¡Bienvenido de nuevo! En nuestra última entrada de blog, utilizamos las funciones básicas de AWS QuickSight para analizar la brecha de género en la industria tecnológica. En esta publicación, analizaremos más detenidamente las nuevas tecnologías de QuickSight diseñadas para hacer que el análisis de datos sea más simple y eficaz. Analizaremos QuickSight Q, Forecasts and Insights, y descubriremos las aplicaciones prácticas de cada una de ellas. Sumérjase en el poder del análisis de datos con nosotros y ¡comencemos!
En primer lugar, QuickSight Q es una herramienta de consulta en lenguaje natural (NLQ) que se utiliza para el análisis de BI que permite a los usuarios hacer preguntas relacionadas con la empresa y recibir las visualizaciones más representativas como respuestas. Lo que diferencia a QuickSight Q de cualquier otra herramienta de inteligencia empresarial es su capacidad para proporcionar información basada en datos (en respuesta a consultas analíticas) mediante el uso de tecnologías de aprendizaje automático.
QuickSight Q se esfuerza por reducir la necesidad de experiencia en BI para analizar los datos, y lo logra al proporcionar imágenes más precisas basadas en su interpretación del lenguaje natural. Con sus habilidades intuitivas de análisis de datos, Q seguramente revolucionará la forma en que las empresas interactúan con sus datos.
Ahora que hemos analizado los aspectos teóricos de Q, analicemos las aplicaciones más prácticas de la tecnología, sus características más importantes y cómo pueden ayudarnos a visualizar y comprender nuestros datos.
Con mucho, la función más importante que hay que entender al empezar a utilizar QuickSight Q son los «Temas». Según la definición de Zac Woodall de AWS re:Invent, los temas son una recopilación de datos que se alinean con un área temática sobre la que los usuarios empresariales pueden hacer preguntas (1). En términos más sencillos, estos son los datos que Q utiliza para responder a las preguntas dadas. ¡Usaremos el conjunto de datos de nuestra primera entrada de blog sobre la brecha de género en la industria tecnológica para examinar cómo podemos crear un tema y poner en marcha nuestro viaje con QuickSight Q!
Para crear un tema que nos permita hacer preguntas sobre las encuestas de Kaggle, QuickSight ofrece dos alternativas. La primera opción consiste en crear el tema desde cero y vincularlo a un conjunto de datos de QuickSight ya existente. Mientras que la segunda opción implica crear un tema directamente a partir de un análisis del que queremos obtener nuevos conocimientos. Veamos qué aspecto tiene esta última opción.
Cuando la suscripción a Enterprise + Q en QuickSight esté habilitada, automáticamente, todos sus análisis incluirán una barra de búsqueda superior que le permitirá hacer preguntas sobre sus datos. Sin embargo, antes de poder hacerlo, necesitamos «habilitar un tema» con el conjunto de datos actual utilizado en el análisis.
Después de hacer clic en «Activar tema», aparecerá una ventana en la que podremos nombrar nuestro tema y explicar qué información se puede encontrar en él. QuickSight Q selecciona de forma predeterminada el conjunto de datos utilizado en el análisis, por lo que, si desea hacer preguntas sobre un conjunto de datos diferente, tendrá que crear un nuevo tema por separado en función de esos datos.
Una vez que hayamos completado ese paso, QuickSight Q comenzará a indexar y configurar los datos del análisis. Pero quizás se pregunte, ¿qué es exactamente la indexación? Este es el proceso mediante el cual un sistema de inteligencia artificial examina y prepara los datos para el procesamiento del lenguaje natural. Lo que hace QuickSight es examinar todas las características de los datos (desde el nombre de cada columna hasta el tipo de datos de las mismas) y cambiar el nombre de las columnas asociadas para que sean más comprensibles, al tiempo que identifica los sinónimos que los usuarios podrían utilizar para referirse a los datos.
Una vez finalizado el proceso de indexación, la barra de búsqueda tendrá el tema habilitado, lo que permitirá a los usuarios empezar a hacer preguntas. Sin embargo, antes de hacerlo, es importante revisar la configuración del tema para garantizar que el rendimiento de Q esté optimizado y que los usuarios reciban las mejores respuestas posibles a sus preguntas.
