 Gracias. Bueno, gracias a todos por estar aquí. Nosotros queríamos presentar un caso de uso, un caso de éxito en un cliente, intentando mostrar desde los inicios del proyecto, cómo lo hemos abordado con cliente, cuáles son los retos que nos hemos encontrado y cómo hemos ido resolviendo y avanzando en él mismo. Y bueno, antes de empezar con el caso de uso, si esto no avanza. Bueno, pues esto no va a funcionar. No pasa nada. Bueno, un poco el guión que seguiremos es éste. No me extenderé en presentación de quiénes somos nosotros. No, gracias. Nos hubiera gustado que hubiera estado con nosotros el cliente, en este caso Bipandrive, para hacer la presentación conjuntamente con ellos, pero bueno, finalmente por temas de agenda pues no ha sido posible. Después de hacer una breve presentación a Open3S, mostraremos una introducción al cliente, perdón, luego al proyecto y un poco cuál están siendo los objetivos, cómo hemos ido avanzando y el valor que ha portado estos avances en el proyecto hacia el cliente y cuáles son los siguientes pasos que planteamos realizar con ellos. Entonces, bueno, Open3S, nosotros ya vamos trabajando, tenemos 14 años actualmente, somos una empresa pequeña, que lo que buscamos es aportar innovación a nuestros clientes. Entonces nosotros llamamos con proyectos de gestión de datos, en aquel entonces pues quizá Big Data no eran los términos utilizados, pero inteligencia operacional, bueno, había varios nombres. Ya vamos haciendo proyectos desde hace unos 10 años y siempre lo que hemos buscado en Open3S es buscar aportar innovación. Siempre hemos tratado de identificar tecnologías que dan punteras en el sector y traerlas un poco al territorio para ayudar a nuestros clientes. En este caso concreto que nos ocupa, pues bueno, principalmente trabajamos con datos y buscamos aportar el máximo valor posible con estos datos. Vale, en todo este tiempo hemos trabajado con más de 200 clientes en proyectos de este tipo y bueno, antes de pasar al caso de éxito que tenemos en la presentación de hoy, expondré tres tipologías diferentes de casos un poco de distintas aplicaciones que hemos ido realizando durante estos años. Bueno, como comentaba, son muchos años, entonces aplicaciones de todo tipo, desde monitorización, por ejemplo, avanzada con el punto de observabilidad que está tan de moda, monitorizaciones más enfocadas a negocio, que la de hoy es una monitorización técnica, pero donde se está buscando una orientación a negocio, con el mismo dato, pues ya sabemos que puede aportar mucho valor a negocio, entornos industriales, seguridad, operaciones de IT, etcétera. A nivel de casos de usos, quería presentar tres antes de pasar. El primero de ellos es el sector bancario, empresa grande, donde está en un proceso de transformación digital actualmente y el caso de uso inicial con este cliente era que tenían problemas de visibilidad en lo que sucedían las aplicaciones móviles que ellos desarrollaban. Hoy en día sabemos que cada vez más toda la operación va mediante aplicaciones y ellos estaban ciegos en esa parte. Una buena experiencia es crítica y una buena operación, funcionamiento de las aplicaciones, también. En caso de que una aplicación TG funcionar tiene bastantes disidencias. En este caso, más de cuatro llamadas y más suponía una crisis para este cliente. En este cliente está actualmente más o menos metiendo varias decenas de millones de eventos por día y hacen analítica de todo tipo y también están avanzando evolucionando los casos de uso que están aplicando para tratar de anticipar o detectar errores de manera temprana. Y aquí aplica muy claramente el punto de observabilidad con monitorizaciones tradicionales clásicas. No se puede abordar el identificar un problema concreto determinado que está aplicando a lo mejor a unos dispositivos con una versión concreta de sistema operativo, con una versión de aplicación específica, una plataforma concreta y con un modelo que tenga o no tenga, por ejemplo, lector de huellas pues son casuísticas propiedades que en algunas ocasiones hacen que una aplicación funcione bien o mal y necesitan poder ser ágiles identificando esto. En este caso, en este cliente, el caso de uso se expandió, se extendió, el cliente vio que este tipo de plataformas pueden aportar mucho valor y ellos incrementaron un poco el uso que le estaban dando y empezaron a meter información de IBM-4 inicialmente para la tema de comprensión del lenguaje natural para valorar y poder medir la eficiencia de estos sistemas y poderlos mejorar con ello y después también todo el tema de los bots que están de