big data: the management revolution

PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE

Big Data: the Management Revolution

Alex Rayón [email protected]

@alrayon

Febrero, 2016. Madrid.

mailto:[email protected]

2

Fuente: http://www.amazon.es/dp/1118965833/ref=asc_df_111896583332101237/?tag=googshopes-21&creative=24538&creativeASIN=1118965833&linkCode=df0&hvdev=c&hvnetw=g&hvqmt=

5

Índice de contenidos●Clarificando conceptos●Impacto Big Data●Dirección estratégica basada en datos●Tratamiento y gestión de datos●Implantación sistema Big Data

6


7

Clarificando conceptosLas 5 V’s del Big Data

Fuente: http://www.dreamstime.com/stock-photography-big-data-v-words-image35236832

8

Clarificando conceptosData Science

Fuente: http://www.slideshare.net/TechnetFrance/rec201-mstechdaysfinal130213033305phpapp02-19779391

9

Clarificando conceptosDrivers of Big Data

10

Clarificando conceptosEconomía digital

● La sociedad se ha tecnificado, y estamos cada vez más interconectados○ Se habla de las redes sociales

● A eso unámosle que el coste computacional es cada vez menor○ Menor coste de producción

● Cada vez se están digitalizando más procesos y actividades de nuestro día a día○ Generaremos cada vez más datos

11

Clarificando conceptosEconomía digital (II)

En la actividad digital, todo genera un datoTarjetas de créditoTeléfonos móvilesRedes socialesProveedores de InternetTarjeta de fidelización de

mercado...

Fuente: http://www.privacidadlogica.es/2012/05/31/modelo-de-informe-sobre-sistema-de-control-horario-basado-en-huella-digital/

12

Fuente: http://www3.weforum.org/docs/WEF_ITTC_PersonalDataNewAsset_Report_2011.pdf

Clarificando conceptosEconomía digital (III)

13

Fuente: http://www.theguardian.com/news/datablog/2014/apr/22/how-much-is-personal-data-worth

Clarificando conceptosEconomía digital (IV)

14

Clarificando conceptosBig Data vs. Business Intelligence

Business Intelligence

Big Data

15

Clarificando conceptosBig Data vs. Business Intelligence (II)

●No obtiene respuestas quién posee los datos, sino quien sabe hacer las preguntas

●Una disciplina que tiene un objetivo a medio plazo

o La herramienta de la estrategia y de la dirección

o Busca dar respuestas a preguntas concretas y formuladas a priori analizando datos

Fuente: http://www.xiskya.com/2012/12/21/una-pregunta-poderosa-por-favor/

16

Clarificando conceptosBig Data vs. Business Intelligence (III)

●Por contra, Big Data, básicamente consiste en analizar masivamente datos "a ver si sale algo"

●Esto último tiene problemas obvioso Me pueden salir correlaciones o relaciones espúreas o sin

fundamento ni sentido (si analizamos la aparición del cambio climático y la desaparición de los piratas, la correlación es muy alta, y su sentido ninguno)

o Un campo que permite aprovechar el dato a corto plazo buscando patrones, inferencias, etc., entre los datos, sin ningún objetivo a priori concreto

17

Clarificando conceptosBig Data vs. Business Intelligence (IV)

18

Clarificando conceptosBusiness Intelligence

En 1989, Howard Dresner, un investigador de Gartner Group, popularizó el acrónimo de BI (Business Intelligence) para indicar

“El conjunto de conceptos y métodos para mejorar la toma de decisiones en los

negocios, utilizando sistemas de apoyo basado en hechos”

19


20

Impacto Big DataEl impacto en los negocios

● Los beneficios que una empresa puede obtener son claros: ○ Conocimiento de sus clientes, mercados, productos, etc, ○ Redundando esto en nuevos mercados, nuevos

segmentos○ Alineamiento de la empresa a los clientes○ ...