Dentro de las configuraciones de los temas, podemos hacer modificaciones para ayudar a Q a sacar conclusiones de los datos. Por ejemplo, podemos incluir o excluir los atributos a partir de los cuales Q generará imágenes, así como añadir o eliminar sinónimos para que QuickSight Q comprenda mejor lo que queremos visualizar. Es importante tener en cuenta que los sinónimos y los nombres de campo deben ser únicos, ya que Q los usa para vincular las preguntas con ellos. Si nos aseguramos de que estos ajustes son correctos, podemos ayudar a maximizar el rendimiento y la precisión de las respuestas de Q.
Además, tenemos la opción de modificar el tipo de datos y agregar detalles como la agregación predeterminada y el tipo semántico en cada campo de datos. QuickSight Q ya crea estas configuraciones automáticamente, sin embargo, debemos revisarlas para asegurarnos de que cada campo esté clasificado correctamente. Si no lo hacemos, Q podría omitir elementos clave de los datos, lo que afectaría a las respuestas.
Por último, cabe mencionar la pestaña «Actividad del usuario», donde QuickSight Q muestra una evaluación rápida de sus respuestas, por ejemplo, cuántas de ellas pensamos que respondían a nuestra pregunta.
Tras describir la funcionalidad de Q, permítanme dar algunos ejemplos de cómo se puede utilizar para crear análisis rápidos. Supongamos que queremos visualizar el número de encuestados a lo largo del tiempo y por género. Una opción sería simplemente preguntarle a Q «mostrar el género por fecha» y eso nos daría la respuesta que buscamos, como se muestra en la imagen de abajo.
Sin embargo, ¿qué pasaría si otro usuario hiciera la misma pregunta pero con una redacción ligeramente diferente? Por ejemplo, «mostrar a los encuestados por año». Teniendo en cuenta los sinónimos de campo identificados por QuickSight Q, no es posible responder a esa información. Esto es lo que se quiere decir cuando se dice que es responsabilidad del autor revisar las preguntas que formulan los usuarios y modificar las etiquetas de datos para ayudar a Q a ofrecer mejores respuestas.
Por lo tanto, si queremos mejorar los resultados, deberíamos añadir algunos sinónimos a la lista e intentar que Q reconozca lo que queremos.
Al añadir las etiquetas «año», «años» para el campo Fecha; «encuestados», «mujeres» y más para el género, le decimos a QuickSight Q que utilice dichos campos cuando una pregunta contenga esas palabras. Esto debería ayudarnos a obtener los resultados que queremos.
Como se evidencia en el gráfico anterior, al incorporar nuevas palabras al análisis, QuickSight Q devuelve una imagen que muestra cómo podemos obtener resultados que se adhieran mejor a nuestro lenguaje natural. Sin embargo, una tabla no es la forma más eficaz de ilustrar el número de encuestados a lo largo del tiempo. Afortunadamente, QuickSight Q permite a los usuarios cambiar a un tipo visual más adecuado que se adapte a sus necesidades.
Al mismo tiempo, al hacer clic en el botón «Marcar como revisado», cuando los nuevos usuarios hagan preguntas sobre nuestro conjunto de datos, podrán observar cómo el autor aprobó la pregunta. Así, la próxima vez, en lugar de mostrar la imagen inicial en forma de tabla, Q habrá aprendido que el tipo visual deseado es un gráfico de áreas.
Otra de las características más impresionantes de Q es su capacidad para proporcionar explicaciones analíticas sobre por qué ocurren ciertas cosas en sus datos. Por ejemplo, en el último gráfico, pudimos ver cómo aumentó el número de mujeres encuestadas en 2022, pero es posible que no sea evidente de inmediato por qué esto pasó. Escribiendo el mensaje «¿por qué aumentaron las mujeres encuestadas en 2022?» QuickSight Q nos ofrece una descripción general de los diferentes campos de nuestro conjunto de datos que más contribuyeron a este aumento.