moda, que cada vez más en lugar de interactuar con personas, interactuamos inicialmente con robots que intentan darnos ayuda sobre algún problema que podamos tener. Con estos bots también gestionaron campañas de marketing, por tanto también rápidamente se han ido a visibilidad de negocio y valorar la eficiencia que tienen estas campañas. Mundo industrial, este es un cliente de aéreo generadores, tiene parques de molinos, de aéreo generadores y las soluciones en el sector industrial más tradicional, típicamente, son bastante caras. Entonces, en este caso es un cliente que está creciendo, que actualmente creo que tiene tres o cuatro parques eólicos en Sudamérica y necesitaban tener visibilidad de todos los sensores, visibilidad de todos los sensores que tienen los distintos molinos, de potencia generada, velocidad, toda la infinidad de sensores que tienen estos molinos, necesitaban recogerla, calcular potencias de producción de energía, ver qué molinos estaban funcionando de manera eficiente, etcétera, y todo esto es lo que hemos trabajado con ellos en este caso de uso. Actualmente se está evolucionando hacia modelos predictivos, pero antes de ir hacia modelos predictivos siempre intentamos con los clientes aplicar todo aquel conocimiento sobre el negocio que ellos tienen a la plataforma que están utilizando, que se despliega para este tipo de situaciones. Y por último, sector telco. En este caso es una telco que ofrece servicios como todas las telcos que conocemos de las grandes, y en este caso están recogiendo tanto datos de negocio, de facturación de clientes, hábitos de consumo, paquetes contratados, etcétera, pero también de todos los componentes técnicos que tienen, como torres de telefonía, datos de 2G, 3G, 4G, cómo se mueven los distintos usuarios de la red, temas de roaming, por ejemplo, también que puedan estar teniendo ellos, y en este caso la aplicación que le están dando es pura de negocio, y lo que están algunas de los casos de uso que estamos aplicando con ellos, pongo dos ejemplos, clasificar a los usuarios para tratar de identificar cuáles en los próximos, por ejemplo, seis meses, tres meses, hay una alta probabilidad de que se va a nadar de baja, y entonces actuar en consecuencia para tratar de captar su atención, tratar de fidelizarlos mediante campañas, promociones, regalos, bueno, dependerá de cada caso, depende del cliente. Y otra situación puede ser también otro caso de uso que está trabajando es tratar de ver qué clientes son potenciales de consumir algunos paquetes que igual no tengan contratados. A nivel, por ejemplo, de televisión, puede ser un ejemplo bastante claro. Entonces, los tres casos que quería introducir antes de pasar al grueso principal son estos, os dejo con mi compañera Nerea. Gracias, Iván. Bueno, hola a todos. Gracias por estar aquí en primer lugar. Como cliente no puede estar aquí, voy a ser yo la que os haga una pequeña introducción de Bipandrive, porque no sé si lo conocéis. Bipandrive comenzó siendo una compañía líder en el sector del telepeaje y ahora se está convirtiendo en una plataforma de movilidad. Está participada por las principales empresas concesionarias de autopistas de España y también por una de las mayores entidades bancarias. En este año 2019, a día de hoy en noviembre, cuenta ya con más de un millón de clientes y son el primer emisor de Viate. Viate es el dispositivo de pago en telepeajes o en parkings. Son el primer emisor con una cuota de mercado de un 30, un 32%. Tienen una fuerte implicación en temas de sostenibilidad y esto lo pueden conseguir gracias a la reducción de misiones por el uso de Viate. En primer lugar, también por los casi 4.000 puntos de recarga de coches eléctricos que tienen y en tercer lugar porque permiten el pago en gasineras en estaciones de provisión de gas. Entonces, ¿cómo es el negocio de Bipandrive? Es una empresa que está totalmente digitalizada puesto que la manera de operar de sus usuarios con ellos es mediante aplicación móvil. Es una aplicación que te puedes descargar y tiene distintas opciones para el usuario. Pago automatizado en parkings, pago de estacionamiento que tienen en Madrid y Barcelona. Tienen también la parte de telepeaje y luego tienen parte de lavado ITV y demás. Ahí se puede hacer reserva y también pago. Están constantemente ampliando su negocio entonces los servicios cada vez son más amplios. Ya entrando con el proyecto que queremos presentaros hoy, con el caso de uso queríamos empezar con una pequeña introducción para entender por qué del origen de este proyecto. Este proyecto surge porque en