Cómo predecir el futuro y reducir la incertidumbre gracias a la inferencia bayesiana (I)

Gonzalo Álvarez Marañón    9 abril, 2019

Imagínate que regresas a casa desde San Francisco, recién llegado de la Conferencia RSA. Estás deshaciendo la maleta, abres el cajón de tu cómoda donde guardas tu ropa interior y, ¿qué descubres? ¡Una prenda de ropa interior que no te pertenece! Lógicamente, te preguntas: ¿cuál es la probabilidad de que tu pareja te esté engañando? ¡Teorema de Bayes al rescate!

El concepto tras el teorema de Bayes es sorprendentemente simple:

Cuando actualizas tu creencia inicial con nueva información, obtienes una nueva creencia mejorada.

Podríamos expresar este concepto, casi filosófico, con matemáticas de andar por casa de la siguiente manera:

Creencia nueva y mejorada = Creencias iniciales x Nuevos datos objetivos

La inferencia bayesiana te recuerda que la nueva evidencia te obligará a revisar tus viejas creencias. Los matemáticos no tardaron en asignar términos a cada elemento de este método de razonamiento:

  • A priori es la probabilidad de la creencia inicial.
  • La verosimilitud es la probabilidad de la nueva hipótesis basada en datos objetivos recientes.
  • A posteriori es la probabilidad de una nueva creencia revisada.

Por supuesto, si aplicas varias veces seguidas la inferencia, la nueva probabilidad a priori tomará el valor de la vieja probabilidad a posteriori. Veamos cómo funciona la inferencia bayesiana con un sencillo ejemplo, tomado del libro Investing: The Last Liberal Art.

Inferencia bayesiana en acción

Acabamos de terminar varias partidas a un juego de mesa con dados. Mientras guardamos el material en la caja, lanzo un dado y lo cubro con la mano. «¿Qué probabilidad hay de que haya sacado un 6?», te pregunto. «Es fácil», respondes, «la probabilidad es de 1/6».

Miro debajo de mi mano y te revelo: «Es un número par. ¿Cuál es la probabilidad de que siga siendo un 6?». Ahora actualizarás tu vieja hipótesis gracias a la nueva información, de manera que responderás que la probabilidad pasa a ser 1/3. Ha aumentado.

A continuación, aún te revelo más: «Y no es un 4». ¿Cuál será ahora la probabilidad de un 6? Una vez más, necesitas actualizar tu última hipótesis con la nueva información y llegarás a la conclusión de que la nueva probabilidad es 1/2, Ha vuelto a aumentar. ¡Enhorabuena! ¡Acabas de realizar un análisis de inferencia bayesiana! Cada nuevo dato objetivo te ha obligado a revisar tu probabilidad original.

Analicemos, armados con esta fórmula la presunta infidelidad de tu pareja.

Cómo aplicar la inferencia bayesiana para descubrir si tu pareja te es infiel

Volvamos a la pregunta del inicio: ¿te engaña tu pareja? La evidencia es que has encontrado ropa interior extraña en tu cajón (RI); la hipótesis que te interesa evaluar es la probabilidad de que tu pareja te engañe (E). El teorema de Bayes podrá aclararte esta sospecha, siempre y cuando sepas (o estés dispuesto a estimar) tres cantidades:

  1. ¿Cuál es la probabilidad de que si tu pareja te engaña aparezca ropa interior en tu cajón, Pr(RI|E)? Si te está engañando, es bastante fácil imaginar cómo llegó esa ropa interior a tu cajón. Por otra parte, incluso (y quizás especialmente) si te está engañando, puedes esperar que tu pareja sea más cuidadosa. Digamos que la probabilidad de que aparezca esa prenda si te está engañando es del 50%, o sea, Pr(RI|E) = 0,50.
  2. ¿Cuál es la probabilidad de que aparezca ropa interior en tu cajón si tu pareja no te engaña, Pr(RI|¬E)? Podría ser que en secreto compra ropa del otro sexo y se la pone cuando tú no estás, cosas más raras se han visto. Podría ser que una pareja platónica suya, en quien confías plenamente, se haya quedado a dormir una noche. Podría ser un regalo para ti que se olvidó de envolver. Ninguna de estas teorías es intrínsecamente insostenible, aunque recuerdan a esas viejas excusas sobre el perro que se comió tus deberes. Colectivamente, puedes asignarles una probabilidad del 5%, o sea, Pr(RI|¬E) = 0,05.
  3. Por último y más importante, necesitas la probabilidad a priori. ¿Cuánto creías en la infidelidad de tu pareja antes de encontrar la ropa interior desconocida en tu cajón, Pr(E)? Por supuesto, ahora que has descubierto la prenda misteriosa te resultará difícil ser completamente objetivo. Idealmente, establecerás tu probabilidad a priori antes de comenzar a examinar la evidencia. Afortunadamente, a veces es posible estimar este dato empíricamente. En concreto, según las estadísticas, aproximadamente el 4% de las parejas casadas engañan a sus cónyuges en un año dado. Esta es la tasa base, así que la estableces como tu probabilidad a priori: Pr(E) = 0,04. Obviamente, la probabilidad de que no te viniera engañando será Pr(¬E) = 1 − Pr(E) = 0,96.

Asumiendo un buen trabajo en la estimación de estos valores, ya solo falta aplicar el teorema de Bayes para establecer la probabilidad a posteriori. Para facilitar los cálculos, asumamos un grupo de 1.000 parejas, ilustrado como el rectángulo grande verde en la siguiente imagen. Es fácil ver que, si 40 de cada 1.000 individuos engañan a su pareja, y si de éstos, la mitad olvidan ropa interior de su amante en el cajón de su pareja, 20 personas habrán olvidado ropa interior (el grupo 4). Por otro lado, de las 960 de cada 1.000 personas que no engañan a su pareja, el 5% habrán dejado también por error una ropa interior en el cajón de su pareja, o lo que es lo mismo, 48 personas (el grupo 2). Sumando ambas cantidades resulta que habrán aparecido 68 prendas interiores misteriosas repartidas por los cajones de las parejas (grupo 2 + grupo 4).

Por lo tanto, si encuentras en tu cajón una prenda interior sospechosa, ¿cuál es la probabilidad de que tu pareja te engañe? Será la proporción entre las prendas encontradas cuando las parejas son infieles (4) divididas entre las prendas totales encontradas, tanto de parejas que engañan como que no (2 + 4). Sin necesidad de hacer ningún cálculo, salta a la vista que una prenda extraña será más probable debido a una pareja fiel que a una infiel. De hecho, el valor exacto de la probabilidad a posteriori es: Pr(E|RI) = 20/68 ≈ 29%.

También podemos recoger matemáticamente las proporciones de la imagen de la figura anterior en la famosa ecuación de Bayes:

Sustituyendo los valores numéricos correspondientes, llegamos una vez más a la probabilidad de que tu pareja te engañe: ¡sólo del 29%! ¿Cómo obtienes este resultado sorprendentemente bajo? Porque has partido de una baja probabilidad a priori (tasa base) de infidelidad. Aunque sus explicaciones de cómo ha podido llegar esa ropa hasta tu cajón son más bien inverosímiles, partiste de la premisa de que tu pareja era fiel, lo que tiene mucho peso en la ecuación. Lo cual resulta algo contraintuitivo, pues ¿no es esa ropa interior en tu cajón prueba de su culpabilidad?

Las heurísticas de nuestro Sistema I, adaptadas para los juicios rápidos e intuitivos, nos impiden llegar a las mejores conclusiones probabilísticas basadas en la evidencia disponible. En este ejemplo, prestamos una atención desmedida a la evidencia (¡ropa interior extraña!) y olvidamos la tasa base (sólo el 4% engaña). Cuando nos dejamos deslumbrar por los nuevos datos objetivos a costa del conocimiento previo, nuestras decisiones serán consistentemente subóptimas.

