adecuado para la oportunidad comercial detectada.

Estos beneficios que experimentan las empresas que adoptan la tecnología de computación en la Nube se expresan en términos económicos, pues en todo caso es la tecnología quien debe servir a la operación y optimización del negocio.  Según el estudio de IDC dichos beneficios se ven representados en los aspectos mostrados a continuación.

business-value-AWS
Source: IDC White Paper, sponsored by Amazon, Fostering Business and Organizational Transformation to Generate Business Value with Amazon Web Services, Doc #US43535718, February 2018

Las empresas estudiadas por IDC utilizaban la tecnología en la nube para operaciones muy diversas dependiendo del sector económico de la compañía.  La muestra correspondió a grandes corporaciones con 39.177 empleados en promedio. Listamos a continuación las necesidades que eran resueltas con computación en la nube en dichas empresas.

  • Minería de datos y Analítica de datos
  • Aseguramiento de la calidad y pruebas
  • Cargas de secuenciación de genoma
  • Aplicaciones de cara al cliente (SaaS, CRM, y ERP)
  • Comercio Electrónico
  • Espacios de trabajo virtual
  • Ventas en internet
  • Administración de bases de datos
  • Archivos compartidos
  • Modelamiento y simulación
  • Aplicaciones para los empleados
  • Archivo de código de desarrollo

De otro lado Intuit realizó un estudio donde identifica de las pequeñas y medianas empresas que usan infraestructura en la nube, en qué invierten sus propietarios la mayoría de su tiempo en línea.

uso-tiempo
Fuente: Intuit eBook The Appification of small business

Esto nos muestra que aunque la demanda de las empresas de menor tamaño corresponde a operaciones más simples, estas están íntimamente relacionadas con la existencia y crecimiento de la compañía. Podemos agrupar estas interacciones en  trabajo administrativo, legal y de ventas, gestión de los canales de comunicación con proveedores, clientes y empleados, y procesos de mercadeo digital. Todo esto en últimas conlleva a la realización de transacciones comerciales para fortalecer los ingresos de la compañía.

En conclusión, sin importar el tamaño de la empresa el beneficio de la computación en la nube reside en facilitarles las herramientas para apalancar el desarrollo del negocio, alineando la infraestructura de TI con las estrategias y tamaño de la organización.

Icons made by Freepik from www.flaticon.com is licensed by CC 3.0 BY
Powered by Piktochart