este cliente el estado previo de la monitorización era súper básica. Era una monitorización de infraestructura que hacían sus proveedores de infraestructura, valga la redundancia y era muy básica y era heterogénea. Cada proveedor hacía su pequeña monitorización. Este cliente nos contactó porque tenía una necesidad inicial de ampliar un poco esa monitorización siguiendo basándola en la parte de infraestructura. ¿Cuál fue nuestra propuesta? Bueno, sí está muy bien y es muy necesario tener maduras aparte de monitorización de infraestructura pero lo que realmente te va a aportar valor es elevar ese discurso de monitorización o esos indicadores de monitorización al negocio y al servicio. Entonces le hicimos esta propuesta ejecutamos con ellos una prueba de concepto y finalmente optaron por implementar el proyecto. ¿Cómo es el proyecto? Partíamos de una base de una cantidad ingente de datos que de persé no tienen valor que no aportan absolutamente nada. Entonces esos datos pasan por la plataforma de recolección y procesamiento en la cual son tratados y al final lo que buscamos con este proyecto es obtener una serie de indicadores orientados a servicio y a negocio y ofrecerles una visibilidad que previamente no tenían. Y además de esto proveerles también de una serie de monitorización avanzada y alertado puesto que en ningún sitio va a haber una persona mirando constantemente una serie de indicadores entonces también se implementó esa parte de alertado. El enfoque del proyecto ¿Cómo ha sido? Bueno pues en cuanto alcance contamos con más de 30 millones de eventos que como comentábamos no tienen ningún valor sino que están estructurados de muchas tipologías distintas Entonces esos eventos al final pasan por la churrera que diríamos que es la plataforma que nos permite hacer pues esa recolección masiva de datos en real time aplicar esas lógicas complejas ese procesamiento y el objetivo final era tener los indicadores clave para el negocio, es decir no inundarles con cientos de indicadores que no aportan nada que indicadores eran clave para su negocio y bueno al final esto lo ilustra muy bien y es como pasamos de tener un mar de eventos a como pasamos de tener esos indicadores En cuanto al enfoque hemos seguido varios varios objetivos en primer lugar pues convertir los datos en valor puesto que sin esta primera capa no puedes hacer absolutamente nada en segundo lugar y lo cual es importante aportar esta orientación a monitorización de negocio pues poder hacer una correlación del IT con el negocio porque está muy bien saber que a ti te ha fallado el servidor X pero probablemente a un perfil ejecutivo no le diga absolutamente nada él necesita saber que sus ventas han decaído o su o su servicio de pago se está degradando por ejemplo Otro punto importante en este cliente era darles visibilidad sobre la transformación digital por dos cosas principales una que como he dicho al principio Vipandrive es un cliente totalmente digitalizado que opera con aplicación móvil por lo tanto necesitaban una monitorización y visibilidad de esa parte y en segundo lugar porque desde que empezamos a trabajar con ellos se ha empezado a hacer una transformación a alta disponibilidad en el cliente entonces hacer transformación está muy bien pero tú quieres saber que implicaciones ha tenido esa transformación en esta plataforma de monitorización hemos sido capaces de saber cómo estaban todos los sistemas antes de esa migración alta disponibilidad y cómo están después con el objetivo de por ejemplo ver si los tiempos de respuesta en la aplicación móvil han mejorado al pasar a alta disponibilidad Bueno con todo esto lo que perseguimos es ofrecer a cliente una monitorización en 360 y que al final lo que permite es lo que hemos comentado y poder darles esa visión que previamente no tenían que es más orientada a servicio y a negocio Pasando un poco más a lo técnico queríamos comentaros con qué tipo de datos estamos trabajando y qué procesamientos estamos haciendo sobre ellos va a ser una pincelada rápida pero sí que nos pareció importante comentarlo en cuanto a tipos de datos con los que estamos trabajando estamos recolectando logs de todos los aplicativos de Vipandrive que es una negocio también estamos cogiendo datos de procesos y datos del rendimiento de la infraestructura como podría ser CPU, memoria, disco, etc en cuanto a métodos de recolección para que los datos puedan estar en real time en la plataforma tenemos por una parte recolección mediante scripts casi todos los datos de infraestructura vienen por esa vía luego tenemos también recolección