Pero tú eres un profesional bayesiano, ¿verdad? Le concederás a tu pareja el beneficio de la duda. Eso sí, puedes advertirle de que en el futuro no se le ocurra comprarse ropa interior del otro sexo, ni regalarte ropa interior, ni invitar a pasar la noche a parejas platónicas. En estas condiciones, la probabilidad de que en el futuro vuelva a aparecer ropa interior en tu cajón si no te engaña será como mucho del 1%, o sea, Pr(RI|¬E) = 0,01.

¿Qué pasa si a los pocos meses vuelve a aparecer ropa interior extraña en tu cajón? ¿Cómo cambiará ahora tu creencia en su inocencia? A medida que va apareciendo nueva evidencia, un bayesiano actualizará su estimación inicial de la probabilidad. La probabilidad a posteriori de que te engañara la primera vez, que calculamos en un 29%, pasará a ser la probabilidad a priori de que te esté engañando esta segunda vez. Los bayesianos adaptan su evaluación de los eventos probabilísticos futuros a la luz de la nueva evidencia. Si reintroduces en la fórmula anterior las nuevas variables, Pr(E) = 0,29 y Pr(RI|¬E) = 0,01, la nueva probabilidad a posteriori de que tu pareja te la esté pegando será 95%. Ahora sí, ¡ya puedes ir pidiendo los papeles del divorcio!

Este ilustrativo ejemplo, tomado de The Signal and the Noise: The Art and Science of Prediction, viene a demostrar que:

  • Nos dejamos deslumbrar por la evidencia cuando es muy vistosa, vívida y emocional.
  • Cuando nuestras creencias iniciales son muy robustas, pueden resultar sorprendentemente impermeables a la nueva evidencia en su contra.

En la segunda parte de este artículo, exploraremos varios estudios de caso donde se aplica con éxito la inferencia bayesiana a la ciberseguridad.

El enemigo de la innovación: el cortoplacismo

Roberto García Esteban    9 abril, 2019

Los CEO de muchas compañías parecen competir sobre quién es capaz de utilizar más veces la palabra “innovación” y aparece escrita en numerosos despachos y organigramas de empresas de cualquier sector, desde jugueteras a funerarias. Pero la “innovación” no es un hechizo sacado de una película de Harry Potter que cuando se invoca provoca inmediatamente un torrente de nuevas ideas que logran que cualquier compañía sea más ágil y creativa al momento. Lo que sucede en realidad es que hay un montón de barreras culturales, políticas y presupuestarias que hacen que muchas empresas vean las nuevas ideas con hostilidad más que con ilusión.

¿Y cuáles son las razones por las que las empresas no innovan todo lo que deberían si todo el mundo parece tener claro que es fundamental hacerlo no solo para crecer, sino incluso para sobrevivir en el mundo empresarial de hoy en día? Está, por una parte, el miedo al fracaso, ya que nadie es capaz de asegurar que trabajar en una idea innovadora hoy vaya a dar sus frutos mañana. También cuenta que, en muchas organizaciones el líder no fomenta la innovación dentro de la organización porque no es capaz de ver su importancia a la hora de establecer modelos de negocios diferenciales y sostenibles a largo plazo, con el respaldo de las tecnologías disruptivas que van apareciendo. Y, además, en muchas ocasiones existe una supuesta falta de urgencia para innovar. Si las cosas van razonablemente bien, ¿por qué cambiar? Al no ser considerado algo urgente, no se crean los procesos internos necesarios para que las buenas ideas no se mueran por el camino antes de llegar a cristalizar en un proyecto concreto.

Pero quizá el problema principal que bloquea la innovación en las compañías es el cortoplacismo imperante en la mayoría de ellas. Normalmente se pide que el retorno de cualquier inversión sea de un año o menos, y, bajo esa presión, muchos proyectos de innovación se gestionan erróneamente y acaban fracasando. La mayoría de las empresas piensa exclusivamente en el año fiscal actual. Sin embargo, en lo referente a la innovación hay que pensar en mañana. Pero en muchas empresas el hoy se come al mañana porque no tienen capacidad ni presupuesto para enfocarse en algo que dará resultados en tres o cinco años. Como en tantas otras ocasiones, la virtud está en el término medio y lo suyo es hacer planes a tres o cinco años que identifiquen oportunidades, a la vez que se persigue una hoja de ruta con dos o tres iniciativas que puedan suponer ingresos en seis o doce meses. Saber combinar esa búsqueda de oportunidades a largo plazo con iniciativas a corto es la verdadera clave de la innovación.

Para ello no hace falta dedicar un gran presupuesto a un departamento de I+D, se trata de construir una cultura corporativa que fomente la innovación. Las compañías más innovadoras son aquéllas capaces de atraer a quienes no solo buscan un trabajo estable, sino que sobre todo necesitan estar motivados y creer en su trabajo diario como fuente de cambio y contribución a un proyecto. Esas personas acuden a las empresas innovadoras porque es “donde ocurren cosas”, y no son necesariamente ingenieros o tecnólogos, sino que cualquier empleado de una compañía puede ser innovador. Así pues, las empresas deben promover constantes oportunidades de desarrollo para sus empleados que, a su vez, deben asumir la responsabilidad de mantenerse actualizados y relevantes y abandonar el enfoque tradicional de superar una serie de exámenes para llegar a un puesto de trabajo y, una vez conseguido, permanecer allí para siempre.

Por tanto, ese hechizo mágico que, a lo Harry Potter, transforma a una compañía tradicional en una compañía innovadora no es un software, sino las personas. Las compañías más innovadoras no se plantean simplemente incorporar la última tecnología, sino que se hacen las preguntas necesarias y cuando identifican qué tienen que hacer se sirven de la tecnología que mejor puede ayudarlas a conseguir su fin. Lo importante es que toda la organización entienda la nueva forma de hacer las cosas e interiorice que son necesarios cambios culturales. Esto no se consigue de un día para otro, por lo que es fundamental aparcar el cortoplacismo y trabajar en construir las capacidades que se necesitan para transformar a una empresa en una empresa realmente innovadora.

Imagen: makamuki0/pixabay

¿Qué es overfitting y cómo evitarlo?

Enrique Blanco    9 abril, 2019

En Machine Learning, describimos el aprendizaje de la función objetivo a partir de los datos de entrenamiento como aprendizaje inductivo. Entendemos que la inducción se refiere al aprendizaje de conceptos generales a partir de ejemplos etiquetados específicos, que es exactamente el problema que los algoritmos de Machine Learning supervisado pretenden resolver. La capacidad de inducción de un modelo se refiere a cómo de preciso es un modelo de ML en entender ejemplos específicos que el mismo no vio cuando el algoritmo del que partía estaba siendo entrenado. El objetivo de un buen modelo de aprendizaje automático es generalizar bien los datos de entrenamiento a cualquier dato del dominio del problema. Esto nos permite hacer predicciones en el futuro sobre los datos que el modelo nunca ha visto.

Las principales causas cuando se obtienen malos resultados al entrenar diferentes modelos de Machine Learning son el overfitting o el underfitting de los datos. Cuando entrenamos nuestro modelo intentamos ajustar los datos de entrada entre ellos y con la salida. En función de las características de nuestro dataset y de la elección de las muestras, se puede producir overfitting o “sobreajuste” y underfitting o “subajuste”. Estas dos casuísticas no dejan de ser más que la incapacidad de nuestro modelo de generalizar el dataset provisto.

Es muy común que, al comenzar a entrenar el modelo, se caiga en el problema del underfitting. Lo que ocurrirá es que nuestro modelo sólo se ajustará a aprender los casos particulares que le enseñamos y será incapaz de reconocer nuevos datos de entrada. En nuestro conjunto de datos de entrada muchas veces introducimos muestras atípicas (o anómalas) o con ruido en alguna de sus dimensiones, o muestras que pueden no ser del todo representativas.

