Innovación de negocios y tendencias

Big Data y las 4 etapas de una empresa data-driven

Escrito por: Dámaso Fernández y Manuel Zambrano — Predictive Advance Analytics

 

Hoy en día, la cantidad de datos que se generan y están disponibles para las empresas crecen a un ritmo acelerado que nunca habíamos visto antes. Hace tan solo 15 años la cantidad de datos en el mundo, era de 0.1 Zettabytes. Se estima que para el 2020 incremente a 40 y para el 2025 a 175 Zettabytes (1 Zettabyte es 1 trillón de Gigabytes). Esto implica que el 90%+ de la data que se ha generado en el mundo ha sido en los últimos 5 – 10 años y que se está duplicando cada 2 años aproximadamente.

¿Cómo se generan tantos datos? Aquí es donde entra el tema que hemos escuchado de “Big Data”. Big Data es un término que se utiliza para describir a data que cumple con las 3 Vs.

Las 3 Vs de Big Data:

1.- Volumen: Es data que se produce en grandes cantidades

2.- Variedad: Data que proviene de distintas fuentes, tanto estructuradas o tradicionales (data de ERPs, Puntos de Venta, etc.) como no estructuradas (ej. Redes sociales, videos, etc.)

3.- Velocidad: A la que se genera y procesa la información.

 

A estas 3 Vs, se la agregan 2 Vs que últimamente se han integrado para enfatizar la relevancia de la data:

1.- Valor: Cuál es el valor que agrega o aporta la data.

2.- Veracidad: Qué tan confiable y fidedigna es la data.

 

¿De dónde proviene el Big Data?

Distintas fuentes de datos estructuradas y no estructuradas como:

  • Data de empresas: Información de los sistemas de las empresas como el mismo ERP, sistemas de Punto de Venta, de Producción o Manufactura, de Operaciones, de Finanzas, de Recursos Humanos, de Ventas o CRMs, de Gestión de Proyectos, etc.
  • Bases de Datos: Tanto de proveedores de datos de inteligencia de mercado (ej. Nielsen) como instancias gubernamentales con reportes económicos o sociodemográficos (ej. INEGI) como otras fuentes que tienen bases de datos de mapas, orografía, clima, etc.
  • Internet y Redes Sociales: En los últimos 10 años ha sido la fuente de generación de datos con mayor crecimiento e incluye desde todo el contenido en las páginas web que está entrelazado por Google y otros buscadores que permiten conectar y accesar ese contenido, así como el contenido en Redes Sociales como Facebook, Twitter, Instagram, incluyendo plataformas de video como Youtube, entre otras.
  • Internet of Things o los Sensores: Hoy en día, millones de aparatos están conectados de alguna forma al Internet (muchos a través de una computadora o dispositivo) que generan información adicional. Por ejemplo, televisores, relojes, monitores de salud o médicos, cámaras, autos y camiones, electrodomésticos, maquinaria de industria, entre muchos otros.

Con esta increíble cantidad de datos, ¿qué están haciendo las empresas? El valor en “bruto” de esta información es prácticamente infinita, la clave está en poder almacenarla, ordenarla, procesarla, analizarla y finalmente ponerla en acción integrándola un proceso productivo de la empresa.

A grandes rasgos podríamos hablar de 4 etapas de madurez de las empresas en cuanto al manejo y procesamiento de datos. Las empresas van evolucionando a través de este espectro en un proceso de transformación, el cual es continuo y no discreto, por lo que las empresas pueden presentar características de una o más etapas.

 

Las 4 etapas de una empresa data-driven:

1.- Básica: Empresas que capturan los datos de sus sistemas. Generan reportes financieros y de operaciones para el monitoreo de KPIs y metas, típicamente de forma mensual. La información normalmente está dispersa en diferentes sistemas y además aislada en silos (ej. marketing, comercial, operaciones) donde cada área tiende a tener fuentes distintas o variaciones de la “verdad”, en muchas ocasiones con divergencias importantes.  Se ejecutan análisis ad-hoc por proyecto en cada área. No existen un claro governance o proceso de manejo de datos holístico en la compañía.

2.- Intermedia: Empresas que tienen claridad de los objetivos que buscan lograr con su información y la analítica. En ocasiones ya han hecho un esfuerzo por construir un “data lake” o un repositorio de información que se integra de diferentes sistemas. Esto les permite a las diferentes áreas accesar una misma fuente de información y poder hacer análisis especializados. Tienen un governance de la data bien claro y definido, así como recursos internos o externos que habilitan la ingeniería de datos. Comienzan a estandarizar los reportes, KPIs y dashboards más importantes que se utilizan para la toma de decisión utilizando Inteligencia de Negocio (BI o Business Intelligence). Empiezan a experimentar con un proceso para aplicar analítica avanzada y modelos predictivos en procesos puntuales.

3.- Avanzada: Empresas que tienen los “use cases” o casos de uso más críticos definidos e implementados con analítica (use case típicamente se define como una aplicación de analítica en un proceso particular, ej. proyectar las ventas por punto de venta de forma diaria, semanal o mensual). Tienen algunas de sus aplicaciones críticas integradas a sus procesos productivos de forma automática (típicamente construyendo uno a la vez). Sus soluciones incluyen el uso de la analítica avanzada como modelos predictivos y machine learning que permiten tomar decisiones más ágiles y precisas en comparación con métodos de analítica tradicional (descriptiva o de diagnóstico). Integran data de fuentes externas de forma automática. Invierten en tecnología y arquitectura que les permite lograr sus objetivos para continuar capturando e integrando la nueva data a sus procesos automáticamente. Cuentan con recursos, internos o externos de ciencia de datos que les habilita el procesar y poner en práctica las grandes cantidades de información, así como de gestión de proyectos y del cambio.

4.- Líder: Empresas que toman la mayoría (o todas) de las decisiones importantes con insights automatizados que provienen de modelos predictivos y prescriptivos con analítica avanzada y big data. Sus modelos de toma de decisión no solo son automatizados, sino que gracias a machine learning, los modelos van aprendiendo y adaptándose tanto a los resultados obtenidos como a los cambios contextuales (ej. la proyección de ventas se vuelve cada vez más precisa al comparar cada día o semana el outcome real vs la proyección del modelo, ajustando los parámetros para volverse más preciso sin necesidad de volver a “programarse”). Gestionan el cambio de procesos de forma proactiva y están constantemente innovando en las nuevas soluciones y tecnologías. Son empresas que desarrollan nuevos modelos de negocio y estrategias transformacionales basados en apalancar la estructura y procesos data-driven. Empresas como Netflix, Amazon, Uber, entre otras, se han convertido en verdaderos disruptores de sus industrias a través de una estrategia basada en los datos.

Definitivamente, el camino para convertirse en una empresa líder data-driven no es de la noche a la mañana. Es un proceso de transformación que requiere invertir recursos para desarrollar las capacidades de talento, gestión de cambio, cultura, arquitectura de TI, mejora continua, procesos, etc. Probablemente toma años un proceso de transformación completo, lo importante es dar pasos para construir esa plataforma de cambio ya que desde las primeras inversiones los retornos son enormes y transformacionales.

 

Nuestros asociados de Predictive Advance Analytics, cuentan con más de 15 años de experiencia combinada trabajando para mejorar la toma de decisiones en temas de estrategia, ventas, mercadotecnia, operaciones y cultura. Les apasiona utilizar la analítica avanzada para resolver problemas de negocio de la manera óptima. Para saber más de Predictive, visita predictive.com.mx