Business Intelligence en la era del Big Data: Business Analytics

By | 24 agosto, 2015

9 minutes

Ciertamente, una de las cuestiones que ha traído esta era del Big Data es una cantidad de términos espectacular. Desde el Data Mining, pasando por el Datawarehouse, hasta empezar a mezclar Big Data con Business Intelligence. Y luego, para colmo, se empieza a hablar más del Business Analytics. Dado que todo esto es una conversación muy frecuente en los foros en los que me muevo, y dado que cada vez me refiero más a entradas de mi blog para dar respuesta a todo ello, he pensado que sería interesante escribir una entrada para hablar de todo ello.

El Business Intelligence (Inteligencia de Negocios), es un conjunto de métodos y técnicas que han venido empleándose desde hace años en diferentes sectores para ayudar en la toma de decisiones. Básicamente consiste en el procesamiento de datos para obtener información resumida y sintetizada de todos ellos. El problema en los últimos años es que la ingente cantidad de datos generada, está haciendo cambiar el paradigma de computación de los datos. Aparecen datos a mucha velocidad, con una alta variedad de formatos, granularidad, etc., en grandes volúmenes, y encima, no siempre veraces. Esto es lo que se ha venido en describir como la era del Big Data.

Por otro lado, los métodos más avanzados de procesamiento estadístico también han aparecido para hacer más complicado ese procesamiento de datos, pero también más enriquecedor para la toma de decisiones estratégicas de una organización. Ahora, una empresa no solo puede resumir el pasado (enfoque Business Intelligence), sino que también puede establecer relaciones y comparaciones entre variables para tratar de adelantarse al futuro (Business Analytics).

Así, la propuesta de valor que se plantea, se centra en ofrecer a las compañías esa diferenciación en cuanto al procesamiento de datos:

  • Hacer frente a cualquier variedad, velocidad y volumen de datos que generan (afrontar el reto del Big Data)
  • Construir modelos estadísticos más robustos, eficientes y avanzados, que no solo describan la historia de lo que ha ocurrido, sino que descubran relaciones y comparaciones entre variables para poder ayudar a tomar decisiones estratégicas a futuro (afrontar el reto del Business Analytics en la era del Big Data)
Del Business Intelligence, al Business Analytics

Del Business Intelligence, al Business Analytics (Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3))

¿Qué gana mi empresa con esto del Business Analytics?

Con estos servicios de Business Analytics, básicamente, a una compañía, lo que podemos ofrecerle son dos tipos de explotaciones de datos:

  • Informar: ver lo que ha ocurrido en el pasado, y tomar decisiones reactivas (Business Intelligence)
  • Predecir: inferir lo que puede ocurrir en el pasado, y tomar decisiones proactivas (Business Analytics)

Este cambio que se propone a las organizaciones hacia el Business Analytics es un cambio importante. Para que se hagan ustedes a la idea, y puedan llevarlo a un plano práctico de su día a día, puede responder a preguntas como:

  • ¿Cómo puedo descubrir más información relevante sobre mis clientes? Datos como los drivers que le llevan realmente a comprar, cómo se relacionan mis clientes entre ellos, qué opiniones son las que han sido clave para la toma de decisión de compra, etc.
  • ¿Qué pasaría si cambio el precio de mis productos/servicios? Es decir, disponer de un análisis de sensibilidad de una variable (precio) respecto a su impacto en otra (ventas totales de ese producto o sobre otros), de manera que puedo ver la relación entre las mismas.
  • ¿Cómo puedo reducir la tasa de abandonos de mis clientes? Es decir, construir un modelo de propensión a la fuga, para saber qué puntos o acciones son las que pueden llevar a un cliente a abandonarme. De esta manera, a futuro, tendría más probabilidad de encontrar clientes que pudieran marcharse de la compañía.
  • ¿Cómo puedo identificar a los clientes más rentables? No desde el punto de vista de las ventas totales, sino del valor que extraigo de cada uno de ellos (entendiendo valor como margen de beneficio)
  • ¿Cómo puedo detectar fraude? Analizando el histórico de valores que van tomando las variables para los casos de éxito (no hay fraude, se paga a tiempo, no hay insolvencias, etc.) y los de fracaso (fraudes, impagos, etc.), se pueden construir modelos que relacionen las variables que frecuentemente están asociados a los casos de fracaso, y así poder anticiparse a futuro.
  • etc.