Cuando sobre-entrenamos nuestro modelo y caemos en el overfitting, nuestro algoritmo estará considerando como válidos sólo los datos idénticos a los de nuestro conjunto de entrenamiento y siendo incapaz de distinguir entradas buenas como fiables si se salen un poco de los rangos ya preestablecidos. En la siguiente imagen vemos una simplificación a un ejemplo de regresión que nos permite visualizar el problema del underfitting y el overfitting. Encontrar un equilibrio para una correcta generalización se convierte en necesario.

Fig. 1: Over-fitting vs Under-fitting vs ideal fit a model. Fuente

Se debe encontrar un punto medio (sweet spot) en el aprendizaje de nuestro modelo en el que nos aseguremos de que no estamos incurriendo en underfitting u overfitting, lo cual a veces puede resultar una complicada tarea.

Otros conceptos con los que nos tenemos que familiarizar son los términos bias y varianza. Suelen resultar confusos para los recién llegados al Machine Learning, pero en realidad son muy intuitivos. De manera muy simple, un alto sesgo o bias indican que el modelo sufre de underfitting o subajuste y una alta varianza indica que el modelo sufre de overfitting.

Fig. 2: Graphical Illustration of bias-variance trade-off , Source: Scott Fortmann-Roe., Understanding Bias-Variance Trade-off. Fuente

En anteriores artículos, sobre todo aquellos basados en tutoriales de Python sobre aplicación de algoritmos de Machine Learning, habréis visto que uno de los pasos que siempre se dan es realizar una partición del dataset en muestras de entrenamiento y testeo. Esta práctica, muy recomendable, nos sirve para monitorizar el entrenamiento de nuestro algoritmo y para poder prevenir errores en el aprendizaje. Al monitorizar el entrenamiento de un algoritmo, siempre se suelen monitorizar los errores de entrenamiento y testeo para prevenir las condiciones de alto bias y alta varianza.

Para reconocer este problema deberemos subdividir nuestro conjunto de datos de entrada para entrenamiento en dos: uno para entrenamiento y otro para la validación que el modelo no conocerá de antemano. Esta división se suele hacer del 70-80% para entrenar y 20-30% para validar. El conjunto de validación deberá tener muestras lo más diversas posibles y en cuantía suficiente.

  • Error de entrenamiento: según se incrementa la complejidad del modelo, el modelo tiende a hacer un overfitting sobre los datos del entrenamiento. El error sobre los datos de entrenamiento irá decreciendo cada vez más.
  • Error de testeo: el error sobre el conjunto de validación es alto tanto en el escenario de underfitting como en el de overfitting. Nos interesa monitorizar este error para quedarnos justo en el punto de entrenamiento en el que este es menor.

La siguiente imagen ilustra perfectamente este hecho:

Fig. 3: Effect of model complexity on error due to bias and variance. Fuente 
  • Condición de alto bias: nos encontramos con underfitting en nuestro modelo. Tanto el error de entrenamiento como el de testeo son elevados. Por más que añadamos datos para que el modelo explore, no se mejora el desempeño. Como solución se podría probar aumentar el número de características a analizar o la complejidad del algoritmo.
  • Condición de alta varianza: nuestro modelo está afectado por overfitting. Ajusta muy bien datos de entrenamiento, pero no es capaz de inferir correctamente los datos de validación, por lo que error de testeo es significativamente mayor que error de entrenamiento. Añadir datos variados ayuda a resolver el problema, así como la reducción de la complejidad del modelo.

Si el modelo entrenado con el conjunto de test tiene un 90% de aciertos y con el conjunto de validación tiene un porcentaje muy bajo, nos enfrentamos ante un claro caso de overfitting. Si, por el contrario, en el conjunto de validación sólo se acierta un tipo de clase o el único resultado que se obtiene es siempre el mismo, nos encontramos ante un caso de underfitting.

Para intentar que estos problemas nos afecten lo menos posible, podemos llevar a cabo diversas acciones:

  1. Por un lado, debemos garantizar de que tenemos una cantidad suficiente de muestras tanto para entrenar el modelo como para validarlo.
  2. En el caso de movernos en tareas de clasificación, deberemos contar con clases variadas y equilibradas en cantidad: por ejemplo, en caso de aprendizaje supervisado y suponiendo que tenemos que clasificar diversas clases o categorías, es importante que los datos de entrenamiento estén balanceados y sean representativos de todas las clases, para evitar sesgos innecesarios. Sobre los problemas presentados en el aprendizaje desbalanceado ya hablamos en el nuestra anterior serie Machine Learning y astrofísica: clasificando estrellas, galaxias y quasars.
  3. Siempre debemos subdividir nuestro conjunto de datos y mantener una porción del mismo para testar el modelo. Esto nos permitirá evaluar el desempeño del algoritmo y también nos permitirá detectar fácilmente efectos del overfitting o underfitting.
  4. Debemos prevenir una cantidad excesiva de dimensiones, con muchas variantes distintas, sin suficientes muestras. A veces conviene eliminar o reducir la cantidad de características que utilizaremos para entrenar el modelo. Una herramienta útil para hacerlo es Principal Component Analysis (PCA) o T-distributed Stochastic Neighbor Embedding (t-SNE).

Para mantenerte al día con LUCA visita nuestra página web,  suscríbete a LUCA Data Speaks o síguenos en Twitter, LinkedIn y YouTube.

Big Data & IA para el bien común

Victoria Elosua de Madariaga    8 abril, 2019

El pasado jueves celebramos el segundo encuentro de nuestras comunidades meetup Data Science Spain & IoT Analytics Spain donde hablamos sobre la aplicación de Big Data e Inteligencia Artificial para hacer frente a problemas de nuestro planeta reflejados en los 17 Objetivos de Desarrollo Sostenible de la ONU.

El encuentro tuvo lugar en el auditorio Ágora de Wayra el pasado 4 de abril donde nos reunimos alrededor de 70 profesionales amantes de los datos. Comenzamos con una breve introducción de Richard Benjamins, embajador de Data & AI en LUCA. Richard nos habló sobre las oportunidades que tiene el uso de Big Data para sumar al bien social de una comunidad y entró en detalle para explicar cómo está Telefónica involucrada en varios proyectos a nivel global y en concreto en varios proyectos en desarrollo en Latino América. Además, explicó como la aplicación de Big Data sirve como una medida de progreso y anima a la sociedad y a empresas privadas a desarrollar políticas sociales.

La jornada continuó con la participación de Pedro A. de Alarcón, Head de BD4SG en LUCA, que tras hablar sobre las emergencias y conflictos que vemos y sufre nuestro planeta día a día, como el cambio climático, resaltó la importancia de poner los datos al uso para resolver conflictos sociales. Para ello primero abordando dos problemas; el primero la necesidad degenerar datos de uso público de calidad y el segundo la capacidad de traducir un problema social a un problema técnico.


Figura 2: Frontera entre los objetivos de la ONU y la aplicación de nuevas tecnologías.

Pedro nos explicó cómo se obtienen los datos a través de los móviles y los insights que podemos obtener de ellos para hacer frente a un problema social como pueden ser las migraciones forzosas en Colombia debidos a la sequía sufrida durante años. Destacó las variables que necesitamos entender ante un problema de esta envergadura que son: segmentación, estimación de volumen, monitorización de flujos o rutas de migración, asentamiento e impacto en las comunidades de alojamiento.

