Big Data Ambiental

Hace un tiempo mi jefe se empeñó en que hiciese un artículo sobre "big data ambiental" basándose en que era un concepto muy en boga, que yo era un experto en ese tema, y que por lo tanto tenía que explotarlo.

A pesar de mis esfuerzos por explicarle que lo que yo hacía era minería de datos de calidad del aire y no big data ambiental, y que no eran exactamente lo mismo, siendo el primero sólo una pequeña parte del segundo, me fue imposible convencerle.

Hoy tengo que darle las gracias porque me obligó a bucear en un mundo nuevo, fuera de mi zona de confort, y a descubrir que, más allá del anglicismo excesivamente utilizado por todo el mundo (algo que internamente me suele generar rechazo), en el "Big Data Ambiental" hay mucho futuro si se sabe explotar con inteligencia. Quizás por eso prefiera acuñar el término "Smart data" que muchos sabios están empezando a usar para referirse a este concepto.

El PARADIGMA del BIG DATA.

Big data by KamiPhuc en Flickr
El concepto de Big Data es una entelequia que circula como término habitual entre los más "snobs" de los foros profesionales, y del cual no escapa siquiera el ámbito ambiental, empezando a hacerse usual en la escena junto a términos también de difícil acotación como las "Smart Cities", que tanto éxito están teniendo y con las que suele vincularse, por lógica de conceptos.

En sí mismo, el término parece que estaría referido a las grandes bases de datos procedentes del control de procesos y mecanismos de interés, a la interrelación entre diversas fuentes de datos, y a las herramientas que se utilizarían para estructurar la información y extraer conclusiones interesantes de la misma.

Pero... ¿Sabemos a qué nos referimos cuando hablamos de "big data"? ¿Cuantos datos tenemos que tener en nuestro poder para que estemos hablando de algo "big"? ¿qué diferencias hay respecto a los datos de toda la vida y las hojas de cálculo que todos hemos manejado más de una vez? ¿qué aporta de nuevo en este escenario el "big data"?

Pues bien, en el presente artículo vamos a intentar dar un repaso a este concepto tan abstracto, aplicado eso sí al campo de trabajo que desarrollo: la gestión y la calidad ambiental, definiendo lo que es para mí el "big data ambiental" real, y los nuevos campos que se abren en este punto para la gestión ambiental clásica.... todo un mundo de nuevas oportunidades que tan sólo están limitadas por la imaginación del gestor de los datos.


MEDIR para conocer y CONOCER midiendo.

En medio ambiente, como en la mayoría de los ámbitos profesionales, antes de actuar para llevar a cabo una mejora, cambio u optimización de cualquier área, lo que tenemos que hacer es caracterizarla. Y la caracterización de cualquier área ambiental sólo se puede conseguir, a su vez, conociendo los parámetros básicos que la definen, algo que fundamentalmente se consigue midiéndolos.

La medición se convierte así en un concepto vital para caracterizar cualquier situación de partida, planificar las actuaciones que correspondan y realizar el seguimiento y evolución de los resultados obtenidos, una herramienta estrictamente necesaria si queremos saber lo que estamos haciendo y hacia dónde vamos.

Por otro lado, la medición es el primer paso del control, y este lleva en muchas ocasiones a garantizar la acción para la mejora en aquellos aspectos que se están midiendo.

Este hecho, aunque así expuesto pueda parecer una obviedad manifiesta y un principio matemático ineludible no siempre ha sido tan evidente, y el control de parámetros en ciertas áreas ambientales es de hecho algo más reciente de lo que nos pensamos.

Sin embargo, una vez conocido el poder del dato matemático poca gente se resiste a medir, y es aquí donde nos encontramos con el principal reto. El hombre es un ser de extremos, y en muchas ocasiones se pasa de no medir nada y no controlar nada, a medirlo todo y generar un volumen de datos excesivo al que, por quedar bien, le hemos puesto el nombre de "big data", que suena mucho mejor.


Jhonny5 - Película "Cortocircuito"
Genial referencia de mi compañera
Judit Urquijo en I-Ambiente

Muchos de los que estemos leyendo este artículo recordaremos a Jhonny5 en la película de los 80 "Cortocircuito", un robot yonki de los datos cuya única obsesión era ampliar su base de datos al grito de "datos, datos", una muestra en tono de comedia de la obsesión de una época que aún resuena en la actual....


