¿QUÉ ES LA ANALÍTICA DE NEGOCIO?

La percepción de que la tierra permanece inmóvil mientras los cielos giran a su alrededor dejo de ser suficiente el día que la tierra empezó a girar.

La revolución copernicana no sólo derribó dos mil años de pensamiento astronómico, resultó ser la senda hacia la búsqueda de respuestas en los datos empíricos y modelos matemáticos.

Galileo, Kepler y Newton construyeron sobre estos cimientos, y sus propias revoluciones científicas cuestionaron la dependencia en nuestros sentidos.

Surgió de manera evidente que era necesaria una interpretación matemática que revelase el conocimiento que la percepción no podía revelar.

En los últimos años, la creación de conocimiento ha alcanzado una gran dimensión como consecuencia del flujo constante de datos que genera todo aquello que nos rodea. Este tráfico constante de datos ha transformado los datos en Big Data.

Las herramientas de inteligencia básicas que comprenden inteligencia de negocio tradicional (basada en datos históricos) se han transformado como resultado del perfeccionamiento de manera significativa de los modelos matemáticos, surgiendo el Big Data Analytics. Una transformación que está teniendo un impacto sobre el conjunto de la sociedad y de sus elementos, y que supone un cambio transcendental en la creación del conocimiento.

¿Qué es el Business Analytics?

Saber que sabemos lo que sabemos y saber que no sabemos lo que no sabemos, ese es el verdadero conocimiento.” – Nicolás Copérnico.

BUSINESS ANALYTICS

El business analytics comprende el conjunto de métodos de análisis básicos que conlleva el uso de datos para conocer qué ha pasado o qué está pasando en este momento (descriptivo), así como métodos de análisis avanzados para saber qué pasará (predictivo) o qué debería suceder en el futuro (prescriptivo).

En otros términos, la analítica de negocio consiste en crear conocimiento de valor a partir del análisis de datos masivos con el propósito de extraer patrones de comportamiento sobre nuestros hábitos y costumbres, así como interpretar de forma eficiente situaciones empresariales para tomar decisiones informadas e inteligentes.

Ahora bien, ¿qué entendemos por Datos? Y, ¿en qué se diferencia de los Grandes Datos?

• Datos. Data son los números, caracteres alfabéticos o símbolos que expresan condiciones, valores o estados que establecen la base de cálculo o razonamiento.
• Grandes Datos. Big Data comprende el conjunto de datos no estructurados (correos electrónicos / mensajes de texto, vídeos, audios, publicaciones en redes sociales, etc.), semi-estructurados (software, hojas de cálculo, informes, etc.) y estructurados, de cuya calidad de conocimiento depende superar múltiples desafíos como volumen, velocidad, variedad, veracidad y valor de los datos.

La gran cantidad de datos que genera una empresa a través de las distintas unidades de negocio que la constituyen y los diferentes sectores en los que desarrolla su actividad son un activo estratégico, y como tal, el acceso a este gran volumen de información debe ser global y compartido al servicio de la organización y de todas y cada una de las personas que la conforman para mejorar los resultados y la toma de decisiones.

BIG DATA ANALYTICS

El Big Data Analytics ha irrumpido de manera significativa en las organizaciones y en el conjunto de la sociedad, y más allá del concepto, su impacto y adopción por las empresas se ha convertido en una prioridad por el valor diferencial que aportan. En este sentido, las organizaciones están adoptando el término de Big Data Analytics y construyendo alrededor del concepto Data Driven su estrategia empresarial.

Las 5 fases de evolución para convertirse en Data Driven Company

Convertirse en una organización data driven implica liderazgo en Big Data – Analytics, es decir, que los datos y el análisis formen parte de la visión estratégica y modelo organizativo de la empresa.

Transformarse en una data driven company significa un avance notable hacia una alta creación de valor transversal en diferentes áreas, reducción de costes, optimización de procesos, mejora en la innovación de productos y servicios, mayor competitividad y productividad y generar oportunidades de negocio.

Las empresas evolucionan a través de cinco fases para convertirse en una empresa data driven:

• FASE 1. RESISTENCIA A LOS DATOS. Se oponen a su uso “porque siempre se ha hecho así”. No se plantean si habría una mejor forma de hacer las cosas. Se resisten a los datos ante la incertidumbre, p. ej., de descubrir rendimientos ocultos, una estrategia desalineada, etc.
• FASE 2. CONSCIENTE DE LOS DATOS. Son conscientes del valor implícito de los datos. Se centran en la recopilación de datos, pero todavía no ha explotado el gran volumen de datos que almacenan.
• FASE 3. GUIADA POR LOS DATOS. Considera que los datos tienen un valor táctico. Se centra especialmente en un análisis predictivo de los datos extraídos (¿qué ha pasado o está pasando?)
• FASE 4. EXPERTA DE DATOS. Consciente de que los datos no sólo tienen un valor táctico, sino que también tienen un valor estratégico.
• FASE 5. IMPULSADA POR LOS DATOS. Construye su estrategia empresarial entorno a los datos. Los datos son un activo estratégico que impulsan cada decisión.