Para cerrar la jornada con una sesión más técnica, invitamos a Carlos López Sobrino y Germán Cabrera Martínez para que nos contaran su proyecto «Predicción y Clasificación de accidentes de Tráfico de Madrid». Tras conocer que cada hora hay un accidente por distrito en la comunidad de Madrid y afirmar que la gestión de recursos y el despliegue de servicios es vital a la hora de ayudar en un accidente nos contaron los principales objetivos de su proyecto: clasificación de accidentes, clasificación por gravedad de los mismos y predicción del número de accidentes. Continuaron explicando el modelo que han desarrollado con el fin de mejorar el tiempo de respuesta ante un accidente, las variables que tuvieron en cuenta, cómo realizaron la clasificación de los datos y concluyeron mostrando los resultados del modelo.

Si quieres saber más, puedes consultar todas las presentaciones de la jornada o ver las fotos del encuentro. ¡Y no olvides unirte a las comunidades para participar o asistir al próximo meetup que organizaremos en Julio! 

Para mantenerte al día con LUCA visita nuestra página web,  suscríbete a LUCA Data Speaks o síguenos en Twitter, LinkedIn y YouTube.

Solución a #EquinoxRoom111: ¿Te atreves a descifrar estos archivos secuestrados?

ElevenPaths    8 abril, 2019

Por fin nos han ayudado a recuperar nuestros ficheros. Vamos a explicar qué hemos hecho y cómo ha sido solucionado (desde diferentes perspectivas). La seguridad en la criptografía asimétrica ,usando claves RSA, se basa en la premisa de que es muy difícil computacionalmente factorizar los dos factores primos de un número. Multiplicar dos números primos p y q para obtener n es una operación sencilla y su complejidad no aumenta drásticamente cuando los números crecen:

1736640013 x 1230300287 = 2136588706409583731

En cambio, la operación inversa, dado un número n obtener sus dos factores primos es una operación que se vuelve computacionalmente inviable cuando los números involucrados son lo suficientemente grandes.

? x ? = 2136588706409583731

Para generar la pareja de claves, el algoritmo RSA crea una clave pública y privada usando este concepto. Simplificando la generación de las claves, los números primos elegidos aleatoriamente p y q se multiplican para crear el módulo n que se usará tanto en la clave privada como en la pública. Este módulo n es público pero los factores primos p y q no.

Del certificado incluido en los ficheros, podemos leer la clave pública y obtener el módulo y exponente:

openssl x509 -in Certificate1 -text > Certificate1.info
openssl x509 -in Certificate2 -text > Certificate2.info

Se obtiene fácil el exponente (e) 65537 y el módulo (n) en hexadecimal. También así:

Intentar obtener la clave privada a partir de estos datos requeriría factorizar el módulo obtenido y así obtener los primos p y q usados para generar ambas claves. Esta operación, con un número tan grande, no es viable computacionalmente en un periodo de tiempo razonable. En este caso, tenemos una pista que nos puede ayudar a intentar encontrar esos dos números. Sabemos que el ransomware se ha ejecutado en máquinas cuyo generador de números aleatorios estaba configurado al mínimo lo que puede haber dado a repeticiones de números primos durante distintas generaciones. Por lo tanto se podría haber dado el caso en el que dos módulos compartan el mismo número p o q.

n1 = p1 x q1
n2 = p1 x q2

Si este caso se produce, ambos módulos n1 y n2 compartirían un divisor común p1. Para probar esta hipótesis se puede realizar una operación matemática muy sencilla, el cálculo del máximo común divisor usando el algoritmo de Euclides. El resultado de calcular el MCD sobre los dos módulos obtenidos de las claves públicas revela que ambos números comparten un divisor distinto de 1. Con este cálculo sencillo se consigue uno de los dos primos usados para la generación de ambas claves, conseguir los otros dos primos desconocidos es trivial (mucho ojo a la necesidad de utilizar doble barra para división de números grandes). En Python es sencillo así:

Para el cálculo del MCD se pueden usar herramientas como RSACtfTool, o Sanity Cheker, basado en SageMath, y en general, para cálculos rápidos con números enormes, existen diferentes páginas que se pueden consultar, como este ejemplo. Siguiendo cualquier manual de RSA, sacamos todos los datos se debe construir la clave privada a partir de dos primos y el exponente.

Tenemos la opción de hacerlo a través de openssl. Primero creamos un archivo con la información:

asn1=SEQUENCE:rsa_key
[rsa_key]
version=INTEGER:0
modulus=INTEGER:0xD1F50CC7F
pubExp=INTEGER:0x10001
privExp=INTEGER:0x2396DB3CC6CB….
p=INTEGER:0x00e95df998acf149cae5d….
q=INTEGER:0x00e651db2d769829da0…
e1=INTEGER:0x6E2FD10A259E481965….
e2=INTEGER:0x782436DA8E446D80669…
coeff=INTEGER:0xA70D92326A2813D9F….

Y luego se ejecuta el comando para construir la clave, por ejemplo: openssl asn1parse -genconf asn_002.txt -out private_key_002.der Aunque también se puede hacer con Python de varias formas. Aquí la usada por el ganador.

Innovación y Laboratorio en ElevenPaths
www.elevenpaths.com

La banca del futuro será diferente de la que conocemos

Mario Cantalapiedra    8 abril, 2019

Recientemente, en una mesa redonda sobre innovación financiera en la que tuve la oportunidad de participar, organizada por la Facultad de Ciencias Económicas y Empresariales de la Universidad de Valladolid, los ponentes allí reunidos nos preguntábamos sobre el número de bancos que podrían sobrevivir a la ola de transformación digital en la que estamos subidos. Tras un acalorado debate, y asumiendo que ninguno de nosotros tiene una bola de cristal y que el entorno volátil, incierto, complejo y ambiguo en el que vivimos dificulta acertar con cualquier pronóstico, hubo cierto consenso en afirmar que más allá del número de bancos que sobrevivan, los que lo hagan serán muy diferentes de las entidades financieras tradicionales que todos conocemos.

Realmente las personas, más que necesitar bancos, lo que necesitamos es tener servicios financieros que hoy en día y gracias al desarrollo de Internet también pueden ser prestados por otro tipo de empresas. Por ejemplo, por startups fintech de base tecnológica que compiten con la banca tradicional en determinados nichos de su negocio, o por grandes multinacionales tecnológicas identificadas con el acrónimo GAFA (Google, Apple, Facebook y Amazon), que ya están ofreciendo servicios financieros de pago a sus clientes. Puede que estas multinacionales no estén entrando más a fondo en el negocio bancario, debido a los requisitos regulatorios que conlleva o porque antes quieren realizar pruebas con los servicios de pago, pero cuando el negocio realmente les interese y estén preparadas, pocos son los que dudan que entrarán a competir con fuerza.

En estas circunstancias, el reto al que se enfrenta la banca es transcendental. Ha de emprender su transformación digital al mismo tiempo que trata de solucionar su exceso de capacidad y sin dejar de cumplir con los mencionados requisitos regulatorios. Todo ello equilibrando los intereses de sus accionistas y de su clientela, dentro de la cual conviven clientes tradicionales y jóvenes.

No es un cambio sencillo, aunque parece inevitable. En este sentido, los responsables de afrontar esta compleja transformación digital pueden tener como referencia tres ingredientes de éxito de los negocios nacidos en Internet.

1. Orientación al cliente

Si preguntas a un usuario de Amazon por qué realiza sus compras a través de esta plataforma, seguramente te dirá que lo hace porque el proceso de compra le resulta sencillo o porque la empresa cumple lo que promete, es decir, porque tiene una experiencia positiva como cliente. Las compañías digitales comparten el tratar de entender cuáles son las necesidades de sus clientes y adaptarse a ellos. Sin embargo, la banca tradicional ha basado su modelo de negocio, sobre todo, en una orientación al producto. Como expertos en el mundo financiero, han diseñado productos que luego han querido colocar en el mercado, algo que en el pasado ha funcionado, pero parece que ya no lo hace.