... eso sí, Jhonny5 aplicó el "Big Data" y terminó extractando emociones y aprendiendo de los datos, encontrando así el verdadero objetivo del "Big Data" y el auténtico valor de los datos.



Estamos en la era de la información y hoy en día todo produce datos, consumimos luz y generamos un registro de consumo, consumimos agua y también, encendemos nuestro móvil y se registra en la compañía, conexiones, transacciones, pagos, movimientos, todo genera una huella de datos en nuestra vida.... y lo mismo sucede con el medio ambiente: redes de control meteorológicas, de calidad del aire, de calidad de las aguas, sensores y medidores en continuo, pesadas, registros, controles de proceso, cartografías, mapeos, y un largo etcétera de registros, relacionados todos ellos con el control ambiental de forma directa o indirecta.

Está claro que medir ha dejado de ser un problema, y la disponibilidad de datos actualmente es o puede ser máxima, si se quiere, gracias a la enorme variedad de medios y alternativas existentes para el control de parámetros de todo tipo.

El problema ahora es el exceso, la muerte por éxito, la ausencia de control por saturación, la infrautilización de la información que generamos, o incluso la imposibilidad de sacar ninguna conclusión útil o interesante por la falta de control sobre el volumen de datos generados.

Un dato es sólo un número si no hay un cerebro detrás que lo interprete y evalúe haciendo uso de la inteligencia.

De hecho, aunque parezca increíble, la infrautilización de los datos, sobretodo en terrenos como el ambiental es algo más habitual de lo que nos pensamos (imagino que al igual que en otros sectores). 

Medir y registrar el dato se ha convertido en una tarea monótona en la que el dato sirve para poco más que el control periódico o puntual en base a una única referencia (un valor límite, una lectura anterior, etc), convirtiéndose en una cifra tonta, estática y de usar y tirar, que pasa a formar parte de un registro que se convierte en una masa ingente de gigabytes de datos sin estructura u organización, o lo que es lo más grave, sin objetivo alguno.

Y aun así seguimos teniendo la morbosa tendencia a generar datos sin control. De hecho, se ha convertido en una peligrosa tendencia en la actualidad, que he tenido la oportunidad de observar en más ocasiones de las que me gustaría, la de primar la cantidad de datos sobre la calidad, en un afán desmedido por generar rápidamente grandes repositorios de datos a cualquier precio, sin importar para nada ni el objeto de la medición, ni la calidad del dato, ni siquiera su utilidad.

Por ejemplo, en el ámbito de la calidad del aire he tenido la oportunidad de encontrarme con sensores de medición cuya correlación en laboratorio con los métodos de referencia era incluso inferior al 70% (R2<70), no quiero ni imaginar cuál sería su fiabilidad en campo. Eso sí, el bajo coste permite su incursión en el mercado para la generación de redes con decenas de puntos de medición en continuo (aunque no se sepa qué miden exactamente).

Me he encontrado también con proyectos en los que se han instalado sensores en objetos móviles para "medir la calidad del aire", a cual más surrealista: desde vehículos a motor, a bicicletas, personas o incluso últimamente palomas, en los que evidentemente no se tuvo en consideración el objetivo final de la medida ni la utilidad real del dato (salvo para conocer lo que se respira en una fuente lineal como una carretera, lo que inhala un ciclista concreto en un momento determinado o la afección a una paloma cuando sobrevuela un tejado).

De esta forma, el Big Data Ambiental se está convirtiendo actualmente casi más en una competición de medir por medir y generar grandes repositorios, que en proyectos de estudio real de los datos ambientales, lo cual me recuerda a un famoso lema comercial, que define a la perfección la situación actual: "La potencia sin control, no sirve de data". Y es que hoy en día tenemos la capacidad de medir y controlar múltiples parámetros, pero en muchas ocasiones no controlamos la forma en la que lo tenemos que hacer.

Lema comercial perfectamente aplicable a la medición y el big data en cualquier campo


DEFINIENDO el SMART DATA.

Comprobará el lector que dejo intencionalmente de usar el anglicismo "big" para sustituirlo por otro también de moda "smart" (inteligente), y es que, al igual que opinan otras personalidades de referencia en este ámbito, como Tom Davenport, el término "big data" es del todo incorrecto y está llamado a desaparecer.

Porque realmente no hay un tamaño concreto que defina el concepto, de forma que se pueda justificar qué es big data o qué es una hoja de cálculo normal, porque en esta área "el tamaño realmente no importa" o por lo menos, no debería importar, tal y como ya hemos visto en el punto anterior. En el "Smart Data" no importa la cantidad de datos, sino su calidad y utilidad.

