Nos parece un articulo muy interesante en el cual Gómez comenta: “Los técnicos deportivos buscan las mejores estrategias para vencer a sus adversarios y tienen en las matemáticas una excelente herramienta.”. Efectivamente las matemáticas permiten analizar y dar sentido a grandes cantidades de información y son por lo tanto un apoyo idóneo para el deporte de élite.

Nuestra opinión se basa en casos de éxitos de desarrollo e implantación de herramientas matemáticas para facilitar la toma de decisión en clubes de fútbol profesionales. MathLan Matematika aplicó las matemáticas para facilitar la toma de decisión en dos problemáticas a las cuales hacia frente la Real Sociedad.

1/ Problemática de distribución económica y clubes concertados.

Repartir de forma justa los presupuestos, que la Real Sociedad junto con la DFG, tienen asignados para los clubes convenidos del entorno era un gran problema ya que dicha repartición se basa en multitud de factores:

• Factores técnicos del club (categorías, equipos, calidad de los jugadores, etc.)
• Factores sociales (número de jugadores, impacto del equipo, etc.)
• Factores económicos (presupuesto, subvenciones, etc.)

Los diferentes factores, desglosados por decenas de variables, aportan una mirada sólida y objetiva del valor y situación del club convenido, pudiendo entonces ser clasificado de cara a recibir una mayor o menor asignación económica anual.

Las ventajas más importantes de la herramienta desarrollada por MathLan son:

• Lograr una repartición justa y así evitar conflictos entre clubes
• El método permite demostrar ante un consejo de administración o un juzgado el
  porqué de las decisiones y repartos realizados, basándose en técnicas matemáticas
  demostrables que operan detrás de la decisión.

2/ Prestaciones y retribuciones de futbolista de cantera.

El objetivo principal de esta solución matemática es la valoración y clasificación de futbolistas profesionales de cantera con el objetivo de:

• Definir los rangos salariales.
• Facilitar la toma de decisiones en procesos de compra/venta.
• Identificar de situaciones de riesgo financiero.
• Realizar el seguimiento y el análisis de la evolución de jugadores de cantera.

La herramienta clasifica a los jugadores a partir de: factores objetivos (edad, altura, pie bueno, etc.), factores técnicos (número de partidos, goles marcados, minutos en primera), factores médicos (número de lesiones, características de las lesiones, etc), factores subjetivos (liderazgo, trabajo en grupo impacto en la afición o en medios, etc). De igual modo, los algoritmos consideran la posición en el campo del deportista y permite al cuadro técnico definir los pesos que tendrán los factores estratégicos del club (no todos los técnicos valoran de la misma manera los mismos factores técnicos).

A partir de esta escala de clasificación, la herramienta permite generar rangos económicos ideales para mantener una estructura financiera estable, reduciendo el riesgo de las decisiones tomadas de forma rápida o puntual por los directivos.  Otra de las herramientas que desarolladas es un comparador de futbolistas para la toma de decisiones de compra/venta, y un sistema de valoración del coste del equipo según los posibles nuevos jugadores incorporados y su posición en el campo.

3/ Creatividad en el campo, racionalización en los despachos

En ambos casos, de aplicación las soluciones aportadas permite ofrecer información a ejecutivos y miembros de la dirección técnica deportiva con el fin de facilitarles la toma de decisiones.

En una época en la cual la racionalización económica es, y se convertirá cada día más, en el eje central de la gestión de un club profesional, lograr el objetivo deportivo se convierte en una tarea muy complicada en la cual la aportación de las matemáticas puede ser un punto clave de éxito.

Damos fé de ello, el mundo del fútbol ya sabe de Matemáticas.

El hecho de aparecer en un medio tradicional de audiencia masiva, no lo vamos a esconder, estimula nuestra autoestima, pero la lectura aún más positiva que damos a este artículo es el hecho de que la ciencia se esta democratizando. Este hecho era/es la visión de MathLan : aportar los beneficios de las matemáticas avanzadas a pymes y administraciones.  

Las matemáticas se aplican en la vida cotidiana, cuando hace unos años, su campo de aplicación se limitaba a las universidades e industrias punteras (aeronáutica, defensa, automóvil, etc.).

Por ejemplo ¿Qué tienen en común los siguientes sistemas?