2. Uso inteligente de los datos

Las personas, al utilizar Internet, dejamos un rastro de datos que las compañías tecnológicas están sabiendo aprovechar. En este sentido, el incremento de datos y de capacidad de procesamiento de los ordenadores está permitiendo el desarrollo de aplicaciones de inteligencia artificial que automatizan procesos y aumentan las capacidades de análisis.

Hay bancos que ya están utilizando estas herramientas en los servicios financieros que prestan, por ejemplo, utilizando chatbots (programas informáticos con los que se puede mantener una conversación) para resolver dudas habituales sobre sus productos o realizar operaciones sencillas, como la emisión de órdenes de transferencia.

Asimismo la inteligencia artificial permite a la banca personalizar sus servicios en función de la información que obtiene de sus clientes, por lo que también puede avanzar en el ingrediente anterior mencionado (orientación al cliente). Por ejemplo, puede facilitar información sobre el saldo actual de su cuenta a un cliente que lo autorice, enviando un mensaje a su teléfono móvil geolocalizado en un centro comercial.

3. Probar, medir y aprender

Las empresas que han revolucionado el mundo online tienen muy interiorizados los conceptos de probar, medir y aprender, que se relacionan con la innovación. Se podría decir que en el ámbito de Internet probar es casi obligatorio, a lo cual ayuda que hacerlo sea relativamente barato.

Ya he comentado como las GAFA están “probando” con los servicios de pago antes de decidir si compiten en mayor grado con los bancos. Luego la banca tradicional también tendrá que acostumbrarse a realizar sus pruebas en Internet. De hecho, las fórmulas de colaboración entre bancos y empresas fintech que están viéndose en el mercado, pueden considerarse un ejemplo de este tipo de pruebas.

La experiencia del paciente oncológico como eje de la transformación hospitalaria

Ana Siles    8 abril, 2019

En este blog se ha escrito mucho de experiencia de cliente, de empleado, de aficionado incluso y, cómo no, de experiencia de paciente. Y es que, como explica Carlos Mascías, de HM Hospitales, no hay un lugar donde más emociones se vivan por metro cuadrado que en un hospital.

El pasado mes de marzo se celebró el III Congreso de experiencia del paciente oncológico organizado por el Instituto de Experiencia de Paciente (IEXP), que trabaja en dibujar el mapa de los “touch point” y el “customer journey” del paciente para mejorar sus vivencias y cómo se siente en el entorno sanitario. En los hospitales no somos clientes al uso pero sí requerimos el mejor trato como ciudadanos. Como comentó el director de IEXP, Carlos Bezos, estas iniciativas, que nacen en Estados Unidos, llegan ahora con fuerza a Europa y España.

De hecho, en el libro “50 casos de éxito en experiencia de cliente” no faltan los de experiencia de paciente, como el caso de Quirónsalud, el mayor grupo hospitalario de España, que ha incluido la mejora de la experiencia del paciente en su estrategia.  Así, diseñó un proyecto piloto, con un mapa del recorrido del paciente oncológico, para conocer qué emociones estaban presentes en cada momento de la enfermedad e identificar mejoras. Por ejemplo, en el periodo de incertidumbre inicial se trabajó para reducir los tiempos de diagnóstico y, después, para un mayor acompañamiento, se creó un espacio en el que pudiera compartir sus pensamientos con otros pacientes y profesionales.

En el congreso del mes pasado se explicó que implantar la experiencia de paciente en los modelos de gestión hospitalaria requiere:

1-Disponer de herramientas para identificar las necesidades de los pacientes (patient journey, estudios cualitativos y cuantitativos, chatbog, netnografía).

2-Generar proyectos de mejora de experiencia con indicadores clínicos, de bienestar y económicos (talleres participativos, design thinking, living lab…).

3-Obtener involucración activa y participación integrada de profesionales, clínicos, asociaciones y pacientes expertos.

Su puesta en práctica, además de facilitar la experiencia del paciente de cáncer, incluso podría contribuir a una mejor respuesta al tratamiento y se podrían obtener resultados clínicos (mejores procedimientos, mayor adherencia, más involucración en las terapias ensayos clínicos más efectivos…); también económicos (reducción de costes, aumento de eficiencias), además de incrementar el grado de satisfacción del paciente, con una mejor percepción de su bienestar y calidad de vida.

La experiencia de paciente se presenta como eje para transformar los espacios hospitalarios, implantar políticas de humanización, impulsar la mejora de estándares e involucrar al ciudadano en todo momento.

¿Cómo puede ayudar la tecnología en esta transformación?

Ya es posible la transformación del proceso necesario para implantar la experiencia de paciente en los modelos de gestión hospitalaria. Las herramientas tecnológicas están maduras pero, según Carlos Bezos, el 70 por ciento de los proyectos tecnológicos y el 95 por ciento de los de big data fracasan por no involucrar a los pacientes-ciudadanos o usuarios.

En una mesa redonda del encuentro se debatió sobre las oportunidades que aporta la explotación de datos de salud de los pacientes y la inteligencia artificial.

Jaime del Barrio, presidente de la Asociación de Salud Digital, mostró en su presentación la innovación tecnológica lista para cambiar el servicio de salud: blockchain, robotización, inteligencia artificial, big data, impresión 3D, wearables, aplicaciones, dispositivos bajo la piel, etc.

Fuente: EY

Y es que los datos son el habilitador para una medicina más precisa y conectada. Según Jaime, “el cuerpo humano es la principal plataforma de datos (datos genómicos, fenotípicos, registros médicos, estilo de vida, vacunaciones…) y las posibilidades de su monitorización continua y análisis son inmensos”. La oncología, en concreto, destaca como el área terapéutica de mayor crecimiento en los próximos cinco años en el tratamiento de datos y el uso de la tecnología.

Por ello el presidente de la Asociación de Salud Digital alertó del peligro de no acelerar la transformación digital de la sanidad española y que otros jugadores, como Amazon y Google, tengan el dominio y explotación de dichos datos. En dos años deberíamos ser capaces de tener digitalizados los procesos, pero en la actualidad seguimos con la digitalización de la historia clínica, la receta electrónica y el problema de la interoperabilidad entre Comunidades autónomas.

Víctor Osorio, director de Divente digital health consulting, habló durante su intervención de la inteligencia artificial y el codiseño de chatbots con pacientes de oncología para mejorar la experiencia en las diferentes etapas: prediagnóstico, diagnóstico, tratamiento y normalización. La inteligencia artificia podría dar respuesta a las preguntas en cada etapa y mejorar así la asistencia, accesibilidad y prevención proporcionando un mayor empoderamiento al paciente, que es otra de las claves en este momento.

Sin duda la tecnología puede hacer mucho por la experiencia de paciente. Personalmente me llamó mucho la atención el uso de la realidad virtual durante la quimioterapia. Un compañero ya escribió de las aplicaciones de esta tecnología en el entorno sanitario, vimos su “magia” en neurorrehabilitación y a finales del año pasado su innovador uso con fines terapéuticos en trasplantes. A mí me hubiera encantado contar con unas gafas de éstas para disminuir el estado de ansiedad y relajarme durante mis sesiones de quimio. Los pacientes necesitamos la cura de las enfermedades pero también que nos cuiden en el proceso. Ojalá la experiencia de paciente se imponga cada vez más.

Imagen: tomek pl

Esta semana en el blog de LUCA: del 1 al 7 de Abril

Paloma Recuero de los Santos    6 abril, 2019

Inmunes a la astenia primaveral, en LUCA hemos empezado el mes de Abril, con muchas ganas. Os contamos nuestras próximas citas importantes en los próximos meses, hablamos de las tecnologías en las que se basa el Blockchain, de coches autónomos, de los distintos tipos de aprendizaje que se dan en Machine Learning, y, ¿cómo no? de la Movistar media maratón de Madrid, carrera «conectada» por excelencia. Y por si fuera poco, anunciamos nuevo webinar. No te pierdas detalle en el resumen de esta semana.