Así, lo verdaderamente definitorio y relevante del concepto no es el "big" (aunque suela ser más o menos habitual el trabajo con millones de datos). Lo verdaderamente importante es el concepto "smart" el diseño de un modelo de gestión inteligente de los datos que establezca las herramientas necesarias para su diseño, gestión y explotación, pensando en todo el ciclo de vida del dato, desde su obtención hasta su posterior tratamiento y estudio.

Buscador de Oro - By Tony Oliver en Flickr.


El "Smart Data" se convierte así en el trabajo de un buen buscador de oro, que sabe dónde tiene que recoger el material con el que trabajar, y dispone de una buena batea con la que cribarlo y trabajarlo hasta encontrar el tesoro que esconde.



Y es que el objetivo final del Smart Data es tener un conocimiento profundo e íntimo del área que se pretende controlar y/o vigilar, buscando siempre la practicidad del dato y no tanto su acumulación como si de un coleccionable se tratase.

Este conocimiento exhaustivo de la situación como objetivo último del "smart data" debe permitir, evidentemente, que los procesos diseñados obtengan una información precisa, objetiva del sistema analizado, evitando la subjetividad de otras técnicas de investigación convencionales basadas en el factor humano.

De esta forma, un buen sistema de Smart Data se define como aquel que es capaz de cumplir con los siguientes requisitos, en función de las necesidades del usuario del sistema:
  • Obtener un conocimiento práctico, preciso y relevante de un ámbito concreto, analizando con eficiencia patrones de comportamiento dentro de un sistema.
  • Interaccionar con distintos tipos de datos e información adoptada desde distintas plataformas como GPS, redes sociales, aplicaciones, sensores, etc. 
  • Permitir la detección de causas ocultas, o potenciales consecuencias a un factor determinado, llegando incluso a prever su influencia, de tal forma que se puedan proporcionar nuevas ideas e hipótesis de análisis.
  • Realizar un análisis de los datos acumulados de forma que se pueda generar un conocimiento real y profundo del sistema y de los escenarios generados en el histórico.
  • Gestionar y analizar, a su vez, la información en tiempo real, permitiendo un monitoreo de las situaciones con carácter prácticamente inmediato. 
  • Al analizar el histórico de datos y aplicarlo al conocimiento en tiempo real, un Smart Data debe ser capaz de generar predicciones de evolución a futuro, analizando riesgos y oportunidades, así como mejorando la visión de los escenarios posibles.
  • Esta capacidad predictiva debe permitir al sistema basado en el "Smart Data" facilitar la toma de decisiones, reduciendo el riesgo asociado, y mejorando los resultados obtenidos.
  • De la misma forma, esta facultad de adelantarse a los acontecimientos y registrar los hechos producidos, debe permitir a un buen "Smart Data" retroalimentarse, mejorando el rendimiento y la eficiencia del sistema, pudiendo llegar incluso a reaccionar con anterioridad a que se produzcan los hechos.
  • Todo ello implica que el propio "Smart Data" va a ser capaz de, no sólo generar nuevos datos a partir de los capturados, sino generar información útil al propio sistema y a los usuarios que lo explotan.

Resulta evidente pues, que el hecho diferencial estará siempre en lo inteligente ("Smart") que llegue a ser nuestro sistema de gestión de datos, y no tanto en lo grande o pequeño que sea el conjunto de datos sobre el que trabajemos.


El salto al Smart Data Ambiental.

Como comentábamos antes, existen ya enormes bases de datos ambientales de todo tipo, conformadas habitualmente por grandes volúmenes de datos en históricos de años o incluso décadas, almacenados por tiempo indefinido, y reservados en el mejor de los casos a las consultas esporádicas de estudiosos del tema, científicos o investigadores de fenómenos o áreas concretas.

Es tan habitual encontrarse con datos hoy en día que, en muchas ocasiones, antes de iniciar los trabajos de captura de datos o medición, se suelen realizar trabajos de investigación y prospección para comprobar cuáles han sido o son actualmente las potenciales fuentes pre-existentes de las que sea susceptible alimentar a nuestro sistema. 

Sensor de temperatura en estación meteorológica
¿Para qué poner, por ejemplo, una red de control meteorológico en una red inteligente para el control de un entorno urbano, en nuestras archiconocidas Smart Cities, si es más que probable que exista muy cerca del lugar en estudio una estación meteorológica reportando datos de los que podremos alimentar a nuestro sistema?