Y en todo proyecto de Business Analytics, a una organización que quiere descubrir qué puede aportarle en su negocio o día a día, hay seis posibles entregables o “productos” que puede recibir:

  1. Análisis y modelos estadísticos: crear modelos estadísticos que permitan descubrir tendencias, patrones, relaciones, etc. anteriormente desconocidas. Por ejemplo, detectar fraudes en la reclamación de pólizas de seguros, estudiantes que pudieran haber copiado en en un ejercicio online, análisis de cestas de la compra de un retailer para invitar a realizar promociones, etc. Suelo clasificar los modelos de análisis de datos en cuatro grandes familias, siguiendo una serie de preguntas creo fácilmente entendibles:
    • ¿Quieres predecir una categoría? En caso de ser afirmativa la respuesta, la siguiente pregunta que cabe realizarse es si tus datos tienen una serie de campos para clasificar (saber si un estudiante va a aprobar o no, o si va a comprar un determinado producto o no) o no los tiene. Si los dispone, es un algoritmo de clasificación, muy utilizado para clasificar perfiles de clientes en entidades financieras (scoring y profiling) y así saber si darle un crédito o no (y ejemplos parecidos en otras industrias), por ejemplo. Para todo esto son muy usados los árboles de decisión (para ir navegando por las diferentes alternativas en sus ramas) o las reglas de asociación (que construye un conjunto de reglas que describen las relaciones y patrones de comportamiento de las variables; por ejemplo, para saber qué comprará un cliente que ha comprado también anteriormente un producto X y otro Y).
      En caso de no disponer una categoría sobre la que clasificar, estamos hablamos de algoritmos de clustering. Se trata de agrupar los registros con un comportamiento parecido en cuanto al valor que adquiere de las variables (actividades de un estudiante, artículos que compra y selecciona un cliente, productos financieros/seguros que va adquiriendo, etc.), pero sin saber cómo clasificar a esos registros con anterioridad en una sola categoría.
    • ¿Quieres predecir una cantidad? En estos casos, se pueden construir modelos de regresión o de Machine Learning (en función de la complejidad y grado de aprendizaje que se quiera dar al ordenador), para así disponer de una herramienta de trabajo que modela la relación entre las variables y así poder responder a cuestiones anteriormente planteadas (cómo varían las ventas si cambio el precio, qué canal de marketing puede intensificar para sacarle más rentabilidad a la campaña, etc.)
    • ¿Estás simplemente observando datos?  En este caso, podemos hacer tareas relacionadas con la reducción de dimensionalidad, tales como el Análisis de Componentes Principales. Imagínense que una compañía tiene 60 variables que analizar, lo que resulta ingestionable. Con estas técnicas, podemos reducir esa dimensionalidad a 2-3, bastante más manejable, siempre y cuando se cumplan una serie de reglas de representación y significatividad del conjunto de datos. Esta técnica puede ser muy útil para identificar drivers de compra/comportamiento agrupados, y así saber por qué nos compra un cliente o qué atributos comparten un grupo de estudiantes que han fracasado o triunfado.
    • Si la respuesta a las preguntas anteriores es a todas no, lo que estás haciendo es predecir nuevas estructuras. Dado que prácticamente ni siquiera sabes lo que quieres, es muy frecuente que en estos casos se descubran nuevas relaciones, nuevas clasificaciones, nuevos grupos, etc.
  2. Minería de texto: descubrir y extraer patrones significativos y las relaciones de las colecciones de texto. Por ejemplo, comprender los sentimientos de los clientes en los medios sociales como Twitter, Facebook, Blogs, Call center, etc. Se utilizan para mejorar el servicio del producto o cliente o entender cómo lo está haciendo la competencia. Además, se pueden extraer, de un conjunto de textos, las entidades más reiterativas, y cómo se relacionan las mismas. 
  3. Prospectiva (Forecasting): analizar y construir modelos de predicción que tiene lugar durante un periodo de tiempo. De esta manera, se pueden predecir la demanda energética estacional usando las tendencias históricas, predecir cuántos capacidad de producción es necesaria para adelantarse a las necesidades de la industria, etc.
  4. Analytics predictivo: crear, administrar e implementar modelos de predicción de puntuación para aumentar el negocio. Por ejemplo, la pérdida de clientes y la retención, Credit Scoring, el modelo de deserción de un estudiante, posible fatiga de materiales o de máquinas, etc. Esto ayuda mucho a reducir los costes dentro de una compañía, debido a costes laborales, medioambientales, sociales, legales, de mantenimiento, etc.
  5. Optimización: el uso de técnicas de simulación para identificar escenarios que producirán los mejores resultados. Por ejemplo, la optimización de precios para el escenario más favorable de ventas, la identificación del inventario óptimo que evite rupturas de stock, etc. Son modelos de optimización y simulación muy usados para la gestión de inventarios, gestión de redes de producción y distribución, relaciones entre productos y clientes, etc.
  6. Visualización: análisis exploratorio de los datos que permita al usuario entender mejor el problema al que se enfrenta. En definitiva, mejorar la salida de los resultados del modelo estadístico con gráficos interactivos que mejoran la experiencia de usuario.

Deloitte, recientemente, identifica diez tipos de innovación que toda compañía puede afrontar. Y, yo suelo describir el valor que se puede aportar a las compañías, en consecuencia, en cualquiera de esas diez áreas. Se trata de que las compañías vean que esto del Business Analytics avanzado permite aportar un valor añadido en forma de innovación. Y me ha parecido interesante presentarlo así como una manera de resumir todos los modelos anteriormente planteados, en qué áreas de la empresa tiene aplicación.

