Análisis de la evolución de coronavirus (Continuación)

He continuado haciendo análisis sobre cómo va evolucionando el coronavirus en todos los países que están reportando casos.

He tenido que abandonar mi modelo anterior porque me he encontrado con grandes dificultades para encontrar una fuente fiable y constante de datos.

En esta ocasión estoy utilizando como fuente la dirección:

https://www.ecdc.europa.eu/en/publications-data/download-todays-data-geographic-distribution-covid-19-cases-worldwide

El algoritmo sobre el que he construido el modelo predictivo ha sido SARIMA y he considerado un histórico de 15 días, que es lo que llevamos confinados en España.

En este momento la tendencia es al alza y, si las medidas adoptadas están surtiendo efecto, en sucesivas actualizaciones deberíamos empezar a ver un cambio.

Sin embargo no entiendo cómo no hay ninguna entidad que esté reportando el histórico de datos reportando regiones, estados, provincias… y los datos no están segmentados por edad, lo que le resta mucha precisión al análisis.

https://public.tableau.com/views/covid19_15854069811580/Dashboard1?:display_count=y&publish=yes&:origin=viz_share_link

Analysis of the evolution of the coronavirus

Inglés

In this post I want to share an analysis that I have done on the evolution of the coronavirus using different tools for data analysis and visualization: Python to obtain historical data from all affected countries: https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Confirmed.csv https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Deaths.csv https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Recovered.csv

KNIME for data manipulation and the creation of a predictive model using Random Forest to analyze the evolution of contagion before showing symptoms:

Facebook Prophet to estimate the behavior of the disease in the next 7 days.

Tableau for displaying the results and publishing the dashboard on your public server where you will find:

Case evolution: Where the evolution of the total cases of the disease from the origin is shown, as well as an adjustment in which deaths and discharges are subtracted. 7 days projected using the Facebook Prophet library are included.

Case incubation: Cases reported vs. probable cases before they can be identified. The model has been built using behavior in all affected countries using the Random Forest algorithm.

Death vs Recover: Cases discharged compared to deaths. A projection is also made for the next 7 days.

Case increment: This graph shows the unique cases identified day by day so that we can identify the spikes or stagnation of the disease depending on the country.

Here is a direct link to the dashboard on the Tableau public server:
https://public.tableau.com/views/coronavirus_analysis/Dashboard1?:display_count=y&publish=yes&:origin=viz_share_link

Análisis sobre la evolución del coronavirus

En este post quiero compartir un análisis que he hecho sobre la evolución del coronavirus utilizando diferentes herramientas para el análisis y la visualización de datos:

Python para la obtención de datos históricos de todos los países afectados:
https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Confirmed.csv
https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Deaths.csv
https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Recovered.csv

KNIME para la manipuación de los datos y la creación de un modelo predictivo utilizando Random Forest para analizar la evolución del contagio antes de mostrar síntomas:

Facebook Prophet para hacer una estimación del comportamiento de la enfermedad en los próximos 7 días.

Tableau para la visualización de los resultados y publicación del cuadro de mandos en su servidor público donde encontraréis:

Case evolution: Donde se muestra la evolución de los casos totales de la enfermedad desde el origen así como un ajuste en el que se sustraen las muertes y las altas. Se incluyen 7 días proyectados utilizando la librería Facebook Prophet.
Case incubation: Casos reportados vs casos probables antes de poder ser identificados. El modelo se ha construido utilizando el comportamiento en todos los países afectados mediante el algoritmo Random Forest.
Death vs Recover: Casos dados de alta en comparación con las muertes. También se hace una proyección para los próximos 7 días.
Case increment: Esta gráfica muestra los casos únicos identificados día a día para que podamos identificar los repuntes o el estancamiento de la enfermedad dependiendo del país.

Aquí os dejo en enlace directo al cuadro de mandos en el servidor público de Tableau:
https://public.tableau.com/views/coronavirus_analysis/Dashboard1?:display_count=y&publish=yes&:origin=viz_share_link

El coronavirus y el teletrabajo. Formato Podcast

En este podcast, aprovechando la crisis generada por el coronavirus que ha motivado a muchas empresas a optar por el teletrabajo como medida de prevención, cuento mi experiencia de los años que llevo teletrabajando, los beneficios que supone y cuáles son las principales reticencias de las empresas a adoptarlo como algo habitual.