De hecho, en el salto de un "dull data" existente a un sistema "smart data ambiental" (quizás el trabajo más común), en muy pocas ocasiones se suele ir directamente a actuaciones encaminadas a la medición de parámetros. Se trata más bien de un trabajo de estructuración de los datos existentes y de depuración de la información disponible, que incluye tanto la medición de nuevos parámetros como el descarte o eliminación de aquellos que no reporten información relevante.

En este sentido, un buen gestor de Smart Data, a la hora de redefinir su sistema, le recomendará siempre:
  • Estudiar en primer lugar la situación actual de la información, los parámetros medidos, el entorno cubierto del área de interés por cada parámetro y/o punto de medición, así como la existencia y antecedentes de control existentes que pudieran ser de utilidad.
  • Estudiar las necesidades a cubrir, en función de los requerimientos directos o indirectos que pueda tener el sistema, tanto actuales como en previsión a futuro. Y en cuanto a necesidades tenemos que referirnos no sólo a los sensores o sistemas de control, sino a las labores posteriores de recopilación, gestión y estudio de los datos.
  • Establecer las necesidades reales de medición y o sensorización para cubrir lo previsto en el punto anterior, atendiendo a los medios disponibles, internos y/o externos, y a las opciones existentes para la optimización: redistribuyendo equipos, reubicando puntos de media (motes o estaciones), equipos sensores, o incluso retirando aquellos redundantes (que pueden servir como equipos de sustitución), estableciendo acuerdos con otras redes, o incluso capturando información y registros externos.
  • Diseñar y estructurar debidamente el sistema de gestión de los datos, incluyendo en el mismo todas las herramientas necesarias para la captura, revisión, procesado, guardado y tratamiento estadístico del dato, incluyendo en estas últimas, herramientas para el análisis y el estudio de patrones (como la minería de datos), así como las correspondientes a la gestión de la calidad y el mantenimiento de los equipos y sensores de la red.
  • Implementar y mantener el sistema, aplicando siempre el concepto de mejora y evolución continua, desde las primeras fase del diseño, de forma que todos los trabajos generan una información que permite retroalimentar el sistema y rediseñarlo para adaptarse mejor a cada una de las circunstancias particulares que vayan surgiendo, ofreciendo cada vez más y mejor información.

Cabe resaltar aquí que, aunque le vendan que el "smart data ambiental" es la solución a todos sus problemas, esto no es así. El "Smart Data Ambiental" solventa muchos problemas y aporta mejoras importantes respecto a la gestión tradicional de< los datos ambientales, pero presenta también nuevos retos que es necesario tener en cuenta antes de lazarse a abordarlo.

Innovar en Smart Data requiere pensarse bien los pros y contras de su aplicación.


En primer lugar, es necesario saber que el Smart Data se basa fundamentalmente en el desarrollo sucesivo de una serie de modelos matemáticos diseñados para realizar simplificaciones de los datos encaminadas a explicar realidades complejas, lo cual por definición tiene múltiples complicaciones y, aún más, limitaciones.

Por ejemplo, es importante en este punto no confundir causalidad con correlación. El hecho de que siempre que ocurre "A" ocurre "B", y por lo tanto exista una clara correlación en la aparición de ambos fenómenos, no significa necesariamente que "A" sea causa de "B" o viceversa. Es importante entender que la simplificación excesiva de determinados fenómenos puede llevar a la generación de patrones erróneos, por lo que siempre se deben analizar los resultados con espíritu crítico e inquisidor, procurando encontrar las relaciones reales que mueven el sistema.

En segundo lugar, se debe entender que un sistema smart data es tan bueno como lo son sus datos, y que en la calidad y diversidad de estos estará la calidad y precisión de sus conclusiones, hipótesis y patrones. Es importante en este sentido que el sistema incluya por tanto medios eficaces para la supervisión y validación de sus propios datos, así como para el mantenimiento y mejora de sus medios de adquisición, proporcionando un feedback constante en este sentido tanto al propio sistema como a los gestores del mismo.

En tercer lugar, es necesario asumir que el desarrollo de un Smart Data en un entorno como el ambiental requiere de un entorno profesional multidisciplinar completo en el que convivan tanto desarrolladores informáticos especializados en la gestión de datos, como estadístas especializados en el análisis de datos, o técnicos ambientales especialistas en el área concreta sobre la que se quiera desarrollar el Smart Data. Sólo en un entorno pluridisciplinar en el que se realice un trabajo conjunto y coordinado es posible desarrollar el mejor sistema Smart Data.