Como se muestra en la imagen, Q identificó que el número total de mujeres había aumentado un 8% entre 2021 y 2022. Además, Q proporciona más información sobre los campos que se consideran «impulsores clave» de este cambio. Por ejemplo, el número de mujeres encuestadas procedentes de la India aumentó un 32% y se considera responsable del 132% del aumento del número de mujeres encuestadas. Esto se alinea con lo que se discutió en la última entrada del blog, en relación con el crecimiento continuo de la industria tecnológica, particularmente en la India.
También nos informa de que las mujeres del grupo demográfico de 40 a 44 años aumentaron un 29%, lo que contribuyó con un total del 23% al aumento general. Estas ideas son similares a las que obtuvimos en nuestra primera entrada de blog, simplemente analizando los datos. Esto demuestra cómo podemos llegar a conclusiones similares y entender por qué nuestros datos se comportan de una manera determinada sin tener experiencia en BI, simplemente preguntándole a Q.
Podríamos seguir hablando de las notables funciones de QuickSight Q, pero las mencionadas anteriormente son las que, personalmente, más destacaron. Estas funciones proporcionan la información y la comprensión necesarias para aprovechar al máximo sus datos, ¡de modo que pueda analizarlos como un profesional en un abrir y cerrar de ojos!
Pasando a otras tecnologías QuickSight basadas en el aprendizaje automático, podemos descubrir información y generar pronósticos. La primera herramienta nos ayuda a descubrir valores atípicos ocultos y datos que pueden resultar difíciles de identificar a primera vista en nuestros datos. Por otro lado, AWS QuickSight Forecasts permite a los usuarios predecir valores futuros basándose en datos históricos, mediante el uso de sofisticados algoritmos que generan esos pronósticos.
Al igual que el propósito de QuickSight Q, QuickSight Forecasts and Insights está diseñado para usarse incluso sin experiencia previa en aprendizaje automático, lo que reduce la dependencia de los analistas para comprender nuestros datos y sacar conclusiones a partir de ellos. Al hacer que estas herramientas sean accesibles y fáciles de usar, los usuarios pueden identificar rápidamente los patrones y fenómenos en sus datos y tomar decisiones más informadas.
Para comprender mejor estas tecnologías QuickSight, veamos una vez más algunos ejemplos prácticos de lo que se puede crear y cómo estas herramientas pueden ayudarnos a comprender nuestros datos.
Si desea obtener información valiosa de QuickSight, es importante crear primero gráficos y permitir que la herramienta comience a analizar los datos filtrados y saque conclusiones de los gráficos. No es necesario que estos gráficos sean los más sofisticados: ¡basta con seleccionar unas cuantas características y listo! Sin embargo, vale la pena tener en cuenta que los datos filtrados proporcionarán información más específica, en lugar de información genérica.
Para acceder a la información generada automáticamente, debemos mirar la barra de herramientas de la izquierda y hacer clic en Perspectivas.
Una vez seleccionada la pestaña Perspectivas, QuickSight mostrará varios widgets que contienen información de datos recopilada de los campos utilizados en nuestro gráfico. Tome la siguiente imagen como ejemplo.
Las «Perspectivas sugeridas» que proporciona QuickSight contienen una descripción general completa de nuestro primer gráfico, que muestra la distribución por género en 2022. Si bien las narrativas se generan automáticamente, QuickSight permite a los usuarios personalizarlas para satisfacer sus necesidades específicas y formas de mostrar la información.
Dado que QuickSight genera esta información en forma de widget, podemos incluirla en nuestro análisis en cualquier momento y modificar la descripción si es necesario. Simplemente haga clic en el «+» para añadirlos a la hoja y haga clic en «Personalizar narración» para realizar cambios si lo desea.
Con solo unos pocos clics, QuickSight ayuda a los usuarios a aprovechar al máximo sus datos al proporcionar información valiosa, como los valores principales, los cambios porcentuales a lo largo del tiempo, los valores más altos y más bajos, y mucho más. Esto resulta especialmente útil para analizar rápidamente los detalles clave de una función (por ejemplo, calcular la comparación entre dos años del año y la fecha), lo que, de otro modo, requeriría una cantidad considerable de tiempo por parte de un analista de inteligencia empresarial.