Empezamos semana el lunes 1 de Abril con un resumen de los eventos del sector en los que LUCA va a participar en los próximos meses.

Eventos de LUCA de Abril y Mayo que no te puedes perder

El martes, continuamos  con un post de Diego Martín Moreno, sobre Blockchain y las tecnologías que lo sustentan

Blockchain technology

El miércoles reflexionamos sobre los avances realizados en conducción autónoma, y sobre lo que todavía no se ha conseguido resolver.

Driverless cars…a reality or a distant dream?

El  post del jueves se lo dedicamos a la próxima edición de la Movistar Media Maratón de Madrid, que tendrá lugar este domingo, ¿te has apuntado ya?

Runnig y Big Data en la Movistar Media Maratón de Madrid 2019

Y el viernes, terminamos la semana con un video post sobre uno de los temas que más interés han despertado en nuestro blog, ya que se trata de conceptos básicos para el Machine Learning.

Video Post #6: ¿Qué es el aprendizaje supervisado?

Esta semana, también hemos anunciado nueva LUCA Talk. Esta vez hablaremos de un tema realmente apasionante: Generación automática de textos mediante Deep Learning. Carlos Rodríguez Abellán, Data Scientist en Aura, impartirá este webinar donde crearemos, entrenaremos y probaremos algunos modelos. 

¿Te unes? Regístrate al webinar a través de este enlace

Y eso ha sido todo esta semana. ¡Feliz fin de semana!

Y después de los coches voladores, ¿qué?

Víctor Deutsch    5 abril, 2019

Muchos recordaréis la escena de “Volver al futuro II” en la cual el DeLorean transformado en “coche volador” despega del suelo y se dirige por la “skyway” (“¿aerovía?”) desde el centro de Hill Valley a la casa de Marty McFly en la urbanización Hilldale. Podría parecer el sueño de muchos conductores para huir de los atascos… Me sirve a la perfección como ejemplo de que la transformación del transporte y la sociedad deben ir parejas, como explicaré en este post.

La ironía es que encuentran la “skyway” completamente congestionada hasta el punto que se intuye que tardan horas en llegar (despegan bajo la luz del sol y cuando llegan es completamente de noche). En síntesis, vemos que se trata de una gran transformación tecnológica para lograr el mismo resultado. Los guionistas de la película, Robert Zemeckis y Bob Gale, parecen querer decirnos: hagamos lo que hagamos, siempre habrá atascos.

Algo de eso ocurre en la actualidad cuando aparecen nuevos medios de transporte. Por ejemplo, el patinete eléctrico parecía una forma cómoda y barata de realizar viajes cortos en el entorno de las grandes ciudades. No hacía falta una licencia oficial ni grandes conocimientos y cuando aparecieron las empresas de sharing fue aún más fácil utilizar uno. Pero meses después vemos que, a raíz de las primeras incidencias, las cosas se han complicado. Los ayuntamientos empiezan a regularlo. Ya no se puede circular por las aceras con ellos y es necesario contratar un seguro obligatorio contra accidentes y llevar casco. No tardaremos en ver cómo, además, será necesario obtener una licencia oficial. Hemos llegado al mismo resultado.

Podríamos decir lo mismo de las empresas de VTC (Vehículos de Turismo con Conductor). El objetivo era una mejor utilización de los recursos y de la infraestructura urbana, mayor eficiencia y competitividad. Pero la idea ha derivado en grandes empresas a la manera tradicional de los taxis con chóferes asalariados, regulaciones de tiempo, paradas y cantidad de vehículos (lo cual acaba desencadenando un conflicto con los taxistas, que ven amenazado el monopolio legal del que disfrutaban).

Y podría seguir con los ejemplos.

En general, las innovaciones en el sector del transporte tienen poco recorrido y nos llevan al mismo punto. Pero ¿por qué? Porque el sector satisface las necesidades de particulares y empresas según el modelo de economía industrial de mediados del siglo XIX. Lo explicaré:

Antes de la generalización de la máquina de vapor, la organización de la sociedad se basaba en la producción local o regional. Los medios de transporte más rápidos y de mayor capacidad eran los carros a caballo, las barcazas fluviales y los barcos de vela. Por eso, cada región debía “vivir con lo suyo”. El comercio en grandes cantidades estaba restringido a productos de muy alto valor por su elevado coste y los largos plazos de entrega. No había grandes ciudades sino una miríada de ciudades medianas. La gente debía vivir, necesariamente, muy cerca de su trabajo.

Existían, claro, nuevas tecnologías aplicables al transporte. Los carros con rieles, con tracción a sangre, se conocían desde la antigua Grecia y se utilizaron con frecuencia en Europa desde la Edad Media. La primera locomotora fue construida por James Watt en 1769. El primer automóvil a vapor (el “carro de fuego” de Cugnot) comenzó a rodar en 1770.

La era industrial lo cambió todo. La producción creció exponencialmente, se demandaron trabajadores del campo y crecieron las ciudades. La mecanización del transporte con ferrocarriles y barcos a motor facilitó la expansión del comercio. El desarrollo de los motores de explosión y eléctricos mejoró la movilidad urbana con el desarrollo de tranvías, subterráneos, trenes de cercanía y automóviles públicos y privados, lo que permitió que los trabajadores vivieran más lejos y las ciudades crecieran aún más.

La organización de la producción y los medios de transporte obligó a sincronizar el tiempo (apareció la hora oficial) y el grueso de la fuerza laboral empezó trabajar en un horario muy parecido (las “horas punta”).

En resumen, fue la creación de una sociedad industrial lo que impulsó el actual modelo del sector transporte. Dicha sociedad industrial alimentó a las empresas de transporte de tecnologías innovadoras, que le permitieron ofrecer nuevas alternativas todavía más eficaces y eficientes, formando un “círculo virtuoso”.

¿En qué punto nos encontramos ahora? Como en el siglo XVIII, disponemos de nuevas tecnologías, mucho más avanzadas de lo que pensamos, pero no seremos capaces de aprovecharlas totalmente mientras no se produzcan cambios sociales radicales. Nos encontramos, quizá, en algún punto entre 1770 y 1830, año en el que empezaron a funcionar los primeros ferrocarriles comerciales. Tenemos tecnología del siglo XXI en ciudades diseñadas para la sociedad de finales del XIX.

Esto ocurre porque todavía no se ha producido, en la práctica, el cambio de la “sociedad industrial” a la “sociedad de la información”. Por mucho que quisiéramos acelerarlos, estos cambios llevan generaciones porque implican importantes transformaciones culturales y de las infraestructuras.

En la “sociedad de la información” las necesidades de transporte serán probablemente muy diferentes a las actuales. En un entorno en el cual el producto más abundante es el dato, no parece necesario desplazarse a trabajar a una oficina o una fábrica. De hecho, si lo seguimos haciendo ahora es más por una cuestión cultural que por necesidad real. Sólo el 7,4 por ciento de los puestos de trabajo en España a día de hoy se desempeñan desde casa. El digital workplace reducirá sustancialmente la necesidad de “transporte forzoso” al lugar de trabajo. La gente podrá trabajar desde distancias muy diversas y en horarios muy diferentes. El modelo educativo también cambiará. No habrá necesidad de alinear horarios de escuela con el trabajo. Quizá gran parte del aprendizaje pueda realizarse online o en un formato de escuela muy diferente, en el que no haya que ir todos los días al colegio, salvo para actividades que necesariamente sean grupales.