Pero quizás el mayor reto a superar por parte del Smart Data, cuando se decide dar el salto final a este tipo de sistemas, está en la necesidad de romper la resistencia al cambio que tienen algunos de los gestores, que suelen escudarse en el famoso proverbio castellano "más vale malo conocido que por conocer". El conformismo en el que se escudan muchos de estos dinosaurios, que suelen perderse en la vorágine de los datos históricos acumulados, no suele traer nada bueno a la larga para los sistemas, y en la mayoría de los casos, no es más que un síntoma de inmovilismo y falta de proactividad.

Evolución de la media mensual de NO2 en Madrid.
Elaboración propia
Ejemplo de aplicación de data minning a grandes datos ambientales.

El futuro del Smart Data Ambiental.

El Smart Data realmente ha existido siempre, creado por mentes privilegiadas que han sido capaces de ver más allá del dato numérico para hablar con las cifras y entender realmente qué estaban mostrando.

Basta poner como ejemplo a la epidemiología actual, que no es más que un big data sobre los datos de aparición y evolución de una enfermedad concreta en base a terceros factores como la distribución, la frecuencia, los datos de campo, etc. Esta disciplina científica en la rama de la biología y la medicina es un enorme big data basado en los métodos de estudio de cerebros privilegiados como el de John Snow, un médico inglés que ya en el año 1854 supo cruzar los datos de defunción de un brote de cólera en el barrio del Soho de Londres, georreferenciándolos y describiéndolos en un mapa, para concluir que la bacteria procedía del agua contaminada de una bomba de Broad Street, descartando de esta forma otros orígenes de la enfermedad y demostrando procedencia de fuentes contaminadas, además de ayudando a salvar cientos de vidas.

En la actualidad el Big Data se ha extendido a todo tipo de disciplinas y ámbitos del control, haciendo estragos como factor diferencial más que relevante en sectores como el márketing, el branding o el conocido como business intelligence, donde se ha convertido en el secreto del éxito para muchas empresas.

En el sector ambiental, el "Smart Data" se descubre como la herramienta perfecta para ofrecer a los profesionales un mejor conocimiento del entorno y de los impactos ejercidos sobre el mismo, y acercar a los ciudadanos el estudio del medio ambiente, generando mejoras reales en su interacción con el mismo.

La primera línea donde resulta más evidente la contribución y la necesidad del Big Data es la atmosférica, donde ha sido siempre compañero inseparable para el estudio de la dinámica atmosférica, y donde hacen aparición especial los sistemas fundamentalmente encaminados a la predicción, tal y como ocurre en el día a día con la predicción meteorológica que todos consultamos.

Sin embargo, más allá de este aspecto más cotidiano, el Big Data ya se contempla por organizaciones como el Barcelona Supercomputing Center como la herramienta necesaria para el desarrollo de modelos que permitan comprender la composición atmosférica y sus efectos en la calidad del aire y la climatología a escalas que se podrían incluso desagregarse a entornos locales, habiéndose desarrollado ya interesantes herramientas predictivas como CALIOPE.

En la misma línea destaca también IBM, con su programa Green Horizons, que ha sabido entender las enormes utilidades predictivas del Big Data en sus diversas aplicaciones ambientales como la calidad del aire o la gestión de las energías renovables. En el ámbito de la calidad del aire, el sistema, utilizando para su alimentación tanto la sensorización más avanzada como el internet de las cosas (IoT), y la combinación de los modelos predictivos mediante computación cognitiva (inteligencia artificial), permitiría dar predicciones sobre la calidad del aire de Pekín hasta un 30% más detalladas y precisas que las habituales, con hasta 72 horas de antelación y para zonas muy determinadas.

Gestión de la Calidad del Aire en el Proyecto Green Horizons de IBM . Gentileza de IBM.

Pero tal y como ya han podido entender algunos visionarios del mundo de la consultoría tecnológica como IBM, el Big Data Ambiental no acaba en la calidad del aire, y podría llegar a presentar una revolución del sector ambiental tal y como lo entendemos hoy en día.

Por ejemplo, al igual que ocurre con el ambiente atmosférico, el Big Data Ambiental aplicado a los recursos hídricos también se desvela como una potente herramienta. La utilización de sensores para el control de parámetros, modelos de dispersión, datos geográficos y meteorológicos, modelos climáticos o incluso de dinámica de fluidos, podría llevar a una comprensión superior de nuestros recursos hídricos y su calidad, pudiendo ser vital para la mejora de su gestión.