En general, QuickSight hace honor a su nombre, ya que es una herramienta extremadamente útil para cualquiera que busque obtener información rápida de sus datos. Su interfaz fácil de usar hace que el análisis de datos sea más accesible, lo que ayuda a los usuarios a iniciar e inspirar sus análisis en cuestión de segundos.
Por último, pero no por ello menos importante, QuickSight ofrece la opción de añadir previsiones a nuestros gráficos. Con la ayuda de un algoritmo de aprendizaje automático incorporado, QuickSight permite a los usuarios pronosticar el comportamiento de sus datos en el futuro.
Todo lo que necesitamos para pronosticar nuestros datos es un campo de fecha y las métricas que queremos evaluar. En este caso, pronosticaremos la brecha salarial de género en los Estados Unidos para tratar de predecir, basándonos en datos anteriores, si esta brecha disminuirá en el futuro (4).
Así que para añadir una previsión a nuestra parcela, tenemos que hacer clic en la opción «Añadir previsión» y automáticamente se abrirán sus propiedades.
A través de estos parámetros, podemos ajustar nuestra predicción cambiando los períodos hacia adelante que queremos pronosticar, los períodos hacia atrás que queremos usar para determinar los patrones en los datos y el nivel de confianza utilizado para construir el intervalo de predicción. De forma predeterminada, QuickSight detecta automáticamente la estacionalidad de los datos; sin embargo, esto se puede cambiar si otro período refleja mejor el patrón estacional que se encuentra en los datos. Por último, si es necesario, se pueden añadir límites a los valores de previsión para garantizar que no superen estos límites.
También es interesante cómo QuickSight proporciona información adicional para cada parámetro, de modo que, aunque no esté familiarizado con lo que es la estacionalidad, puede hacerse una idea de lo que se espera al pasar el ratón por encima de la burbuja de información situada junto al nombre del parámetro.
Sin lugar a dudas, las tecnologías QuickSight, como Q, Insights y Forecasts, son herramientas increíblemente poderosas que pueden proporcionar a las organizaciones información valiosa y capacidades de previsión. Al utilizarlas, las organizaciones pueden obtener valiosos conocimientos sobre sus negocios de manera más eficiente y con pocos conocimientos previos sobre los aspectos técnicos de las herramientas. Con la implementación correcta, QuickSight puede ayudar a las organizaciones a mantenerse a la vanguardia y a tomar mejores decisiones. Por lo tanto, ¡dé el salto y vaya más allá de los límites de los datos con QuickSight!
¿Está interesado en explorar el uso de Quicksight para obtener información empresarial? Como socios avanzados de AWS, nuestro equipo de Montevideo Labs tiene una amplia experiencia con los servicios de AWS a gran escala. ¡Póngase en contacto con nuestro equipo para saber cómo podemos ayudarle en su transición a la nube!
Eventos de AWS. (2 de diciembre de 2022). AWS re:Invent 2022: obtenga claridad sobre sus datos en segundos con Amazon QuickSight Q (BSI207). YouTube. Recuperado el 24 de marzo de 2023, de https://www.youtube.com/watch?v=BkjUSd8JK9c
Ingresos y salarios: brecha salarial de género. (sin fecha). Datos de la OCDE. Consultado el 24 de marzo de 2023, de https://data.oecd.org/earnwage/gender-wage-gap.htm#indicator-chart
Previsión y creación de escenarios hipotéticos con Amazon QuickSight — Amazon QuickSight. (sin fecha). Documentación de AWS. Consultado el 24 de marzo de 2023, de https://docs.aws.amazon.com/quicksight/latest/user/forecasts-and-whatifs.html
Cómo trabajar con información en Amazon QuickSight — Amazon QuickSight. (sin fecha). Documentación de AWS. Consultado el 24 de marzo de 2023, de https://docs.aws.amazon.com/quicksight/latest/user/computational-insights.html
¡Bienvenido de nuevo! En nuestra última entrada de blog, utilizamos las funciones básicas de AWS QuickSight para analizar la brecha de género en la industria tecnológica. En esta publicación, analizaremos más detenidamente las nuevas tecnologías de QuickSight diseñadas para hacer que el análisis de datos sea más simple y eficaz. Analizaremos QuickSight Q, Forecasts and Insights, y descubriremos las aplicaciones prácticas de cada una de ellas. Sumérjase en el poder del análisis de datos con nosotros y ¡comencemos!