Y a la pregunta que suelen realizar de ¿Y dónde puedo aplicar esto en mi empresa? a continuación, se presentan campos de aplicación, en términos de análisis y preparación de datos de la compañía:

Los diez tipos de innovación, valor añadido, que se pueden aplicar a una organización

Los diez tipos de innovación, valor añadido, que se pueden aplicar a una organización (Fuente: http://www.cosia.ca/newsletter/43/319/Enabling-Innovation-Insight-from-the-Innovation-Summit/d,detail_current_issue&tag=Operationalization)

  • Modelo de negocio/beneficio: identificar la base de clientes y de productos/servicios que más valor/beneficio/retorno dé a una compañía (lo expliqué al comienzo de este artículo).
  • Red: qué influenciadores o clientes pueden resultar clave para llegar a otros. Es decir, análisis de redes para identificar relaciones de valor y sostenibles en el tiempo. Todo ello, a través de la teoría de grafos, que se ha popularizado recientemente por su aplicación a juegos de equipo deportivos como el fútbol
  • Estructura organizativa: procesos internos para el alineamiento estratégico, tales como los modelos de optimización y simulación apoyando a la toma de decisiones operativas de la compañía.
  • Procesos y operaciones: optimización de procesos y reducción de costes y pérdidas a través de modelos predictivos.
  • Rendimiento productos/servicios: optimizar la línea de productos/servicios a través de la identificación de aquellos que resulten más rentables y encima generan más satisfacción entre los clientes. Muy relacionado con la contabilidad analítica/financiera.
  • Sistema de productos/servicios: construir una relación de consumo y satisfacción entre mi cartera de productos y servicios para poder elaborar posteriormente sistemas de recomendación y de aumento de las ventas a través de cross y upselling (lo expliqué aquí).
  • Servicio y front-office: todos los puntos de contacto con mis clientes, centralizados, y que permitan la recogida de datos unificada, para así poder explotar posteriormente esos datos. De este modo, podremos identificar puntos de mejora, allí donde más insatisfacción hay por parte de los usuarios, y sobre todo, en puntos que pueden generar la fuga de los clientes.
  • Canales: de todos los canales que dispongo, cuáles son los más eficientes con mis clientes, tanto en términos de conversación y relación con ellos, así como en términos de llegada a nuevos mercados.
  • Marca: cuales son los drivers que identifican mis consumidores y que les inducen a tomar la decisión de compra o de fuga. De este modo, podré construir modelos de propensión a la compra o a la fuga (también ya explicados aquí y aquí respectivamente).
  • Engagement con clientes: en términos de experiencia de usuario y de cliente, cuáles son los elementos más destacados, los que permiten generar más satisfacción. Se construye una matriz de atributos-puntos de contacto para saber cuáles mejorar, cuál es la más destacada, un benchmarking frente a la compañía, etc.

Como decía al comienzo, el Business Analytics trae una inteligencia a los negocios enriquecido a través de modelos estadísticos que permiten descubrir nuevas estructuras, patrones, relaciones entre variables, etc. Esto, sumado a la era de la ingente cantidad de datos, hace que las compañías se puedan beneficiar de todo ello en muchas áreas. Éstas, han sido expuestas en este artículo, con objeto que se pueda todo lector imaginar cómo puede esto aplicarse a su día a día en la empresa.

4 thoughts on “Business Intelligence en la era del Big Data: Business Analytics

  1. Pingback: Atribuyendo méritos al éxito cooperativo: Shapley y los modelos de atribución

  2. Edgar Martell

    Hola.
    Interesantes alcances y comentarios. Actulamente trabajo en el área de Contrataciones Estatales de un Entidad Pública, nuestro problema está en que no tenemos un cuadro de gestión que nos permita hacer seguimiento visual y estructurado del proceso de atención. Creo que preliminarmente puedo proponer el uso de BA enfocado en la Visualización como un medio exploratorio del desempeño de las actividades/fases de la contratación, y de esta manera encontrar oportunidades de mejora.
    Si tienes alguna referencia de trabajos realizados en este ámbito del sector público estaré más que agradecido.
    Saludos.

    Reply
    1. alrayon Post author

      Buenos días Edgar,

      disculpa el retraso en la respuesta, pero he tenido un problema con la notificación de comentarios en el blog, y no me llegaban bien los correos.

      Sin duda alguna, el enfoque que sugieres me parece el más acertado. Impartí una conferencia sobre la atención al cliente (que en tu caso, sería un tipo especial de “cliente”), hace unos meses: http://www.slideshare.net/alrayon/mejorando-la-experiencia-de-cliente-a-travs-del-big-data

      Por otro lado, he participado en un par de proyectos del ámbito público, que describo en estas dos entradas:
      https://blogs.deusto.es/bigdata/smart-city-bilbao-los-datos-al-servicio-de-la-ciudad/
      https://blogs.deusto.es/bigdata/las-ciudades-inteligentes-que-hace-una-administracion-y-en-que-le-puede-ayudar-el-big-data/

      Puedes mandarme un correo a (alex.rayon.jerez@gmail.com) si necesitas más información.

      De nuevo, disculpa el retraso.

      Saludos,

      Reply
  3. Pingback: Deusto Ingeniería y su línea Big Data en el Congreso HORECA de AECOC 2016 - Deusto BigData

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *