Big data, estrategia y gestión de negocio: Las cinco utilidades básicas del uso de información masiva

"Los datos masivos están presentes cada vez más en nuestras vidas, y su forma de utilizarlos implica cambiar nuestra mentalidad: de la causa a la correlación".

Big data, estrategia y gestión de negocio: Las cinco utilidades básicas del uso de información masiva

La irrupción del Big Data está provocando cambios masivos a todos los niveles (en los métodos de investigación científica, en la planificación empresarial, en la organización social, en las formas de interpretar la realidad…) una repercusión de tal magnitud que terminará por convertirse en una auténtica revolución, no habrá ningún área que no se vea afectada.

Más allá del aprendizaje sobre el funcionamiento y las características de las tecnologías Big Data, es importante conocer cuáles son los problemas principales de las compañías a los que Big Data puede aportar una solución.

Según las conclusiones de los analistas sobre las encuestas realizadas a clientes actuales y clientes potenciales, las cinco principales aplicaciones de Big Data son:

1. La exploración de grandes datos.

Las tres 'V' del Big Data (velocidad, volumen y variedad) reflejan el reto al que se enfrentan las grandes compañías a la hora de dar a los datos un valor para tomar mejores decisiones, mejorar las operaciones y reducir los riesgos. Por lo tanto, es necesario poder navegar de forma fácil para obtener la información tanto dentro de los sistemas de la compañía como los datos que llegan desde afuera.

El aumento del llamado “bruto de datos” o “ruido” plantea el dilema de cómo contextualizar estos datos para alimentar un mejor análisis y una mejor toma de decisiones. La exploración de datos, además de ofrecer soluciones a estos problemas, también contribuye a disminuir el riesgo de filtración de información confidencial gracias a sus mecanismos de seguridad.

2. 360º de visión sobre el cliente.

Para conseguir un conocimiento total del cliente, las compañías deben obtener información de fuentes internas y externas para poder asesorarle y entender cuál es la mejor manera de ayudarle. El objetivo es comprender el comportamiento del cliente y predecir sus futuras acciones.

Los empleados que trabajan directamente con los clientes deben poseer la información suficiente y adecuada para crear una relación de confianza y conseguir un compromiso o una fidelidad por parte del consumidor. Para conseguirlo, el empleado debe poder disponer al instante tanto de información interna (según el comportamiento del cliente en otras experiencias con la propia compañía) como externa (sobre sus gustos e intereses, obtenida de redes sociales, correo electrónico, etc).

Hay que aclarar que la palabra cliente es un nombre genérico, que pasará a denominarse paciente en el sector de la salud, un sospechoso en un caso policial, etc.

3. Extensión de la seguridad/inteligencia.

Mecanismos para localizar anomalías y prevenir ataques. Este tipo de soluciones permite discernir entre cantidades masivas de datos (tanto internos como externos) posibles relaciones ocultas, detectar patrones de conducta y prevenir amenazas a la seguridad.

También posibilita descubrir un fraude mediante la comprobación en tiempo real del historial de actividad de una cuenta, con lo que es factible desenmascarar un comportamiento anormal de un usuario o una transacción sospechosa. También permite examinar nuevas fuentes y variedades de datos como pruebas de una actividad criminal, por ejemplo internet. Las tres aplicaciones principales son:

a. Visión mejorada de inteligencia y vigilancia: Análiss de datos en movimiento y en reposo para encontrar asociaciones o descubrir patrones. Esta información en tiempo real puede incluso salvar vidas.

b. Previsión y atenuación de ataques cibernéticos en tiempo real: Analizando el tráfico de la red, las compañías puede descubrir amenazas nuevas y prevenir ataques de hackers, intrusos, espionaje, fraude cibernético e incluso ciberterrorismo.

c. Predicción y prevención del crimen: :La capacidad para analizar datos de la red de telecomunicaciones y de redes sociales permite detectar amenazas y adelantarse a los criminales antes de que actúen.

4. Análisis de Operaciones.

Un cuidadoso y exhaustivo análisis de las operaciones permite obtener visibilidad en tiempo real de las mismas, la experiencia del cliente, transacciones y comportamiento. Dinamiza el plan para incrementar la eficiencia de las operaciones, identifica e investiga las anomalías, y monitoriza la infraestructura end-to-end para evitar de forma preventiva la degradación o apagones en el servicio.