En primer lugar, QuickSight Q es una herramienta de consulta en lenguaje natural (NLQ) que se utiliza para el análisis de BI que permite a los usuarios hacer preguntas relacionadas con la empresa y recibir las visualizaciones más representativas como respuestas. Lo que diferencia a QuickSight Q de cualquier otra herramienta de inteligencia empresarial es su capacidad para proporcionar información basada en datos (en respuesta a consultas analíticas) mediante el uso de tecnologías de aprendizaje automático.
QuickSight Q se esfuerza por reducir la necesidad de experiencia en BI para analizar los datos, y lo logra al proporcionar imágenes más precisas basadas en su interpretación del lenguaje natural. Con sus habilidades intuitivas de análisis de datos, Q seguramente revolucionará la forma en que las empresas interactúan con sus datos.
Ahora que hemos analizado los aspectos teóricos de Q, analicemos las aplicaciones más prácticas de la tecnología, sus características más importantes y cómo pueden ayudarnos a visualizar y comprender nuestros datos.
Con mucho, la función más importante que hay que entender al empezar a utilizar QuickSight Q son los «Temas». Según la definición de Zac Woodall de AWS re:Invent, los temas son una recopilación de datos que se alinean con un área temática sobre la que los usuarios empresariales pueden hacer preguntas (1). En términos más sencillos, estos son los datos que Q utiliza para responder a las preguntas dadas. ¡Usaremos el conjunto de datos de nuestra primera entrada de blog sobre la brecha de género en la industria tecnológica para examinar cómo podemos crear un tema y poner en marcha nuestro viaje con QuickSight Q!
Para crear un tema que nos permita hacer preguntas sobre las encuestas de Kaggle, QuickSight ofrece dos alternativas. La primera opción consiste en crear el tema desde cero y vincularlo a un conjunto de datos de QuickSight ya existente. Mientras que la segunda opción implica crear un tema directamente a partir de un análisis del que queremos obtener nuevos conocimientos. Veamos qué aspecto tiene esta última opción.
Cuando la suscripción a Enterprise + Q en QuickSight esté habilitada, automáticamente, todos sus análisis incluirán una barra de búsqueda superior que le permitirá hacer preguntas sobre sus datos. Sin embargo, antes de poder hacerlo, necesitamos «habilitar un tema» con el conjunto de datos actual utilizado en el análisis.
Después de hacer clic en «Activar tema», aparecerá una ventana en la que podremos nombrar nuestro tema y explicar qué información se puede encontrar en él. QuickSight Q selecciona de forma predeterminada el conjunto de datos utilizado en el análisis, por lo que, si desea hacer preguntas sobre un conjunto de datos diferente, tendrá que crear un nuevo tema por separado en función de esos datos.
Una vez que hayamos completado ese paso, QuickSight Q comenzará a indexar y configurar los datos del análisis. Pero quizás se pregunte, ¿qué es exactamente la indexación? Este es el proceso mediante el cual un sistema de inteligencia artificial examina y prepara los datos para el procesamiento del lenguaje natural. Lo que hace QuickSight es examinar todas las características de los datos (desde el nombre de cada columna hasta el tipo de datos de las mismas) y cambiar el nombre de las columnas asociadas para que sean más comprensibles, al tiempo que identifica los sinónimos que los usuarios podrían utilizar para referirse a los datos.
Una vez finalizado el proceso de indexación, la barra de búsqueda tendrá el tema habilitado, lo que permitirá a los usuarios empezar a hacer preguntas. Sin embargo, antes de hacerlo, es importante revisar la configuración del tema para garantizar que el rendimiento de Q esté optimizado y que los usuarios reciban las mejores respuestas posibles a sus preguntas.