De hecho, el propio big data ha hecho ya su aparición en otros ámbitos de la calidad de las aguas como la propia depuración, donde ha podido demostrar que una adecuada optimización del funcionamiento de cualquier tecnología de tratamiento de aguas residuales, pasa por un adecuado control de los parámetros de alimentación y funcionamiento, así como un adecuado análisis de los escenarios posibles, lo que inexorablemente nos lleva al big data.

Y es que prácticamente todos los sectores del medio ambiente industrial y la calidad ambiental podrían beneficiarse claramente del big data:
  • En el sector de los residuos el big data podría aportar una mejora sustancial de la producción y la gestión de los residuos, especialmente útil para los organismos públicos competentes, que podrían disponer de un control real de la logística residual, aunque también de enorme interés para la optimización de procesos y de la logística de transporte para los gestores de residuos.
  • En el cálculo de huellas ecológicas de productos y organizaciones, el big data puede que se convierta incluso, para aquellas empresas más grandes o productos de mayor complejidad en su ciclo de vida, en una herramienta indispensable para diseñar una huella adecuada y llevar a cabo un control y seguimiento de los aspectos ambientales y del rendimiento de las medidas adoptadas que se lo más real posible.
  • En el campo del estudio de suelos contaminados, tal y como vimos en un post anterior, cada vez es más común la aplicación de técnicas geofísicas, lo cual implica necesariamente la utilización en la gestión y tratamiento de los datos de técnicas de big data y minería de datos.

Pero no sólo para monitorizar o seguir la contaminación o evaluar la calidad ambiental podría servir el Big Data, el seguimiento y conocimiento del entorno natural es vital para su conservación y adecuada gestión, y en este punto el Big Data tiene también múltiples aplicaciones. Iniciativas como la TEAM Network (Tropical Ecology Assessment and Monitoring Network) o la Global Forest Watch, están demostrando que el big data puede servir como sistema de alerta temprana ante potenciales peligros. La aplicación de sensores, drones y técnicas cartográficas como el LiDAR también está resultando ser una línea de trabajo para la aplicación del Big Data Ambiental en la gestión forestal en muy diversos ámbitos.

La agricultura parece ser otro de esos campos en los que el Smart Data tiene mucho que decir en los próximos años, introduciendo el concepto de "agricultura de precisión", basada en una monitorización completa de los cultivos y los recursos de los que dependen. Esto permite un mejor uso de estos recursos básicos, un incremento sustancial de la productividad, e incluso una mejor planificación del sector, ayudando a la toma de decisiones y a la programación de cultivos.

Y por último, no podemos olvidarnos del sector smart, íntimamente unido al big data, en su faceta ambiental más pura: 
  • El desarrollo de las famosas SmartCities no puede realizarse sin tener en cuenta el desarrollo del propio entorno urbano, la evolución en sus parámetros de calidad (aire o agua) o la gestión y evolución de los servicios al ciudadano (residuos, depuración, etc).
  • En el caso de las SmartGrids, o redes de distribución de energía inteligentes, estas no pueden hacerse de espaldas a la generación de energías renovables, y su gestión debe pasar por optimizar y potenciar las mismas, uniendo este hecho a su dependencia de factores externos, consumos fluctuantes o sistemas y medios de almacenamiento de energía cada vez más comunes.



Este artículo va dedicado evidentemente a mi CEO, un tipo cabezón y controlador, pero que ante todo es una excelente persona.
¡¡Gracias por obligarme a escribir ese primer artículo Oscar !!




Recomendaciones de lectura sobre el tema:
 

Comentarios

  1. Gracias Fernando! detrás de un CEO cabezón y controlador siempre hay un CIO inteligente y voluntarioso.

    ResponderEliminar
    Respuestas
    1. Jajajajajajaja.... y buena persona, que te has quedado sólo con el tirón de orejas. Si el CEO no es buena persona el CIO no creo que sea voluntarioso. Gracias CEO.

      Eliminar
  2. Este comentario ha sido eliminado por el autor.

    ResponderEliminar

Publicar un comentario

Tus comentarios son siempre bienvenidos. Agrega aquí lo que desees en relación al artículo publicado.

Entradas populares de este blog

TRÁFICO Y CALIDAD DEL AIRE EN MADRID

PILDORA R-1. CALIDAD DEL AIRE CON R.