Con un acelerador de datos permite ingerir y procesar grandes volúmenes de datos para proporcionar un conocimiento detallado del estado de la compañía. Los machine data pueden ser correlacionados con otros datos de la empresa como información del cliente o del producto, aunque el gran volumen de datos esté en formatos distintos que, sin la solución, no son compatibles con los demás.

Esta combinación es de gran utilidad para los encargados de tomar las decisiones operativas, a la vez que aumenta la inteligencia y la eficiencia de las operaciones. Estos responsables de la toma de decisiones pueden visualizar los datas a través de distintos sistemas para obtener la visión más informada posible y poder reaccionar de forma rápida ante cualquier imprevisto.

5. Aumentar el almacén de datos o Data Warehouse.

Se trata de ampliar una estructura de almacenamiento de datos ya existente aplicando las ventajas de Big Data para incrementar su valor. El aumento del Data Warehouse nace de dos necesidades básicas: Aprovechar al máximo diferentes tipos de datos para ganar nuevas perspectivas de negocio en tiempo real, y para optimizar la estructura de almacenamiento de datos facilitando la tarea y ahorrando costes.

En este sentido existen tres tipos de Data Warehouse:

a. Pre-Processing Hub (núcleo de pre-procesamiento): Proporciona un área de montaje o “zona de aterrizaje” de los datos antes de decidir cuáles se incorporan al almacén de datos.

b. Discovery/Analytics (descubrimiento-análisis): Otorga la capacidad de realizar análisis que deberían haberse hecho antes en el Data Warehouse, para así optimizar el almacén de datos y posibilitar nuevos tipos de análisis.

c. Query-able Data Store (almacén de datos de consulta): Descarga datos que se consultan con poca frecuencia o de una antigüedad considerable del datawarehouse mediante software y herramientas de integración de información, y los almacena en un espacio de almacenamiento de bajo coste, pero mateniéndolos aún accesibles desde la solución.

Big Data, marketing y gestión de negocio.

Desde el punto de vista del marketing, el Big Data es entendido como la obtención de grandes cantidades de información del mercado y de los consumidores. Un proceso laborioso que supone el filtrado e interpretación de los datos registrados para convertirlos en conclusiones útiles (que faciliten la consecución de los objetivos previamente definidos).


Establecer estrategias de negocio basadas en la predicción de las preferencias y hábitos de consumo, supone una potente herramienta empresarial a la hora de apostar por el lanzamiento de un producto o una determinada línea de negocio. Los datos nos permiten llegar más lejos, intuir cuáles serán las tendencias del mercado (adelantándonos incluso a las necesidades y preferencias de nuestros consumidores).

Utilizando esta información es posible tomar ventaja sobre la competencia y llevar a cabo decisiones más eficientes. Basar las estrategias de negocio en la predicción del comportamiento del consumidor es un arma muy potente para hacerse un hueco en mercados cada vez más saturados. Aunque el análisis predictivo no sea fiable al 100%, sí nos permitirá ejecutar nuestra estrategia empresarial con más tranquilidad.

Conclusión.

El concepto de Big Data va mucho más allá de la mera acumulación de grandes volúmenes de datos. A diario muchas de nuestras acciones (un pago con nuestra tarjeta de crédito, la consulta de una web, la contratación de un viaje etc…) dejan tras nosotros una huella digital con información muy valiosa.

El Big Data ya se define como “el Nuevo Oro” o “el Petróleo del Siglo XXI”. Se trata de una auténtica ventaja competitiva para las empresas que analicen, relacionen y logren extraer conclusiones a partir de enormes cantidades de información.

Fuente: Lantares Solutions

Negocios en el siglo XXI: La inteligencia empresarial (BI) como herramienta de mejora continua de la empresa

"Vivimos en una época en que la información es la clave para obtener una ventaja competitiva en el mundo de los negociosAlgo peor que no tener información disponible, es tener demasiada información y no tener concepción de qué hacer con ella."

Negocios en el siglo XXI: La inteligencia empresarial (BI) como herramienta de mejora continua de la empresa

El resultado principal de cualquier proceso empresarial, más allá de los productos o servicios relacionados con la cadena del valor, son las DECISIONES.

La Business Inteligence (BI) trata de fundamentar todas las decisiones no estructuradas, presentes en los niveles táctico (gerencia media) y estratégico (alta gerencia) tomando como referencia un conocimiento preciso y elaborado que parte del el uso de herramientas y técnicas evolucionadas y tecnológicas, destinadas para el efecto.