mediante API de ciertos servicios de Vipandrive consultando APIs que tienen ellos publicadas y luego en tercer lugar agentes, hemos instalado en las máquinas de Vipandrive unos agentes que nos permiten la recolección en real time de esos logs de aplicación y en cuanto a tratamiento bueno la plataforma de manera autónoma es capaz por ejemplo obteniendo datos de extraer de manera automática un Qibailu si viene con un campo igual a valor por otro lado nosotros estamos haciendo la labor de extracción de campos que son valiosos y útiles para clientes mediante expresiones regulares y además hacemos un enriquecimiento puesto que por ejemplo en los eventos de Vipandrive en esas trazas de log en muchos casos vienen códigos de error que por si no indican nada entonces necesitamos correlarlo con su descripción Vipandrive nos nos alimenta con una tabla estática de códigos de error con descripción nosotros enriquecemos esos eventos con la descripción de los errores para poder hacer una mejor monitorización en cuanto a lógicas aplicadas tenemos bastantes pero quiero poner tres ejemplos que me parecen muy significativos de lo que estamos haciendo en primer lugar la identificación de errores complejos puesto que en cualquier cliente y en Vipandrive en sus logs de aplicación que haya un error no siempre implica que sea un error ahora os explicaré por qué y a lo mejor hay condiciones distintas que de por si no son error juntas sí que implican error por ejemplo ellos quieren detectar errores en sus sistemas si a ellos les llega un error porque tú como usuario has introducido tres veces mal tu código PIN y se te ha bloqueado el usuario ellos no quieren contabilizarlo como un error propio vale entonces lo que hacemos en ese caso es cuando encontramos una traza de error para un usuario X con un user ID X con un mensaje X que cumple un patrón lo que hacemos es aplicar lógicas para que se evaluen las trazas anteriores de ese mismo usuario de distintos sistemas entonces evaluando los mensajes que tienen podemos ser capaces de saber si tenemos que generar alerta o no, ante ese error en segundo lugar estamos monitorizando los tiempos en operativas los servicios de Vipandrive al final como cualquier cliente son flujos que pasan por distintos pasos entonces Vipandrive no solo quería saber el tiempo total por ejemplo de un proceso de venta o de pago de un estacionamiento regulado sino que necesitaba saber los pasos de cada flujo para ver donde había problemas y como era la experiencia del cliente entonces hemos conseguido hacer una monitorización de cada paso de cada flujo además de los tiempos totales y en tercer lugar de las cosas que más valor les ha aportado es poder monitorizar las transacciones de los usuarios porque al final un flujo de negocio para ellos pasa por distintos sistemas entonces necesitan saber no les vale con saber que un flujo ha ido mal sino que necesitan saber en que parte de todo el flujo ha estado ese error teniendo centralizados y en real time los datos en una sola plataforma somos capaces de evaluar en que parte del flujo está ocurriendo el error y poder actuar en consecuencia tiempos de ejecución aquí permitidme que os comente porque como veis la línea de temporal pero a noviembre el tiempo ha sido más largo puesto que no solo hemos estado en Open3S no solo estamos la gente de Big Data sino que tenemos también gente de sistemas de redes entonces este proyecto comenzó con una auditoría de sistemas de la cual salieron mejoras a implementar como lo de alta disponibilidad que os he comentado antes para nosotros en Big Data y en la parte de monitorización el crecimiento al principio fue más lento teníamos dependencia de otras acciones pero bueno de un tiempo a esta parte en la parte de monitorización avanzada que es la nuestra el crecimiento ha sido exponencial ha sido muy rápido y una vez que Bipandrive decide un servicio de negocio a implementar y lo diseña el tiempo para tener un mínimo producto viable por servicio es de aproximadamente una semana o sea que la plataforma es bastante ágil en ese sentido y ahora ya vamos a entrar a esto los objetivos del proyecto los queríamos contar simulando como opera Bipandrive con esta plataforma día de hoy la plataforma provee de distintas vistas en función del perfil hay perfiles ejecutivos, perfiles técnicos entonces bueno vamos a empezar desde la capa superior lo que sería un perfil un CEO que necesitas saber cómo están sus indicadores a alto nivel no necesitas saber dónde está el problema si ha sido una base de datos la que se ha caído si un servidor está dando un