Dentro de las configuraciones de los temas, podemos hacer modificaciones para ayudar a Q a sacar conclusiones de los datos. Por ejemplo, podemos incluir o excluir los atributos a partir de los cuales Q generará imágenes, así como añadir o eliminar sinónimos para que QuickSight Q comprenda mejor lo que queremos visualizar. Es importante tener en cuenta que los sinónimos y los nombres de campo deben ser únicos, ya que Q los usa para vincular las preguntas con ellos. Si nos aseguramos de que estos ajustes son correctos, podemos ayudar a maximizar el rendimiento y la precisión de las respuestas de Q.
Además, tenemos la opción de modificar el tipo de datos y agregar detalles como la agregación predeterminada y el tipo semántico en cada campo de datos. QuickSight Q ya crea estas configuraciones automáticamente, sin embargo, debemos revisarlas para asegurarnos de que cada campo esté clasificado correctamente. Si no lo hacemos, Q podría omitir elementos clave de los datos, lo que afectaría a las respuestas.
Por último, cabe mencionar la pestaña «Actividad del usuario», donde QuickSight Q muestra una evaluación rápida de sus respuestas, por ejemplo, cuántas de ellas pensamos que respondían a nuestra pregunta.
Tras describir la funcionalidad de Q, permítanme dar algunos ejemplos de cómo se puede utilizar para crear análisis rápidos. Supongamos que queremos visualizar el número de encuestados a lo largo del tiempo y por género. Una opción sería simplemente preguntarle a Q «mostrar el género por fecha» y eso nos daría la respuesta que buscamos, como se muestra en la imagen de abajo.
Sin embargo, ¿qué pasaría si otro usuario hiciera la misma pregunta pero con una redacción ligeramente diferente? Por ejemplo, «mostrar a los encuestados por año». Teniendo en cuenta los sinónimos de campo identificados por QuickSight Q, no es posible responder a esa información. Esto es lo que se quiere decir cuando se dice que es responsabilidad del autor revisar las preguntas que formulan los usuarios y modificar las etiquetas de datos para ayudar a Q a ofrecer mejores respuestas.
Por lo tanto, si queremos mejorar los resultados, deberíamos añadir algunos sinónimos a la lista e intentar que Q reconozca lo que queremos.
Al añadir las etiquetas «año», «años» para el campo Fecha; «encuestados», «mujeres» y más para el género, le decimos a QuickSight Q que utilice dichos campos cuando una pregunta contenga esas palabras. Esto debería ayudarnos a obtener los resultados que queremos.
Como se evidencia en el gráfico anterior, al incorporar nuevas palabras al análisis, QuickSight Q devuelve una imagen que muestra cómo podemos obtener resultados que se adhieran mejor a nuestro lenguaje natural. Sin embargo, una tabla no es la forma más eficaz de ilustrar el número de encuestados a lo largo del tiempo. Afortunadamente, QuickSight Q permite a los usuarios cambiar a un tipo visual más adecuado que se adapte a sus necesidades.
Al mismo tiempo, al hacer clic en el botón «Marcar como revisado», cuando los nuevos usuarios hagan preguntas sobre nuestro conjunto de datos, podrán observar cómo el autor aprobó la pregunta. Así, la próxima vez, en lugar de mostrar la imagen inicial en forma de tabla, Q habrá aprendido que el tipo visual deseado es un gráfico de áreas.
Otra de las características más impresionantes de Q es su capacidad para proporcionar explicaciones analíticas sobre por qué ocurren ciertas cosas en sus datos. Por ejemplo, en el último gráfico, pudimos ver cómo aumentó el número de mujeres encuestadas en 2022, pero es posible que no sea evidente de inmediato por qué esto pasó. Escribiendo el mensaje «¿por qué aumentaron las mujeres encuestadas en 2022?» QuickSight Q nos ofrece una descripción general de los diferentes campos de nuestro conjunto de datos que más contribuyeron a este aumento.
Como se muestra en la imagen, Q identificó que el número total de mujeres había aumentado un 8% entre 2021 y 2022. Además, Q proporciona más información sobre los campos que se consideran «impulsores clave» de este cambio. Por ejemplo, el número de mujeres encuestadas procedentes de la India aumentó un 32% y se considera responsable del 132% del aumento del número de mujeres encuestadas. Esto se alinea con lo que se discutió en la última entrada del blog, en relación con el crecimiento continuo de la industria tecnológica, particularmente en la India.