Por otro lado, en la “sociedad de la información” las necesidades de abastecimiento serán otras. Si se generaliza la entrega a domicilio por el medio más eficiente posible (vehículos autónomos, drones…) se elimina otro grupo de viajes forzosos y se reduce la utilización de carreteras y calles. En cambio, pueden crecer los “viajes voluntarios”, con fines lúdicos (turismo, espectáculos) o de bienestar (visitas al médico incluidas, en una sociedad más envejecida, cuando no se pueda aplicar el eHealth).

En dicho escenario se pueden inferir algunas cosas interesantes: las infraestructuras de transporte urbano, con sus esquemas radiales (de la periferia al centro), rutas y horarios fijos, quedarán obsoletas.

En un mundo con horarios mas racionales, la utilización del transporte privado será mucho más eficiente, más aún con vehículos autónomos y agrupados en pooles compartidos. Se podrían planificar miles de trayectos diferentes en tiempo real, con diversidad de medios para llevar desde uno a cientos de viajeros.

En definitiva, el sector del transporte tiene que estar preparado para sumarse y apoyar estos cambios sociales (que son inevitables en el largo plazo), pero sin adelantarse a los mismos o corre el riesgo de sufrir grandes fracasos (“Las ventas de patinetes eléctricos caen en picado”). Cualquier nueva tecnología de transporte tendrá que adaptarse a la realidad de una sociedad que vive, culturalmente, a final del siglo XIX.

Y, vale la pena repetirlo, esto ocurrirá dentro de mucho más tiempo del que esperamos porque, igual que nuestros antepasados de hace cien años, somos exageradamente optimistas y solemos sobrevalorar la velocidad de los cambios. Queremos que el futuro ya esté aquí, aunque falten décadas para que llegue.

Al fin y al cabo, los guionistas de “Volver al futuro” situaron la acción futurista con coches voladores, patinetes de colchón de aire y comida deshidratada desde su presente en 1988 de forma muy optimista en 2015. Para ello contaron con la colaboración del diseñador Edward Eyth, que intentó proyectar el desarrollo de la sociedad treinta años hacia adelante. Aquí se pueden ver algunos de sus diseños, incluso los que no llegaron a usarse en la película. Acertó en unas cuantas cosas, pero fue muy adelantado en la mayoría. No es el único caso.

Como se cuenta en el blog de Guillermo Schávelzon: “En la Feria del Libro de Francfort de 2008 una macroencuesta entre mil editores de 30 países marcó 2018 como el momento en que el libro electrónico superaría en volumen el negocio tradicional… El libro electrónico, en la edición en español, hoy representa menos del 6 por ciento del total”.

Pero, a pesar del optimismo en vislumbrar los avances tecnológicos, Zemeckis y Gale, acertadamente, no pudieron imaginar otra cosa que a Marty McFly viviendo en una urbanización en las afueras, donde todo el mundo sale de trabajar al mismo tiempo, él llega a casa con un portafolios (¿llevará papeles?) y se identifica en la empresa con una tarjeta de banda magnética. Como sigue ocurriendo en 2019.

Imagen: crisinphilly 5448

Las 36 profesiones con más empleo y sueldo

Raúl Alonso    5 abril, 2019

Elegido por más del 60% de los españoles como uno de los tres temas más preocupantes, la sociedad española seguía teniendo en el paro, el pasado mes de febrero, su mayor pesadilla. Convencidos de que la formación y la información son las mejores soluciones individuales para superarlo, recorremos los 36 yacimientos de empleo más interesantes.

Identificamos los perfiles con más demanda de empleo de España con la ayuda de dos recientes informes de Adecco. El primero es el XIV informe de Spring Professional, Los más buscados 2019, que identifica las posiciones altamente cualificadas con mayores salidas profesionales o más generosas retribuciones. El segundo es el X informe Adecco, ¿Dónde encontrar empleo si estás en paro?, que identifica los empleos con más demanda por sectores.

Información de calidad muy interesante para reorientar la carrera profesional, buscar trabajo o inspirar a todos aquellos jóvenes que están valorando hacia dónde dirigir su formación.

Tecnologías de la Información y la Comunicación

  • Cualificado más buscado: Desarrollador Frontend. Expertos en facilitar la navegación web del usuario para que sea cómoda y fácil de actuar. Se buscan ingenieros informáticos y titulados en grado superior en Desarrollo de Aplicaciones Web. Retribución entre 30.000 y 42.000 euros bruto/año.
  • Cualificado más cotizado: Big Data Architect. Figura básica de la gestión por análisis de datos, se encarga de que la empresa pueda extraer y analizar ese big data. Formación en Ingeniería Informática y Telecomunicaciones. Retribución entre 50.000 y 90.000 euros bruto/año.
  • Más demandado: Ingeniero con experiencia en Python. Además de los formados en este lenguaje de programación, se buscan perfiles muy especializados. Formación en ingeniería técnica o superior Informática. Retribución entre 40.000 y 45.000 euros bruto/año para profesionales con cuatro años de experiencia, su retribución está muy ligada a su cartera de conocimientos.

Logística

  • Cualificado más buscado: Project Manager. Figura clave para la gestión y seguimiento de todo el proyecto logístico y el control de costes. Formación técnica, preferiblemente en Ingeniería, e inglés con nivel de negociación. Retribución entre 40.000 y 70.000 euros bruto/año.
  • Cualificado más cotizado: Director de agencia. Encargado de gestionar una unidad de negocio. Titulado superior en grado relacionado con gestión de empresa e inglés. Retribución entre 50.000 y 60.000 euros bruto/año más variable.
  • Más demandado: Mozos manipuladores. Actividad muy ligada al auge del eCommerce, no es necesaria formación especializada, pero se valora experiencia y habilidades. Retribución entre 17.000 y 20.000 euros bruto/año.

Lifesciencia / Farma-química

  • Cualificado más buscado: Responsable de Producción de Estériles. Son sobre todo cargos intermedios especializados en trabajos de sala limpia para la fabricación de productos estériles. Formación en Ciencias de la Salud o en Ingeniería Química Industrial. Nivel medio-alto de inglés y conocimiento de normas GMP (Good Manufacturing Practices). Retribución de 35.000 a 40.000 euros bruto/año.
  • Cualificado más cotizado: Dirección Comercial Sector Químico Farmacéutico. Formación en Ciencias de la Salud o similarº con MBA o máster en Farmacéutica. Inglés avanzado. Retribución de 60.000 a 90.000 euros bruto/año más variable del 20%.
  • Más demandado: Medical Science Liaison (MSL). Facilita la correcta utilización del fármaco, es colaborador científico del médico, y gestiona recursos económicos para la comunidad científica. Son licenciados en Ciencias de la Salud y, cada vez más, con doctorado en Medicina o Farmacia. Retribución muy ligada a la experiencia, desde 50.000 a 80.000 euros bruto/año, para dos y diez años de experiencia respectivamente.

Ingeniería / Automoción

  • Cualificado más buscado: Electrical Engineer. Formación en Ingeniería Eléctrica o superior con especialización o posgrado en Ingeniería Eléctrica o Electrónica, inglés alto y valorables otros idiomas. Retribución entre 40.000 y 60.000 euros bruto/año.
  • Cualificado más cotizado: Black Belt. Mejora y optimiza los procesos. Se buscan ingenieros técnicos o superiores, con certificación Black Belt o Six Sigma y nivel alto de idiomas. Retribución entre 70.000 y 90.000 euros bruto/año para profesionales con entre siete y diez años de experiencia.
  • Más demandado: Técnico superior en automoción. Con grado en Formación Profesional. Retribución entre 25.000 y 35.000 euros bruto/año.