• El sistema de recomendación de una tienda de venta de libros online
• El sistema de recomendación de canciones de una plataforma de venta de música
• El sistema de recomendación de amigos de una red social
• La cámara que lee su matrícula al entrar en un parking
• El mantenimiento de la líneas de alta tensión
• Los planning de turnos laborales de empresas de transporte
• El planning de estudiantes de la universidad de Deusto
• Un asistente virtual disponible en el más famoso de los Smartphone?

Rodean nuestras vidas y todos funcionan gracias a las matemáticas. La inteligencia artificial, la minería de datos, el análisis de patrones son términos que suenan cada día más a los oídos de las pymes y del gran público en general. Nuestro mundo genera y almacena cada día más datos.  Son necesarias técnicas para poder analizarlos y darles sentido.

Si se preguntó o sigue preguntándose ¿para qué sirven las matemáticas? no tiene más que abrir los ojos para contemplar algunas de sus aplicaciones.

Uno de los conceptos de la inteligencia artificial es aprender de los errores cometidos. Aprovechamos esta entrada en nuestro blog para poner en práctica este concepto y rectificar tres pequeños errores que se han filtrada en artículo publicado en El Mundo:

• Sergio López no se licencio en la Universidad de Deusto, ni es ingeniero.
• Sergio López no fundó MathLan, fue iniciativa de varios empresarios Guipuzcoanos.
• Enrique ZuaZua no financió MathLan. Es un modelo y una referencia científica para todo el equipo de MathLan Matematika. Fue el que inspiró a los fundadores de MathLan para que emprendieran en el ámbito de la ingeniera matemática.

 Si tenéis cualquier duda sobre la aplicación de las matemáticas en su organización o sobre los beneficios que pueden aportar a sus problemáticas diarias, no dudeis en consultarnos

¿Qué es Google BigQuery service?

El título del post de Ju-Kay Kwek resume en dos conceptos lo que es Google BigQuery service : análisis de gran cantidad de datos a la “velocidad Google”.

“Big data analytics at Google speed”

¿Porqué Google lanza BigQuery service?

Las empresas disponen cada día de más datos, sobre sus clientes, sus procesos, su control de calidad, su competencia, su notoriedad, su presencia en redes sociales, su analítica web etc…. La interpretación de estos datos puede ser fuente de :

• reducción de costes
• mejora de procesos,
• optimización financiera,
• aumento de ventas,
• etc….

Son resultados muy apetecibles para cualquier empresa y aún más en tiempos de crisis. La única problemática es que dar sentidos a grandes volúmenes de información no es (¿estaba?) al alcance de cualquier empresa. Es en este aspecto que volvemos a encontrar el modelo económico de Google:

“Today we’re releasing some big improvements, and putting one of Google’s most powerful data analysis systems into the hands of more companies of all sizes.”

1. Muchas entidades tienen una misma necesidad,
2. Es un necesidad existente a escala mundial,
3. No existe casi respuesta a esta necesidad,
4. Se trata de analizar datos,
5. Y de disponer de capacidad de proceso.

¿Quién mejor que Google para dar una solución en este mercado?

¿Cuánto cuesta Google BigQuery servicies?

De momento Google BigQuery sevice es gratuito y Google no comenta nada sobre una posible oferta de pago. “Wait and see…” un modelo económico tiene que haber.

Prueba de Google BigQuery service

Según la documentación que hemos podido leer hasta ahora Google BigQuery service es una herramienta con un potencial de proceso extraordinario basado en cloud computing (velocidad, flexibilidad etc…).

Donde nos sorprende un poco es el hecho que se presenta Google BigQuery service con el termino de análisis de datos.

En MathLan somos especialistas en análisis de datos, desarrollamos algoritmos muy complejos de clasificación y predicción que se basan en análisis semántica y minería de datos. Son operaciones muy complejas para lograr analizar grandes volúmenes de datos. Lejos de nosotros la idea de comparamos o dar la lección a Google, juegan en otra división que la nuestra y son LA referencia en algoritmos de tratamiento y análisis de datos.

Nuestras dudas se centran en la sencillez del uso de un ” Select ” en una base de datos (aunque incluya  Join) para realizar la denominada análisis de datos.  Un “select“  es un simple filtro que permite clasificaciones sencillas. No permite combinar datos y factores entre ellos para obtener nuevas informaciones y a su vez combinarlas entre ellas.

Sólo nos queda una solución para salir de duda: probar. Cuando lo hayamos hecho publicaremos un realease. Tal vez nos faltará publicar un tercero artículo sobre el tema de siempre: ¿una empresa puede compartir todos sus datos a Google?