También nos informa de que las mujeres del grupo demográfico de 40 a 44 años aumentaron un 29%, lo que contribuyó con un total del 23% al aumento general. Estas ideas son similares a las que obtuvimos en nuestra primera entrada de blog, simplemente analizando los datos. Esto demuestra cómo podemos llegar a conclusiones similares y entender por qué nuestros datos se comportan de una manera determinada sin tener experiencia en BI, simplemente preguntándole a Q.
Podríamos seguir hablando de las notables funciones de QuickSight Q, pero las mencionadas anteriormente son las que, personalmente, más destacaron. Estas funciones proporcionan la información y la comprensión necesarias para aprovechar al máximo sus datos, ¡de modo que pueda analizarlos como un profesional en un abrir y cerrar de ojos!
Pasando a otras tecnologías QuickSight basadas en el aprendizaje automático, podemos descubrir información y generar pronósticos. La primera herramienta nos ayuda a descubrir valores atípicos ocultos y datos que pueden resultar difíciles de identificar a primera vista en nuestros datos. Por otro lado, AWS QuickSight Forecasts permite a los usuarios predecir valores futuros basándose en datos históricos, mediante el uso de sofisticados algoritmos que generan esos pronósticos.
Al igual que el propósito de QuickSight Q, QuickSight Forecasts and Insights está diseñado para usarse incluso sin experiencia previa en aprendizaje automático, lo que reduce la dependencia de los analistas para comprender nuestros datos y sacar conclusiones a partir de ellos. Al hacer que estas herramientas sean accesibles y fáciles de usar, los usuarios pueden identificar rápidamente los patrones y fenómenos en sus datos y tomar decisiones más informadas.
Para comprender mejor estas tecnologías QuickSight, veamos una vez más algunos ejemplos prácticos de lo que se puede crear y cómo estas herramientas pueden ayudarnos a comprender nuestros datos.
Si desea obtener información valiosa de QuickSight, es importante crear primero gráficos y permitir que la herramienta comience a analizar los datos filtrados y saque conclusiones de los gráficos. No es necesario que estos gráficos sean los más sofisticados: ¡basta con seleccionar unas cuantas características y listo! Sin embargo, vale la pena tener en cuenta que los datos filtrados proporcionarán información más específica, en lugar de información genérica.
Para acceder a la información generada automáticamente, debemos mirar la barra de herramientas de la izquierda y hacer clic en Perspectivas.
Una vez seleccionada la pestaña Perspectivas, QuickSight mostrará varios widgets que contienen información de datos recopilada de los campos utilizados en nuestro gráfico. Tome la siguiente imagen como ejemplo.
Las «Perspectivas sugeridas» que proporciona QuickSight contienen una descripción general completa de nuestro primer gráfico, que muestra la distribución por género en 2022. Si bien las narrativas se generan automáticamente, QuickSight permite a los usuarios personalizarlas para satisfacer sus necesidades específicas y formas de mostrar la información.
Dado que QuickSight genera esta información en forma de widget, podemos incluirla en nuestro análisis en cualquier momento y modificar la descripción si es necesario. Simplemente haga clic en el «+» para añadirlos a la hoja y haga clic en «Personalizar narración» para realizar cambios si lo desea.
Con solo unos pocos clics, QuickSight ayuda a los usuarios a aprovechar al máximo sus datos al proporcionar información valiosa, como los valores principales, los cambios porcentuales a lo largo del tiempo, los valores más altos y más bajos, y mucho más. Esto resulta especialmente útil para analizar rápidamente los detalles clave de una función (por ejemplo, calcular la comparación entre dos años del año y la fecha), lo que, de otro modo, requeriría una cantidad considerable de tiempo por parte de un analista de inteligencia empresarial.
En general, QuickSight hace honor a su nombre, ya que es una herramienta extremadamente útil para cualquiera que busque obtener información rápida de sus datos. Su interfaz fácil de usar hace que el análisis de datos sea más accesible, lo que ayuda a los usuarios a iniciar e inspirar sus análisis en cuestión de segundos.