Los 5 elementos para convertirse en una organización impulsada por los datos

Adicionalmente, una empresa tiene que considerar cinco elementos necesarios para transformarse en una organización data driven:

CLIENTE

Las empresas están abandonando estrategias tradicionales para reorientarse hacia estrategias centradas en el cliente. Y con la finalidad de entregar un mejor servicio al cliente se apoyan en los datos. La vinculación analytics – customer centric mejora la relación y el conocimiento del cliente, lo que influye considerablemente en su fidelización.

TECNOLOGÍA

La digitalización tanto de productos y servicios como de procesos estratégicos en las empresas es básica para que estas intensifiquen su competitividad y productividad. Además, es fundamental que las empresas vinculen la digitalización a las tecnologías Big Data Analytics para incrementar su eficiencia, así como la optimización y/o automatización de sus procesos estratégicos.

CAPTACIÓN Y FIDELIZACIÓN DE PERFILES DATA SCIENTISTS

Un elemento básico para convertirse en una organización basada en datos es la captación y fidelización del talento especializado en la ciencia de los datos, caracterizado por su pensamiento analítico-creativo, habilidades sociales (soft skill), competencias técnicas (hard skill y visión de negocio.

Un perfil escaso y difícil de encontrar, pero necesario para convertir los datos en información de valor para la organización.

INFRAESTRUCTURA DE DATOS

Transformarse en una organización data driven comienza por adoptar una cultura analítica compartida por toda la organización y conlleva, fundamentalmente, disponer de la infraestructura de datos adecuada. En general, la implementación conveniente de la infraestructura de datos comprende:

• ARQUITECTURAS. Corresponde a la estructura en la que se almacenan las bases de datos y herramientas para la explotación de los datos.
• FUENTES. Para el análisis de la información se pueden explotar datos. Estos datos pueden provenir de fuentes internas a las organizaciones (datos sobre productos y servicios, de clientes, etc) o externos (datos sobre redes sociales, texto, vídeos, etc).
• TRATAMIENTO, ANÁLISIS Y MODELADO. Procesamiento, normalización y agregación de los datos para validarlos, estandarizarlos y en algunos casos integrarlos en una fuente común que servirá de almacén centralizado de conocimiento de la organización.
• EXPLORACIÓN Y VISUALIZACIÓN. Una vez definida la arquitectura, las fuentes y la normalización de los datos, podemos proceder a la exploración y visualización de los datos a través de herramientas como cuadros de mando para la gestión y análisis de la información y la visualización de kpis (indicadores clave de rendimiento). La visualización de los datos permite de forma fácil y simple extraer conclusiones y tomar decisiones.

CULTURAS ANALÍTICAS

Sin intención de menospreciar la cultura organización tradicional (fundamentada en creencias, intuición y experiencia para la toma de decisiones) las culturas analíticas proporcionan mejores resultados empresariales como consecuencia de la adopción de analíticas de negocio avanzadas, el análisis de resultados y la monitorización de puntos clave de las unidades de negocio y todos y cada uno de los procesos específicos de una empresa.

Las culturas analíticas nos permiten compartir entre todos los colaboradores de una organización la información de calidad que el Big Data proporciona para respaldar la toma de decisiones basada en datos.

ARTIFICIAL INTELLIGENCE

La IA – Inteligencia Artificial (del inglés, AI – Artificial Intelligence) ha resurgido apoyada en el Big Data y en el relevante crecimiento de la potencia de cálculo de los ordenadores en grandes Data Centers.

La Inteligencia Artificial es la capacidad que tiene una máquina para realizar acciones específicas que se consideran propias de la inteligencia humana (p. ej. Aprendizaje Automático). Por tanto, una máquina es inteligente cuando tiene la capacidad de aprender, entender, razonar, tomar decisiones y construirse una idea determinada de la realidad.

MACHINE LEARNING

El Autoaprendizaje o Aprendizaje de Máquinas (del inglés, Machine Learning) es la disciplina que proporciona a las máquinas la capacidad para analizar datos e información de experimentos, interacciones y observaciones de la realidad, aprender de ellos de manera independiente y luego actuar como lo hacen las personas, es decir, actuar sin haber sido programadas explícitamente para ello.