Hasta entonces y be carefull BigQuery is watching you! ;O)

Enlaces de interés:

• Google BigQuery Service
• Google’s BigQuery service challenges analytics industry
• Google BigQuery Service: Big data analytics at Google speed

Crear un calendario de trabajo o planificar turnos laborales pueden parecer tareas muy sencillas, en realidad son problemáticas muy complejas y costosas para cualquier empresa o administración.

Euskotren es el operador de transporte de personas líder en Euskadi. Transportó más de 30 millones de usuarios en 2010 a lo largo de sus 181 km de línea ferroviaria repartidas en 8 líneas, dotadas de 79 estaciones. La plantilla de Euskotren  varía entre 900 y 1100 personas.

Misión

La complejidad de la planificación laboral es directamente vinculada con la cantidad de variable y reglas aplicadas.
En el caso de la planificación de turnos laborales de Euskotren se tenía que tomar en consideración:

• La Plantilla disponible a lo largo del año,
• El calendario festivo,
• Los activos disponibles (trenes, líneas etc…),
• Los servicios que se tienen que prestar,
• Los convenios laborales,
• Las normas y leyes relativas al transporte ferroviario.

La misión de Mathlan Matematika fue la de idear, desarrollar y poner en funcionamiento una solución viable que permitiera la creación de calendarios de turnos laborales. La solución entregada debía de ser ágil, operativa, equitativa en la repartición de los turnos y ser fuente de ahorro.

Resultado

Descubre como hemos solventado estas problemáticas de planificación de turnos laborales:

Sergio López, CEO de MathLan Matematika, intervendrá con una ponencia sobre “Investigación operativa y inteligencia artificial aplicada a la industria automóvil”.

Entre los ponentes anunciados se encuentran varios de los matemáticos más prestigiosos de Europa así como entidades de referencia del sector automovilísitco.  La entrada será libre, solo hace falta rellenar este formulario de inscripción.

Euro Metal Recycling es una empresa referente en el sector de la economía verde. Desde 1993 su actividad se centra en colectar de forma no discriminada metales usados, clasificarlos y luego con un proceso mecánico condicionarlos en granalla para su reincorporación en el mercado.

Problemática y solución

Una de las problemáticas se sitúa en la etapa de clasificación del reciclaje de los cables de cobre: ciertos cables de cobre están blindados con capas de plomo a su vez protegidos (y escondidos) debajo de una capa de plástico. Para poder realizar la clasificación los cables transitan por un túnel de rayos X. Las imágenes captadas por el dispositivo de rayos X son analizadas en tiempo real por un algoritmo de visión artificial de MathLan Matematika que permite detectar la presencia de elementos de plomo.

Resultado

La tarea de clasificación se realiza en tiempos óptimos detectando de forma adecuada el plomo y el cobre, se evita así una posible contaminación medioambiental y se maximiza el valor del cobre reciclado.

Estudio de caso formato pdf

Exalytics es el fruto de esta estrategia de adquisición. Según Lary Ellison, presidente ejecutivo de Oracle, la combinación perfecta entre el software y el hardware hace que se realicen análisis de datos “a la velocidad del pensamiento”. Añadió que el hecho de que las cargas de trabajo se estén tratando en computación paralela, es también uno de los factores que permiten lograr este nivel de velocidad.

Cada vez que un gigante del sector  (IBM, SAP, Oracle) lanza un nuevo producto de análisis de datos es una noticia muy positiva para MathLan Matematika. Somos especialistas en análisis de datos con una experiencia consolidada, no obstante nuestro estatus de Pyme, a veces, nos quita eficiencia a la hora de comunicar sobre la importancia y los beneficios que aporta el análisis de datos. Cuando el papel de “evangelizador” lo asume uno de los gigantes mundiales del análisis de datos es un argumento más para nosotros.

Si quiere más información sobre como MathLan Matematika puede aportar valor analizando los datos de su empresa o de su administración no dude en contactar con nosotros.

“Somos una de las pocas empresas de ingeniería matemática de Europa”

¿Cuál es la actividad de MathLan?

MathLan es una de las pocas empresas de ingeniería matemática de Europa, y centra su negocio en la optimización de recursos, servicios y productos mediante matemática aplicada, inteligencia artificial y estadística. Desde MathLan se desarrollan herramientas y algoritmos que permiten optimizar:

• la distribución de personas,
• recursos económicos,
• el uso de maquinaria,
• el consumo de energia etcétera …

Resumiendo es el uso de técnicas matemáticas avanzadas para solventar problemáticas que surgen diariamente en una empresa o una administración.