Sistemas de información y decisiones

Está demostrado que todas las decisiones adoptadas y posteriormente ejecutadas por una compañía, deberían provenir de las propias operaciones empresariales y de los fenómenos que se producen en el entorno organizacional. Estas operaciones y fenómenos se expresan en términos de información.

Toda esta información general necesita ser gestionada en sistemas de información a distintos niveles y bajo diferentes acepciones:

a. Datos: Datos elementales orientados al nivel operativo / administrativo ( Sistemas de Procesamiento de Transacciones –TPS).

b. Información: Información pre-procesada orientada al nivel táctico y de gerencia media (Sistemas de Información General – MIS).

c. Conocimiento: Conocimiento experto orientado al nivel estratégico o de alta gerencia (Sistemas de Apoyo a las Decisiones – DSS).

La figura contempla la integración de los sistemas de información y el nivel decisional, incluyéndo, además, el sistema de apoyo a oficinas (OAS) que desarrollan las operaciones administrativas, como: correo electrónico, software de aplicación (hojas electrónicas, procesadores de palabra, etc.), comunicación y otros.

El factor crítico de diseño para maximizar la inversión realizada en los sistemas es, sin duda alguna, su integración. El análisis de sistemas aplicado necesita estar enfocado y planificado para optimizar su sinergía y un acoplamiento necesario y suficiente.

Ahora, la pregunta obligada es: ¿cómo tomar decisiones basándose en la información tratada por estos sistemas? Los siguientes párrafos lo describen.

Inteligencia empresarial(BI): Herramientas y técnicas

Un hecho es absolutamente cierto: Si la integración referida carece de solidez o la empresa recurre a sistemas independientes, necesitando trabajo adicional para conectarlos, hay más probabilidad de que las decisiones emergentes adoptadas a partir de ellos sean inconsistentes o, peor aún, tengan la apariencia de ser correctas y apropiadas, lo que sería realmente catastrófico.

La esperada integración es posible a través del uso de herramientas, técnicas y conceptos que se han desarrollado aceleradamente en los últimos tiempos.

a. "Data Warehousing": La gestión de información se realiza en múltiples plataformas, aplicaciones o bases de datos transaccionales y aisladas con ningún tipo de centralización.

Los procesos de consolidación, resumen, clasificación, reconciliación, son necesarios para el análisis de información global.

Existen datos empresariales o corporativos cuyo registro histórico es fundamental para tomar decisiones.

Derivado del anterior concepto surge la colección centralizada de información corporativa, histórica y transformada, proveniente de sistemas transaccionales y heterogéneos y externos, para atender requerimientos que apoyen tecnológicamente el proceso de toma de decisiones generales.

b. Las técnicas de DM y OLAP: Se aplican ya sea sobre un DW o se orientan a un subconjunto específico ("DataMart" - DMt). Así, un DMt es considerado como un DW de pequeña escala, con diferente contenido, pero con las mismas funciones y funcionalidades.

Por ejemplo, un DMt de control de calidad (funcional) o un DMt de Sudamérica (regional).

La técnica OLAP, llamada también análisis multidimensional y contrapuesta a la de procesamiento transaccional en línea (OLTP), actúa sobre un DW organizando en "hipercubos" o cubos multidimensionales, los llamados elementos de análisis o "facts" (ej: número de defectuosos, máximo de ventas netas, promedio de inasistencias), bajo ciertas dimensiones o "dimensions" (ej.: producto, centro de costo, año).

Responde a cuestiones tales como: ¿ a cuánto ascienden las ventas netas ("fact") por producto, por plaza y por mes (dimensiones)?.

Es posible usar 3 tipos de OLAP, cuya variación radica en la implementación del DW, a saber:

1. ROLAP: OLAP sobre DWs implementados como tablas relacionales (filas y columnas) usando modelos "star schema" y "snowflake model".

2. MOLAP. OLAP: Sobre DWs implementados sobre bases de datos multidimensionales.

3. HOLAP: Enfoque híbrido de ROLAP y MOLAP.

En función a los propósitos para los cuales se diseña el DW y los cubos multidimensionales, se puede realizar operaciones específicas propias del OLAP.

"Drill down" y "Roll up". Entrar en detalle y abstraer. Ej.: composición de ventas.

"Slice & dice": Rebanar y generar nuevos cubos cambiando naturaleza de dimensiones (casillas, segmentos, planos, cubo). Ej.: pagos por proveedor el 2011.