● En definitiva nuevos ingresos y ahorros

21

Impacto Big DataEl impacto en los negocios (II)

Oportunidades que se enmarcan en la era de la personalización y especialización que demanda un

cliente exigente e informado

Fuente: http://www.luxortec.com/blog/camino-a-una-estrategia-centrada-en-el-cliente/

22

Impacto Big DataEl impacto en los negocios (III)

● La oportunidad de explotar el dato aparece cuando muchas empresas se dan cuenta que tienen muchos datos en diferentes sistemas y archivos (ERP, CRM, hojas de cálculo, redes sociales, etc), y no lo explotan

● Y aquí el principal problema está en que no hay una "explotación cerrada"○ Es decir, no hay un conjunto de utilidades o preguntas

tipo○ Hay tantos enfoques prácticamente como empresas

23

1) Ganar más dinero

2) Evitar perderlo

3) Optimizar procesos

Impacto Big DataEl impacto en los negocios (IV)

24

Impacto Big DataCasos reales

25

Impacto Big DataCasos reales (II)

26

Impacto Big DataCasos reales (III)

27

Impacto Big DataCasos reales (IV)

28

Impacto Big DataMaturity model

Fuente: https://www.gartner.com/doc/713210

29

Impacto Big DataBusiness Intelligence vs. Business Analytics

30

Impacto Big DataBusiness Intelligence vs. Business Analytics (II)

Fuente: http://i.ytimg.com/vi/oNNk9-tmsZY/hqdefault.jpg

Fuente: https://wiki.smu.edu.sg/is101_2012/Week_12_(G3)

3131

●Estudiar datos tiene dos objetivos principaleso Informar

§ ¿Qué ha ocurrido?o Predecir

§ ¿Qué podría ocurrir?

Hoy

Business Analytics

Predecir

Business Intelligence

Informar

Impacto Big DataBusiness Intelligence vs. Business Analytics (III)

32

Modelo EFQM de ExcelenciaFuente: http://www.tqm.es/TQM/ModEur/ModeloEuropeo.htm

Impacto Big DataProcesos funcionales de aplicación

33


34

Dirección estratégicaData-Driven Organization

Roadmap to Data-Driven Organization advantage

Fuente: http://www.ibmbigdatahub.com/blog/observations-transformations-and-conversations-ibm-chief-data-officer-summit

35

Dirección estratégicaData-Driven Organization (II)

36

Dirección estratégicaData-Driven Organization (III)

Fuente: http://www.forbes.com/sites/piyankajain/2012/06/22/what-is-your-organizations-analytics-maturity/#55ada95c58f2

37

Dirección estratégicaData-Driven Organization (IV)

El riesgo estratégico causa el 68% de

disminución de la capitalización de mercado

38

Dirección estratégica¿Qué es la Dirección Estratégica basada en datos?

●Habitualmente, las decisiones operativas y tácticas, son muchas y pequeñas, con datos suficientes a priori sobre los cuales construir una base de conocimientos

●La decisiones estratégicas, en cambio, son generalmente poco frecuentes, cada una de gran valor, con pocos datos formales de decisiones previas similares y que requieren conocimientos de negocios y el balance de las compensaciones

39

Dirección estratégica¿Qué es la Dirección Estratégica basada en datos? (II)

●Debilidadeso El proceso de obtener información relevanteo El proceso de reutilización del conocimiento existente y

el evitar el problema de inventar continuamenteo El proceso de tomar buenas decisiones rápidamente

§ Es decir, ni tomar malas decisiones rápidamente ni tomar decisión en absoluto

o Habiendo tomado una decisión, el proceso de convertir la decisión en acción

§ Es lo que se llama la prescripción, fin último de un proyecto Big Data

40

Dirección estratégicaDiagnóstico e indicadores

41

Dirección estratégicaToma de decisiones

●La toma de decisión implica

o Comprender bien los factores claves de la decisión y cómo éstos afectan a la decisión

o Solo procesar la información relevante para la decisión

Fuente: http://eprojectingenieria.com/doc/PresentTema7.pdf

42

Dirección estratégicaEvidence-Based Management

43

Dirección estratégicaEvidence-Based Management (II)

“Trasladar los principios basados en la mejor

evidencia, a las prácticas organizacionales”

44

Dirección estratégicaEvidence-Based Management (III)

Es muy similar, en su esencia, al ciclo de aprendizaje o de solución de problemas, repetido por numerosos autores bajo distintos esquemasCiclo de Shewhart o de DemingCiclo de aprendizaje de Kolbetc.