Banca y Seguros

  • Cualificado más buscado: Analista en banca privada. Formación en ADE, Economía o similar, con certificaciones EFDA (European Financial Advisor) y/o CFA (Chartered Financial Analyst) e idiomas. Retribución entre 34.000 y 44.000 euros bruto/año más entre el 20% y el 30% de variable por objetivos.
  • Cualificado más cotizado: Director de banca de inversión. Para acceder a la posición más alta de estas organizaciones, es necesario disponer de entre seis y diez años de experiencia en el sector y la asesoría a clientes. Grado en ADE, Economía o similar con MBA, certificados EFDA y CFA, inglés muy alto y otros idiomas. Retribución entre 165.000 y 190.000 euros bruto/año, complementado con bonus de entre 140% y 200% en función de objetivos.
  • Más demandado: Gestor comercial. Formación en Derecho, ADE, Economía o similar. Retribución entre 18.000 y 21.000 euros bruto/año más variable en función de objetivos.

Retail-Distribución

  • Cualificado más buscado: Flagship Manager. Titulado universitario en grado superior con conocimiento en gestión de empresa y contabilidad. Inglés y otros idiomas, como chino, ruso o francés. Retribución entre 35.000 y 45.000 euros bruto/año.
  • Cualificado más cotizado: Director de Expansión Internacional. Universitario, preferiblemente en ADE o Economía, más inglés y otros idiomas. Su retribución parte de los 60.000 euros bruto/año, pudiendo llegar a los 100.000 euros con el variable.
  • Más demandado: Dependiente especializado. En función del grado de especialización, la formación puede ser obligatoria o universitaria pero, cada vez más, se exige dominio de un segundo idioma extranjero. Retribución entre 13.000 y 16.000 euros bruto/año.

TELCO

  • Cualificado más buscado: Especialista en Cloud. Formación en Ingeniería, Informática o Telecomunicaciones y conocimiento de varios idiomas, se valoran certificaciones y cursos específícos. Retribución a partir de 40.000 euros bruto/año.
  • Cualificado más cotizado: Especialista en protección de datos ante ataques informáticos y detectar vulnerabilidades en los sistemas. Formación en Ingeniería Informática, Telecomunicaciones o similar, con nivel alto de inglés, valorables otros idiomas y certificaciones. Retribución entre 60.000 y 90.000 euros bruto/año.

Comercial

  • Cualificado más buscado: Key Account Manager (KAM). Responsable de las cuentas que generan más del 70% de la facturación de la empresa. Licenciados en ADE, con estudios técnicos relacionados con el sector en el que se trabaje, muy valorable máster en Marketing o similar, e inglés. Se empiezan a valorar altas competencias digitales. Retribución entre 45.000 y 60.000 euros bruto/año más variable.
  • Cualificado más cotizado: Export Area Manager. Formación en Comercio Internacional, ADE, Economía, etc., y para sectores técnicos, formación específica. Altísimas competencias en inglés y un segundo idioma. Retribución entre 45.000 y 65.000 euros bruto/año más variable de entre el 15% y 20%.

Marketing

  • Cualificado más buscado: Digital Marketing Manager. Formación universitaria en Marketing, Publicidad, Comunicación o ADE , Economía, etc. Con máster en Marketing Digital y conocimiento de herramientas de análisis y de automatización de marketing e inglés. Retribución entre 40.000 y 70.000 euros bruto/año más variable por objetivos.
  • Cualificado más cotizado: Marketing Automation Specialist. Experto en plataformas de automatización para comunicación y venta. Formación en Marketing, Publicidad o Comunicación, pero también en Telecomunicaciones, Informática, Estadística o Matemáticas. Se valora máster y posgrados en analítica de datos o eCommerce. Retribución entre 35.000 y 45.000 euros bruto/año más variable.

Financiero

  • Cualificado más buscado: Analista de Control de Gestión. Con habilidades en análisis predictivo y capacidad colaborativa con departamentos para la definición del plan de negocio. Universitarios ADE, Economía o similar, se valora máster MBA o en Finanzas, inglés alto. Retribución entre 35.000 y 45.000 euros bruto/año más variable en función de resultados.
  • El más cotizado: Chief Financial Officer (CFO). Máximo responsable de la gestión financiera de la organización. Grado en ADE, Economía o similar y postgrado en Finanzas, MBA, etc. Inglés muy alto. Retribución entre 120.000 y 180.000 euros bruto/año, complementado con paquete retributivo para ejecutivos.

Corporate

  • Cualificado más buscado: Office Manager /Executive Assistant. La secretaría de dirección ha evolucionado hacia perfiles más estratégicos con gran conocimiento de negocio. Formación en ADE, Asistente de Dirección y Gestión de Relaciones Públicas, estudios en Relaciones Públicas y Protocolo o afín. Inglés y francés muy fluidos, siendo muy valorable otro idioma extranjero. Retribución entre 35.000 y 45.000 euros bruto/año más variable.
  • Cualificado más cotizado: Director de Recursos Humanos. Licenciados en Psicología, Derecho o diplomados en Relaciones Laborales o afines, siendo muy importante el postgrado en Recursos Humanos. Retribución muy variable, según el tamaño de la organización: entre 80.000 y 100.000 euros bruto/año más variable en función de objetivos.
  • Cualificado más buscado: Abogado Fiscalista senior. Grado en Derecho o doble grado en ADE y Derecho, más master en Fiscalidad y Tributación, e inglés muy alto. Retribución entre 30.000 y 40.000 euros bruto/año, que puede incluir variable en función de resultados y de la aportación de clientes.
  • Cualificado más cotizado: Socio con cartera de clientes. Con experiencia de 10 a 15 años en despacho profesional. Licenciado en Derecho con inglés alto. La retribución puede oscilar entre 75.000 y 300.000 euros bruto/año, siempre más variable.

Energéticas

  • Más demandados: Perfiles digitales para proyectos de transformación. Profesionales que lideren la digitalización de las empresas energéticas. Formación en FP grado superior o en Ingeniería, siempre con dominio de inglés. Retribución de 35.000 a 40.000 euros bruto/año.

Hostelería

  • Más demandados: Camarero de banquetes. Grado medio en Restauración e incluso formación superior, inglés y alemán para trabajar en zonas turísticas. Retribución 20.000 euros bruto/año, algo superior en Madrid, Cataluña, Málaga y Palma de Mallorca.

Alimentación

  • Más demandado: Técnico de Calidad. Con competencias en calidad, seguridad alimentaria, beneficio o propiedades de nuevos ingredientes, etc. Formación en Ciencias de la Salud y muy valorable máster relacionado con alimentación. Retribución entre 30.000 y 36.000 euros bruto/año.

Aeropuertos  

  • Más demandado: Administrativo de facturación. Estudios medios o superiores, preferiblemente en Turismo, con formación inicial en check-in y ofimática, también es deseable el manejo de sistemas de reservas tipo Amadeus o Galileo. Imprescindible curso AVSEC de seguridad aeroportuaria e inglés, y muy valorable un segundo idioma extranjero. Retribución: 16.500 euros bruto/año.

Contact Center

  • Con más demanda: Teleoperador cross-selling. La formación va en función del sector en el que va a trabajar, pero siempre con buena actitud comercial. Retribución: 13.950 euros bruto/año; son muy habituales los pluses de idiomas, festividad, nocturnidad, etc.

Audiovisual

  • Con más demanda: Ayudante de producción. Con formación en estudios secundarios de FP superior de Producción de Audiovisuales y Espectáculos o Ciclo Formativo de Grado Superior en la misma disciplina. También licenciados en Comunicación Audiovisual y máster en Producción Audiovisual. El dominio de inglés es también muy importante. Retribución entre 1.800 y 2.400 euros bruto/mes para producciones de televisión; 750 euros semanales en cine; unos 150 euros/jornada en publicidad; y de 100 a 120 euros/bolo para producciones de teatro.