"Rotate": Cambiar dimensiones unas con otras. Ej.: salidas por ítems vs. ítems por salida.

El típico ejemplo de DM es el de productos asociados en un supermercado. Se puede tomar una decisión inapropiada al descartar del supermercado un vino de una marca específica que no tiene ventas considerables, pero que cuando las tiene, están asociadas a las de un tipo particular de queso. Otro ejemplo, es el patrón de comportamiento de la asistencia de los trabajadores de la planta en temporadas altas: ¿ cuál es la tendencia de abandono en la planta en fin de semana, a fines de mes, en determinadas temporadas del año?.

Metodológicamente y genéricamente, el proceso de "Data Warehousing" se compone de:

a. Alimentación del DW y de DMts (réplica, transformación, adecuación, resumen).

b. Consultas, requerimientos, análisis multidimensional y minería de datos. Visualización y representación.

La verdadera inteligencia del negocio

¿Cómo instrumentar una inteligencia de negocios eficaz?. A continuación se brinda una lista de criterios, a manera de metodología o lista de verificación, que deben cumplirse para alcanzar los objetivos:

a. Disponer de un sistema transaccional (TPS) que administre todos los datos de las operaciones transaccionales de la organización, relacionadas con el nivel operativo.

b. Disponer de un sistema gerencial (MIS) integrado al TPS y que administre información a la forma de decisiones tácticas.

c. Disponer de un sistema decisional (DSS) integrado al MIS que administre conocimiento orientado exclusivamente a soportar las decisiones del nivel estratégico.

d. Establecer los parámetros necesarios para efectivizar el diseño y la implementación de los tres sistemas de información, como infraestructura tecnológica, software ERP, base de datos transaccional, DW, DWts, interfaz de usuario, bases, etc.

e. Diseñar e implementar un mecanismo automatizado de réplica y conversión de los datos relevantes desde el TPS hacia el MIS, generando así un DW o varios DWts del nivel táctico.

f. Diseñar e implementar un mecanismo automatizado de réplica y conversión de los datos e información relevante, desde el TPS y el MIS correspondiente, hacia el DSS, generando así un DW o varios DMts del nivel estratégico.

g. Diseñar e implementar procedimientos para la explotación de sistemas gerenciales y decisionales, es decir, cubos OLAP, procedimientos de DM, consultas y reportes complejos.

h. Diseñar e implementar un sistema de presentación y visualización: en línea, con interfaz sugestiva, amigable y flexible para la manipulación y adecuación a requerimiento.

i. Describir una política para el proceso de toma de decisiones con fuente de información y conocimiento en el MIS o el DSS.

j. Establecer mecanismos de retroalimentación de las decisiones hacia las transacciones operativas para obtener un sistema empresarial homeostático y con entropía negativa, de forma que los objetivos sean evidentemente alcanzables.

El ambiente del mundo de los negocios de hoy exige una aplicación cada vez más eficiente de la información disponible. La business inteligence genera un conocimiento que se deriva de la correcta utilización de la información generada dentro y fuera de la empresa.

Se trata de una herramienta que pone a disposición de los usuarios la información correcta en el lugar correcto. Son múltiples los beneficios que ofrece a las cmpañías, entre ellos se encuentra la generación de una ventaja competitiva.

Conclusiones

La "Inteligencia de Negocios", parece ser un concepto asociado a la capacidad de un negocio de pensar, razonar y sentir.

Pues es precisamente eso lo que se quiere obtener, que el razonamiento empresarial, en términos de toma de decisiones, seas efectivo y eficiente, lo que es posible lograr, utilizando las últimas herramientas tecnológicas para: la integración de sistemas de información, la transformación de datos e información, y de información en conocimiento, y la explotación de sistemas gerenciales y decisionales para un proceso de toma de decisiones fundamentado.

La inteligencia de negocios es tal, siempre y cuando las decisiones gestionadas en los niveles de la gerencia media y de la alta gerencia, provengan exclusivamente de las operaciones transaccionales de la empresa, con la participación de mecanismos tecnológicos destinados para ese efecto.

Son ya muchas las empresas que han implementado soluciones de BI y se han visto enormemente beneficiadas, la próxima puede ser la suya. La mejor forma de resumir todo lo anterior es por medio de la frase de Bill Gates, Ex-director de Microsoft, “BI ayuda a rastrear lo que en realidad funciona y lo que no”

Fuente: Juan carlos Araníbar/ Universidad Univalle