Por último, pero no por ello menos importante, QuickSight ofrece la opción de añadir previsiones a nuestros gráficos. Con la ayuda de un algoritmo de aprendizaje automático incorporado, QuickSight permite a los usuarios pronosticar el comportamiento de sus datos en el futuro.
Todo lo que necesitamos para pronosticar nuestros datos es un campo de fecha y las métricas que queremos evaluar. En este caso, pronosticaremos la brecha salarial de género en los Estados Unidos para tratar de predecir, basándonos en datos anteriores, si esta brecha disminuirá en el futuro (4).
Así que para añadir una previsión a nuestra parcela, tenemos que hacer clic en la opción «Añadir previsión» y automáticamente se abrirán sus propiedades.
A través de estos parámetros, podemos ajustar nuestra predicción cambiando los períodos hacia adelante que queremos pronosticar, los períodos hacia atrás que queremos usar para determinar los patrones en los datos y el nivel de confianza utilizado para construir el intervalo de predicción. De forma predeterminada, QuickSight detecta automáticamente la estacionalidad de los datos; sin embargo, esto se puede cambiar si otro período refleja mejor el patrón estacional que se encuentra en los datos. Por último, si es necesario, se pueden añadir límites a los valores de previsión para garantizar que no superen estos límites.
También es interesante cómo QuickSight proporciona información adicional para cada parámetro, de modo que, aunque no esté familiarizado con lo que es la estacionalidad, puede hacerse una idea de lo que se espera al pasar el ratón por encima de la burbuja de información situada junto al nombre del parámetro.
Sin lugar a dudas, las tecnologías QuickSight, como Q, Insights y Forecasts, son herramientas increíblemente poderosas que pueden proporcionar a las organizaciones información valiosa y capacidades de previsión. Al utilizarlas, las organizaciones pueden obtener valiosos conocimientos sobre sus negocios de manera más eficiente y con pocos conocimientos previos sobre los aspectos técnicos de las herramientas. Con la implementación correcta, QuickSight puede ayudar a las organizaciones a mantenerse a la vanguardia y a tomar mejores decisiones. Por lo tanto, ¡dé el salto y vaya más allá de los límites de los datos con QuickSight!
¿Está interesado en explorar el uso de Quicksight para obtener información empresarial? Como socios avanzados de AWS, nuestro equipo de Montevideo Labs tiene una amplia experiencia con los servicios de AWS a gran escala. ¡Póngase en contacto con nuestro equipo para saber cómo podemos ayudarle en su transición a la nube!
Eventos de AWS. (2 de diciembre de 2022). AWS re:Invent 2022: obtenga claridad sobre sus datos en segundos con Amazon QuickSight Q (BSI207). YouTube. Recuperado el 24 de marzo de 2023, de https://www.youtube.com/watch?v=BkjUSd8JK9c
Ingresos y salarios: brecha salarial de género. (sin fecha). Datos de la OCDE. Consultado el 24 de marzo de 2023, de https://data.oecd.org/earnwage/gender-wage-gap.htm#indicator-chart
Previsión y creación de escenarios hipotéticos con Amazon QuickSight — Amazon QuickSight. (sin fecha). Documentación de AWS. Consultado el 24 de marzo de 2023, de https://docs.aws.amazon.com/quicksight/latest/user/forecasts-and-whatifs.html
Cómo trabajar con información en Amazon QuickSight — Amazon QuickSight. (sin fecha). Documentación de AWS. Consultado el 24 de marzo de 2023, de https://docs.aws.amazon.com/quicksight/latest/user/computational-insights.html
Lorem ipsum dolor sit amet consectetur. Sit sit vel eu sed proin. Arcu bibendum in mauris urna erat magna volutpat eget. Lectus commodo consectetur egestas quis ut lobortis nunc.
.png)
Lorem ipsum dolor sit amet consectetur. Sit sit vel eu sed proin. Arcu bibendum in mauris urna erat magna volutpat eget. Lectus commodo consectetur egestas quis ut lobortis nunc.
.jpeg)