El algoritmo de aprendizaje automático no se ejecuta a raíz de la programación de ilimitadas reglas generales sobre qué hacer. Sino que actúa según el paradigma de aprendizaje que se utilice.

PARADIGMAS DE APRENDIZAJE

Los paradigmas de aprendizaje son los modelos que facilitan el procesamiento de los datos (e información) para convertirlos en conocimiento. Dentro del campo del Machine Learning convergen, principalmente, tres grupos de paradigmas de aprendizaje:

1. APR. SUPERVISADO. Aprendizaje donde la máquina cuenta con muchos ejemplos del resultado que se quiere obtener para un valor establecido, es decir, la máquina predice el valor de salida basado en el conjunto de ejemplos que previamente conoce.
2. APR. NO SUPERVISADO. Aprendizaje en el que el sistema cuenta con datos de entrada, pero no dispone de datos de salida a los que asociar un resultado. Por tanto, no se dispone de <<labeled data>>, únicamente encontramos en agrupaciones de datos basadas en similitudes algún tipo de estructura de datos que sintetice el análisis para hallar resultados.
3. APR. REFORZADO. El aprendizaje reforzado persigue que la máquina entienda como actuar ante una determinada situación de manera autónoma apoyado en la aparición de un refuerzo que desencadena una respuesta, previamente condicionada mediante un refuerzo positivo o negativo para influenciar en la reacción.

IMPACTO DEL APRENDIZAJE AUTOMÁTICO

El Autoaprendizaje es una aplicación valiosa de IA que proporciona esencialmente:

• VALOR DE LOS DATOS. El valor de los datos para reducir el tiempo de programación de software.
• PERSONALIZACIÓN. La personalización de la oferta para segmentos específicos de clientes y la experiencia de los consumidores.
• RESOLVER PROBLEMAS ABSTRACTOS. La resolución de problemas abstractos propios de una realidad incierta e inexacta, es decir, un mundo real caótico distanciado de las normas lógicas y las ciencias matemáticas.

El aprendizaje automático expande los horizontes del conocimiento y descubre nuevas áreas inexploradas, cambia la manera de pensar sobre un problema.” – Peter Norving.

Tecnologías Big Data – Analytics en España

UTILIZACIÓN DEL BIG DATA ANALYTICS

El nivel de uso de soluciones Big Data, en las compañías todavía sigue siendo bajo. Sólo un 16% de las organizaciones encuestadas manifiesta utilizar Big Data. Además, el uso habitual que se da al Big Data es eminentemente “tradicional”, es decir el 78% usan Big Data para realizar analítica descriptiva sobre grandes volúmenes de datos, el 14% realiza analítica prescriptiva y el 10% realiza analítica predictiva. Proyectos que utilicen variedad de fuentes desestructuradas o datos en tiempo real, son escasos. Según se desprende del último estudio “Universo Penteo de Integradores Big Data Analytics” elaborado por Penteo.

Este informe sobre la madurez digital de las empresas españolas también refleja que, el 31% de las organizaciones dispone de una estrategia corporativa definida para aprovechar el valor de la información. El resto de iniciativas se diseñan y ejecutan de forma departamental en colaboración con la dirección TIC, pero sin una supervisión corporativa del verdadero valor que aportan. Como consecuencia de ello, no hay una medida establecida del retorno que puedan estar proporcionando las iniciativas de analítica de datos. En cambio, para el 83% de los casos sí hay un convencimiento muy amplio de que Analytics puede ser una fuente de valor y competitividad.

En dicho estudio también consta que el 73% de las organizaciones conoce el concepto de Big Data Analytics y de éstas una tercera parte conoce las implicaciones. Así pues, concluye que la adopción tecnológica en España se encuentra todavía en una fase inicial en el que los responsables de las empresas no tienen dudas de que aportarían valor, pero no tienen claro el cómo. Y aunque la previsión de inversión en proyectos y servicios Big Data Analytics se incrementa significativamente respecto al año anterior, los desafíos son importantes, empezando por la escasez de talento y por la combinación de tecnologías que dificultan la adopción.

Siempre hay un punto de inflexión cuando el conocimiento se expande, como con el giro copernicano, el inicio del surgimiento de nuevas ideas y conocimiento en múltiples campos de la ciencia nos han permitido evolucionar durante siglos.

En la actualidad, el Big Data es el nuevo punto de inflexión y de expansión del conocimiento, y las organizaciones pueden evolucionar a partir de estos grandes volúmenes de datos masivos, pero de su progreso depende transformarlos para convertirlos en una de sus principales oportunidades para generar ventajas competitivas hacia la innovación, la competencia y la productividad.