Live Webinar
Bajo demanda • Duración: 30 minutos
La información no estructurada representa la mayor fuente de datos generados por humanos. Crece todos los días a medida que publicamos en las redes sociales, interactuamos con chatbots y asistentes digitales, enviamos correos electrónicos, hacemos negocios online, generamos informes etc... Cada vez más, las organizaciones quieren saber cómo obtener todo el valor de ese tipo de datos. Para muchos, el texto no estructurado representa una gran fuente de datos sin explotar, con un gran potencial para producir información valiosa, que puede generar un valor comercial significativo o estimular la innovación.
En esta sesión, le mostraremos cómo mejorar el análisis de datos no estructurados de una manera simple y estratégica, a través del procesamiento natural del lenguaje (PNL). Le enseñaremos además, cómo escalar el acto humano de leer, organizar y extraer información útil y relevante de grandes volúmenes de datos textuales. También le mostraremos cómo detectar posibles problemas y oportunidades ocultos, combinando el procesamiento del lenguaje natural, el aprendizaje automático y las reglas del lenguaje, a través de una interfaz única y fácil de usar que permite a todos: científicos de datos, analistas de negocio, desarrolladores de negocio y ejecutivos, colaborar y conseguir resultados innovadores de manera más rápida y precisa.
¿Tiene un Perfil SAS? Para completar este formulario automáticamente: Ingresar
Cristina Pérez es licenciada en Matemáticas y máster en Ingeniería Matemática por la Universidad Complutense de Madrid. Ha desarrollado su carrera profesional los últimos 12 años en SAS trabajando en el departamento de Customer Advisory en la práctica analítica, en especial ayudando a los clientes a solucionar sus necesidades y aportando valor para su negocio con las soluciones de minería de datos, machine learning y text analytics.
Tras haber estudiado Ingeniería Industrial y una breve experiencia en una gran compañía de Oil & Gas redirigí mi vida laboral al mundo de la Analítica. Esto me abrió las puertas al Machine Learning e Inteligencia Artificial. Cuando me uní a SAS entré en el departamento de Preventa, donde soy capaz de trabajar tanto en el lado más técnico del Data Science, los modelos predictivos o el software como en el ámbito comercial y orientado a resultados y, de este modo, responder mejor a las necesidades y desafíos de los clientes.