Consiste en: Planteamiento de un problemaLa selección de la o las mejores solucionesLa aplicación de las mismas La verificación de sus resultados

45

Dirección estratégicaEvidence-Based Management (IV)

Aprender acerca de las conexiones causa-efecto en las prácticas profesionalesEstablecimiento de metas y capacidad cognitiva

Aislar las variaciones que afectan los resultados deseados de manera sensibleEl número de metas puede importar

Cultura de toma de decisiones basada en evidencias

46

Dirección estratégicaEvidence-Based Management (V)

Construcción de apoyos de decisión para promover prácticas que soporten la evidencia Por ejemplo, especificidad, margen de tiempo para las

metas

Compartir información común para reducir el sobre-uso, el bajo uso y el mal uso de prácticas organizacionales y administrativas

47

Dirección estratégicaEvidence-Based Management (VI)

Hay áreas específicas donde la administración basada en evidencias puede ayudar a superar creencias ampliamente sostenidas, pero que no cuentan con el suficiente sustento empírico: Liderazgo, la estrategia, el cambio, el talento, los incentivos

financieros y una vida laboral balanceada.

Estos mismos autores han creado, además, su propio sitio web:

www.evidence-basedmanagement.com

http://www.evidence-basedmanagement.com/

48

Dirección estratégicaEvidence-Based Management (VII)

Cinco principios de la ABE1. Enfrente los “hechos duros” y construya una cultura en la cual se

aliente a las personas a decir la verdad, aunque ésta no sea agradable

2. Comprométase con la toma de decisiones basada en hechos, lo que significa comprometerse a obtener la mejor evidencia posible y utilizarla como guía para las acciones

3. Trate su organización como un prototipo, inconcluso aliente la experimentación y el aprendizaje activo

4. Vigile los riesgos y los inconvenientes en lo que la gente recomienda, incluso la mejor medicina tiene sus efectos colaterales

5. Evite basar las decisiones en creencias fuertemente sostenidas pero no probadas, en lo que hizo en el pasado o en el Benchmarking no crítico de lo que hacen los ganadores

49

Dirección estratégicaEvidence-Based Management (VIII)

Fuente: Las etapas del modelo de Sackett et al.

50

Dirección estratégicaEvidence-Based Management (IX)

51

Dirección estratégicaEvidence-Based Management (X)

52

Dirección estratégicaEvidence-Based Management (XI)

53

Dirección estratégicaSimulador

Fuente: http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecast.htm y http://home.ubalt.edu/ntsbarsh/stat-data/Javastat.htm

http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecast.htm

54

Dirección estratégicaSimulador

55


56

Tratamiento y gestión datosPirámide informacional

Fuente: http://mundotrading.net/2014/05/01/hoy-tenemos-mucha-informacion-pero-somos-mas-cultos/

57

●El dato por si solo nos aporta poco…o 2.000 visitantes únicos en mi tienda onlineo 1.000 nuevos usuarios en mi aplicacióno 10% nuevos clientes en mi exposicióno 24 conversiones de las campañas de captacióno 3.000 € de incremento del tamaño de la transacción

media de ticket de comprao ...

Tratamiento y gestión datosDel dato...

58

Falta contexto → circunstancias

FechaDispositivo/canalGeolocalización

FuenteTendencia/Perspectiva

...

Tratamiento y gestión datosDel dato… (II)

59

El dato puesto en valor → inteligencia de negocio

Tratamiento y gestión datos… al conocimiento

Fuente: http://www.esan.edu.pe/conexion/actualidad/2013/04/12/inteligencia-negocios-empresa/

60

Tratamiento y gestión datosFuentes de datos

Source: http://www.bigdata-startups.com/BigData-startup/understanding-sources-big-data-infographic/

61

Tratamiento y gestión datosClasificación

Source: http://www.slideshare.net/microlife/bigdata-cloudcomputingvietstack

62

Tratamiento y gestión datosResolución de problemas

Problemas

Predictivos(supervisados)

Descriptivos(no supervisados)

Clasificación

Regresión

Análisis correlacional

Agrupamiento

Reglas asociación

63

Tratamiento y gestión datosResolución de problemas (II)

64

Tratamiento y gestión datosLa puesta en valor del dato

Datos Analíticas Puesta en valor

Modelo predictivo de previsión de compras: eficiencia transporte, ahorro portes, evitar roturas stock, etc.