time out la vista de negocio de Bipandrive sería esta hemos borrado los números pero tendrían una visión de cómo es el estado actual de cada uno de esos indicadores y cómo ha sido la tendencia temporal de estos puesto que bueno si tú eres conocedor del negocio y tienes el contexto pues puedes saber si un indicador está bien o está mal pero si no pues la evolución temporal y los códigos de colores diciéndote si algo está bien o se sale de lo normal aporta muchísimo valor entonces por un lado tenemos la parte de ventas que es pues cuando tú vas a una gasolinera y efectúas haces una venta de carburante o sea haces una compra perdón de carburante tenemos QR generados que para ellos es importante porque la venta de gasolinera sin QR no se hace el pago en gasolinera se hace a través de un QR que emite la aplicación entonces es sumamente importante para ellos también tenemos la parte de usuarios activos y luego las altas que se están produciendo en sus sistemas y los estacionamientos ahora entonces como vemos en esta parte un perfil CEO podría ver que hay una degradación en sus usuarios activos ese perfil hablaría con su IT manager que es el que ya tendría la vista por servicio y le diría he visto que el número de usuarios activos no me cuadra por favor echarle un ojo ese perfil IT manager ya tendría esta vista que es la monitorización que hemos hecho en la que tiene los servicios de negocio en la parte superior como veis tiene la parte de gasolinera el canal de altas y el área privada de usuario lo hemos modelado de tal manera que tiene jerarquías y dependencias es decir si se produce en cualquier parte del flujo un error se propaga hacia arriba y se vea afectado el servicio superior y luego tiene la ponderación de impactos esto que implica, esto es área privada y en área privada hay distintos elementos pues por ejemplo el servicio de login o el servicio de notificaciones para vipandrive no es igual de crítico un fallo en el login puesto que no entras en la aplicación y no operas que tengas un error cuando entras en la vista de notificaciones entonces todo eso lo hemos ponderado con pesos para que en caso de haber un problema en login el servicio principal que se vea afectado tenga una criticidad mayor una indisponibilidad mayor para cada uno de los servicios hemos modelado una monitorización estándar por lo que decía antes de no volvernos locos añadiendo un montón de indicadores sin sentido hemos modelado una monitorización estándar que son errores y tiempos entonces tenemos los totalizados por servicio de negocio y los tenemos también para cada parte del flujo como estamos viendo aquí de esta manera podemos ver si hay alguna parte del flujo que tiene un tiempo de respuesta accesivo por ejemplo este perfil se fijaría en que privacidad está arrojando un error, puede ver el detalle está en crítico, tiene un error como podemos ver y entonces necesitaría analizar un poco más la propia plataforma ofrece también una vista de análisis que es esta que estamos viendo ahora mismo en la vista de análisis podemos ver la tendencia de ese indicador a lo largo del tiempo para analizar si es normal o no ese valor que está teniendo y no sólo eso sino que podemos también hacer una comparativa como veis para cada uno de los indicadores se ha desplegado una doble línea en la que tenemos el actual y la comparación en este caso es con el día anterior para ver si hay patrones que se repiten si hay errores que siempre ocurren en el mismo momento del día tras haber hecho este análisis la IT manager pues ya debería de derivarlo al equipo de técnicos, al proveedor que lleve ese servicio el equipo de técnicos dentro de esta misma plataforma podría hacer un análisis de cuál es el error que está ocurriendo tendría una vista en la que puede seleccionar para qué rango de tiempo quiera hacer el análisis y para qué servicio, que sería privacidad que era el que tenía el error como hemos visto y podría ver todas las trazas de error que han ocurrido aquí puede ver las trazas de error pero no puede contextualizar entonces en otra vista tiene la trazabilidad de los errores de la vista anterior habría cogido una idea, lo estamos viendo aquí lo introducen esta vista y ya lo que le ofrece esto es la trazabilidad de la operativa para ese usuario para ver cómo ha sido su comportamiento justo antes de que le dé error y poder hacer ese travel shooting de la incidencia como os comentaba, no sólo esta parte visual que está muy bien, que te ayuda el travel shooting que mejora tiempos operacionales y demás sino que también está la parte de alertado para que no