Otra de las áreas de actividad es la inteligencia artificial y su aplicación en visión artificial para la detección de personas, vehículos, etc. y en minería de datos para la extracción de información sobre grandes volúmenes de datos y la predicción del comportamiento.

Realizamos tambien estudios estadísticos profesionalizados para centros de investigación, hospitales, ayuntamientos y otras instituciones que precisan de un conocimiento estadístico extra y de un análisis de los resultados contrastables y gráficamente atractivos.

¿Cuáles son los principales retos futuros para MathLan Matematika?

A día de hoy, nuestro mayor reto es poner en conocimiento de empresas e instituciones la existencia de la tecnología que MathLan ofrece y de sus ventajas frente a las soluciones informáticas convencionales. La mayoría de los proyectos que desarrollamos forman parte de los sistemas de decisión de proyectos mayores, de modo que no son tan vistosos ni conocidos para la mayoría de las empresas y eso es lo que pretendemos cambiar a corto.

¿Cómo vislumbra el futuro de sector de la ingeniería matemática?

Es un sector nuevo y en auge. En los últimos años han ido apareciendo nuevas empresas de ingeniería matemática e inteligencia artificial orientadas a mercados más cerrados como la banca y los seguros, pero supongo que serán las grandes multinacionales las que introducirán estos servicios de forma más visible en las empresas vascas. IBM, Siemens, Microsoft, etc., ya ofrecen soluciones a grandes cuentas utilizando la misma tecnología, con lo que es cuestión de tiempo.

Puede consultar la  integralidad la en la página de Eukadi+innova.
Para cualquier pregunta no dude en contactar con nosotros.

Las redes neuronales

La redes neuronales son ampliamente utilizadas en tareas relacionadas con el reconocimiento de patrones y sistemas de clasificación. Aunque son clasificadores muy precisos, su uso en minería de datos es aún área en estudio puesto que dan lugar a modelos de aprendizaje inestables.

Las redes neuronales son modelos matemáticos simples de interconexión entre neuronas artificiales. Las neuronas representan mediante simulación, los procesos que se dan sobre las neuronas del cerebro humano. Así, es entrenada a partir de un conjunto inicial de entrenamiento donde se generalizan patrones de predicción y clasificación. Cada neurona de la red procesa de forma independiente los datos que le llegan y reporta los resultados obtenidos del proceso interno a la siguiente capa de la red.

Aplicaciones de la redes neuronales

• Reconocimiento de texto y voz
• Clasificadores léxicos y de contenidos
• Identificación de parámetros biométricos
• Estimación de probabilidades en estudios médicos y farmacéuticos

Más información sobre las redes neuronales

Para más información sobre redes neuronales y sus aplicaciones no dude en contactarnos o en comentar este artículo.

MathLan Team.

La visión inicial de los accionistas fundadores de MathLan Matematika era de acercar el conocimiento universitario en matemática avanzada a las empresas. Esta visión se basaba en un diagnóstico sencillo: existen técnicas matemáticas avanzadas en el mundo universitario que pueden ser vector de optimización de competitividad al aplicarlas en el mundo empresarial o en el seno de las administraciones.

Durante los periodos de bonanza económica la optimización de recursos y  competitividad no ha sido una prioridad. Al contrario, desde el inicio de la crisis las empresas tienen una necesidad vital de mejorar su competitividad, y las administraciones tienen que optimizar su eficiencia.

En la situación actual la tecnología de MathLan goza de una gran aceptación:

• Permite optimizar los recursos y maximizar la competitividad
• Es una tecnología madura, probada, estable y laureada por varios
  casos de éxito con grandes entidades públicas y privadas
• No necesita inversión

Mathlan Matematika ha elegido este momento para dar un impulso en desarrollo de negocio dotándose de una infraestructura comercial y marketing. La nueva página web es uno de los elementos visibles de esta iniciativa. MathLan Matematika tendrá también un papel muy activo en redes sociales con el objetivo de divulgar y “democratizar” los conocimientos matemáticos que manejamos a diario así como los beneficios que pueden aportar.

La visión inicial de los socios fundadores de “acercar un conocimiento vector de competitividad a empresas y administraciones”, se convierte en una necesidad diaria para todas las empresas que quieren afrontar el futuro.

MathLan Team