tenga que haber un perfil chequeando constantemente un monitor o un dashboard entonces en cuanto a la parte de alertado lo que hemos hecho ha sido desarrollar alertas estandarizadas por servicio que se ejecutan cada cinco minutos y lo que hacen es chequear todos los pasos de un flujo de manera que si en algún paso de un flujo encuentra algún error lanza una alerta para ese servicio indicando cuál ha sido el error la alerta en este caso se está mandando por correo electrónico los destinatarios los perfilamos nosotros de acuerdo a quién debe llegar ese correo y comentar que no sólo se están lanzando alertas cuando hay una condición de riesgo sino que Bipandrive también os pidió que para facilitarles el trabajo también hubiese un aviso de recovery y es que cuando un servicio de negocio restableciese su condición de ok pues también fuese avisado de que ese servicio ya estaba bien otro tema importante para Bipandrive y entiendo que para prácticamente todos los clientes puesto que cada proveedor te da un servicio o da soporte a un servicio era el perfilado de los usuarios en Bipandrive tienen múltiples proveedores uno da servicio a ventas el otro área privada, el otro servicio de negocio entonces lo que necesitaban en esta plataforma era securizarla para cada uno de esos proveedores que tuviese su espacio y fuese totalmente agnóstico al del resto entonces lo que hemos hecho ha sido un espacio para cada proveedor en el que tiene acceso a sus alertas a sus servicios de negocio y a sus datos pero Bipandrive tiene la vista global de todo para tener esa visión en cuanto a valor añadido bueno por un lado lo que ha sido la línea general de toda la charla y es esa monitorización orientada servicio y negocio por otro lado lo que les aporta en Bipandrive esta solución es la parte de poder identificar de manera muy rápida cuál es la causa write de un problema como hemos visto con la vista en árbol puedes saber dónde está ocurriendo un error de manera muy rápida y derivarlo al equipo correspondiente mejorando los tiempos de resolución y los tiempos operacionales y en tercer lugar como hemos visto con los dos últimos dashboards esa parte de ayuda al travel shooting antes el travel shooting les costaba mucho más porque cuando se producía una incidencia un grupo entraba por cinco sistemas el técnico que tenía que analizar esa incidencia tenía que entrar por separado a cada uno de esos cinco sistemas empezar a analizar logs y ver dónde podía estar la condición de error de esta manera gracias a la centralización que hemos hecho en la plataforma de información pues les ayuda en esa parte de travel shooting al final lo que les aporta es una visión entuén desde la parte más de infraestructura hasta la parte más de negocio cubriendo los distintos perfiles y sus distintas necesidades en una sola plataforma y además les ayuda en la parte de toma de decisiones y voy a poner cuatro ejemplos concretos de toma de decisiones en las que gracias a esta visibilidad que les hemos aportado han podido decidir basándose en datos y de una manera más crítica por un lado en user experience han podido decidir cambios en la aplicación en la aplicación móvil gracias a que tenemos todos esos datos en la plataforma podemos analizar como es la usabilidad que hacen los usuarios, los clientes en esa aplicación móvil y pueden decidir cambios porque a lo mejor una vista no es muy intuitiva o porque a lo mejor un cliente siempre se sale de la aplicación en la misma vista por otro lado mejoras en código y medición del impacto de esas mejoras tuvimos una reunión con ellos en la que se presentó esto e identificaron que en una parte del flujo los tiempos de respuesta eran excesivos después de eso decidieron comentar con su proveedor del servicio que hiciesen una mejora en el código que impactaba en esa parte del flujo y gracias a esta plataforma han podido ver cómo eran esos tiempos antes de ese cambio en el código y cómo están siendo ahora después del cambio que impacto han tenido por otro lado y para que veáis que esto es muy transversal y al final puedo aplicar a cualquier área dentro de un cliente en el área de marketing puesto que gracias a la usabilidad que hacen los clientes de la aplicación móvil pueden decidir el lanzamiento de campañas de marketing en horas de poco uso de la aplicación y en cuarto lugar temas riesgos hemos podido detectar riesgos por varias condiciones pero una de ellas por ejemplo es por el hecho de usuarios bloqueados si normalmente se te bloquean tres usuarios a la hora porque han metido más la contraseña y de repente tienes 100 bloqueos en una hora puedes estar sufriendo un ataque y puedes tener que poner el foco en eso es algo que también les ayuda en esa parte más de riesgos y fraude en cuanto al impacto en negocio queremos contaros cómo operaban en Bipandrive y cómo tenían la visibilidad y cómo la tienen ahora antes de tener esta plataforma para saber la volumetría de operativa tenían que esperar al día siguiente y a las ocho de la mañana recibir un correo electrónico con los números totales no podían analizar, no podían investigar más eran los totales y ya está tenían también otra manera de saberlo y era mediante una herramienta de business intelligence en la que entraban y también tenían los totales pero también con un día de decalaje luego para consultas online tenían un portal en el que podían entrar y ejecutar de manera manual consultas para saber cuál era los volúmenes de operativa y cómo estaba yendo el negocio desde que tienen esta monitorización avanzada pues bueno el impacto ha sido principalmente que son capaces de medir en real time la volumetría de operativa por tipología en segundo lugar que gracias a la plataforma pueden establecer o pueden saber el contexto para decidir si hay un dato que entra dentro de lo normal o no entra dentro de lo normal y en tercer lugar pueden medir cuál es la experiencia de sus clientes que previamente pues esta parte no la podían hacer ¿Cuáles son los próximos pasos? Bueno ahora tenemos un cerebro en Bipandrive que recoge datos de distintas fuentes de múltiples tipologías los procesa, aplica thinking, tratamiento y demás y nos ofrece ciertos indicadores el siguiente paso que queremos que queremos lograr es la parte de poder hacer que la plataforma sea capaz de setear de manera automática los rangos de alerta es decir ¿Por qué tengo que decir yo que si hay menos de 18 ventas es un error crítico cuando la plataforma tiene los datos históricos y puede decidir por sí misma es más ¿Por qué tengo que tener un rango estático sea domingo o sea lunes cuando a lo mejor el número de ventas a mí me varía pero lo que queremos conseguir con la plataforma y lo estamos implementando ahora porque necesitábamos un histórico suficiente es esa parte de 3-holding autoadaptativo y luego en la plataforma tenemos también un músculo tenemos un músculo que de momento tiene capacidad de actuar lanzando alertas pero queremos que ese músculo vaya más allá porque la plataforma ofrece la capacidad de ejecutar múltiples acciones entonces bueno vamos en venta en vipandrive en cuanto a esta capacidad de actuar por un lado que la plataforma es el en que una herramienta de ticketing y habrá tickets a los equipos de soporte oportunos de cada proveedor cuando haya un problema y por otro lado la ejecución de automatismos si hay ciertas incidencias que su resolución es muy manual y son susceptibles de ser automatizadas ¿Por qué no? Si la plataforma la detecta que la resuelva también que no haya que tener intervención humana en ese sentido y bueno nuestro roadmap en vipandrive es pasar de reactivo a predictivo pero bueno hay un largo camino para andar la parte de reactivo ya la hemos superado, estamos en la parte proactiva porque ya tenemos la monitorización avanzada y demás lo siguiente dentro de la parte proactiva que nos falta es la parte de 3 hold in autoadaptativo que acababa de decir y bueno nuestra idea es que nuestra meta pasará a tener una monitorización predictiva para eso necesitamos aplicar machine learning pero consideramos que entre medias hay un camino muy largo que andar, hay cosas que no implican machine learning que podemos hacer que van a aportar mucho valor a cliente en corto plazo entonces bueno es un largo camino que nos queda por delante en vipandrive y ahora os voy a dejar con Ivan que os va a hablar sobre las claves del éxito de un proyecto big data, gracias gracias siguiendo, me viene muy bien esta y enlazando con algo que hemos comentado que he comentado al principio machine learning ya han habido unas cuantas charlas son proyectos que no son cortos entonces para nosotros no siempre es el mejor evidentemente cada cliente es su mundo cada situación etc pero no siempre es el mejor sitio por donde empezar y consideramos que es importante analizar e identificar realmente cuáles son las necesidades de los clientes tener claro también cuál es el mínimo producto viable es decir identificar quick wins rápidamente hay mucho conocimiento del propio negocio en el propio cliente entonces lo interesante es aplicar todo ese conocimiento de manera estática por decirlo de alguna manera implementar esas lógicas en las propias plataformas antes de pasar a modelos predictivos evidentemente dependerá mucho del caso pero en esta situación por ejemplo en Bipandrive ha sido la situación es un cliente muy joven digamos entonces dentro de esta evolución hay que tener en cuenta que el volumen de datos que necesitas para poder aplicar temas de machine learning con volúmenes pequeños o históricos pequeños no suelen funcionar muy bien es que la plataforma en la que te apoyes y despliegues a final este tipo de soluciones es fundamental no hemos hablado en ningún momento de ninguna plataforma somos agnósticos de plataforma en nuestro caso como integradora, como consultora ya sabemos que hay un montón de soluciones y en función también de cuáles son las necesidades te vas a ver condicionado bien sea por tema de recursos a nivel de manos disponibles de personas que puedan realmente trabajar que tengas te vas a ver condicionado en cuanto al tipo de plataforma que mejor uso te puede hacer dentro del punto de mínimo producto viable que comentaba antes y anticipaba y el tema de los quick wins consideramos que es interesante empezar por proyectos pequeños por entendernos y hacerlos evolucionar y hacerlos crecer este tipo de plataformas ya sabemos que son muy transversales a toda la aportar valor a toda la organización de manera transversal a un montón de equipos diferentes con los mismos datos hay que evitar los silos es importante pero también es importante poner foco centrarse en productos mínimos viable y ir iterando ir sacando soluciones o implementando casos de uso que vayan aportando valor a corto, a cliente y a partir de equipos ir creciendo el retorno a inversión ya sabemos que es fundamental para el éxito de este tipo de proyectos también y bueno la parte de evolución y crecimiento de proyecto pues evidentemente siguiendo la línea de antes es algo deseable y los silos como comentaba antes pues no son buenos en este tipo de soluciones por nuestra parte nada más no sé si alguien tiene alguna muchas gracias por eso por cierto si alguien tiene una pregunta bueno no te escucharán la repito yo si no quería saber un poco más de cómo hacéis la correlación de los eventos igual es un poco de bajo nivel pero la correlación en este caso si quieres contestar tú la correlación en este caso depende mucho de la plataforma la hacemos directamente en la plataforma la plataforma en este caso que estamos utilizando es Splank y tiene un lenguaje propio que te permite directamente hacer todo ese tipo de procesado y correlaciones puedes tratar datos en streaming en event en transacciones juntándolos pues es un lenguaje que es muy muy potente me cuesta contestar a la pregunta así tan tan abstracto podemos entrar en algún ejemplo quizá no sé si estás pensando tú en algún caso concreto sí habéis mencionado de CPU memoria procesos de más alto nivel de negocio de los clicks de las apps de más si conocemos un poco Splank entonces aparte de eso le estáis pasando algún cmdb o similar de estos en este caso todavía no a nivel de cmdb en este caso concreto en esta cpu o en este elemento de hardware se ejecuta este servicio ese tipo de información la tenéis inventariada queda envidida en el árbol este geractico si es algo parecido si no tienes un montón de indicadores los indicadores pueden ser más o menos técnicos o de negocio puede ser el consumo de CPU de RAM, número de ventas logins fallidos porcentaje de logins fallidos y luego tú construyes un poco la vista que comentaba que ha enseñado antes Nerea con esa idea de servicios de ocupación y ponderación sobre el impacto que pueda estar generando en base al conocimiento que tú tienes con esta solución en concreto además puedes aplicar de manera nativa a nivel de activar simplemente los 3-hold autoaptativos o detección de anomalías de manera transparente te lo hace pero la correlación es que hay la parte de cruzar los datos y de dependencias sería la parte de árbol y por ir a otro ejemplo quizá más técnico más transaccional o quizá quedándonos en la parte de negocio dentro de todo ese proceso de un usuario de login que interviene en un montón de elementos a veces te interesa asociarlos por un identificador único y en base a eso hacer determinados cálculos tiempo que ha tardado, errores que se han producido en medio número de pasos que se han necesitado para cumplir esa transacción digamos y en base a esto puedes generar nuevos indicadores que utilices en lo que a ti te puede interesar muchas gracias no sé si hay alguna otra pregunta estaremos por aquí si alguien tiene alguna pregunta en petit comité muchas gracias