Modelo predictivo de ventas: sugerencia compras, etc.

Rutas óptimas según cargas, productos y zona: en base a pedidos, etc.

Product clustering: incluso, personalización.

Análisis de compras

...“Sensores” para la captura de datos

Real Time→ Conocer estado producto en tiempo real, avisar ruptura stock, etc.

Marketing→ Segmentación clientes

Business Intelligence→ Dashboard hot spots→ Alertas variaciones (clientes, productos, zonas, etc.)→ Detección mermas, robos, etc.

65

Tratamiento y gestión datos1) Ganar más dinero

Marketing intelligence

La idea es analizar la parte más transaccional (de compra - venta)

con las acciones de marketing

Con este dúo, sacamos acciones de marketing con objetivos,

personalizado e hipersegmentado

Fuente: http://www.boats.com/boat-content/2010/page/152/

66

Tratamiento y gestión datos1) Ganar más dinero (II)

●Se trata de analizar los datos: o Contextuales de una compra → momento, lugar,

composición de la cesta de la comprao Lo enmarcamos en perspectiva → frecuencia, tiempo

entre última compra, etc.o Analizamos el cliente → si lo hace con tarjeta de

fidelización, edad y perfil sociodemográfico, si viene incentivado por un descuento, etc.

o Y el canal por el que entra → online -tienda online, landing page, redes sociales, etc- u offline

●… y preguntarnos cosas como...

67

Tratamiento y gestión datos1) Ganar más dinero (III)

Segmento y perfil de cliente que más compra a una hora determinada y en un lugar concreto

Fuente: http://es.slideshare.net/Elife2009/perfil-del-consumidor-de-bebidas-alcohlicas-en-mxico

68

Tratamiento y gestión datos1) Ganar más dinero (IV)

Quién (influenciadores) o qué (drivers de compra) influye más en la decisión de compra de un cliente

→ drivers

Fuente: http://www.marketing4food.com/la-distribucion-espanola-y-su-comprador-razones-para-elegir-una-ensena/

69

Tratamiento y gestión datos1) Ganar más dinero (V)

Qué relación de productos permite modelizar el perfil

de cliente

Fuente: http://www.elmundodeladc.com/cual-es-tu-perfil-online/

70

Tratamiento y gestión datos1) Ganar más dinero (VI)

¿Cuál es la estructura de mi marca?

Fuente: http://www.scielo.org.co/scielo.php?pid=S0120-48232007000200008&script=sci_arttext

71

Tratamiento y gestión datos1) Ganar más dinero (VII)

Reglas de asociación de productos como "Si

compra foie, también adquiere vino crianza", y

así enfocar el cross-selling o up-selling en tienda o en

promociones, product placement, gestión de

inventarios, etc.

Expresión de la formaX → Y

{pañales} → {cerveza}{cerveza} → {pañales}

{pan, leche} → {huevos}{pan} → {leche, huevos}

Fuente: http://noticias.buscopisocasa.com/category/alimentacion-2/

72

Tratamiento y gestión datos1) Ganar más dinero (VIII)

MROI: Marketing Return on InvestmentMcKinsey review: “An integrated analytics approach could save up to 15-20% total budget”

Source: http://www.thecmosite.com/author.asp?section_id=1137&doc_id=234474

73

Tratamiento y gestión datos1) Ganar más dinero (IX)

Clusterizar clientes y productos

Source: http://inside-bigdata.com/2013/12/18/tech-tip-power-pitfalls-clustering/

Source: http://www.cs.bilkent.edu.tr/~saksoy/research.html

74

Tratamiento y gestión datos1) Ganar más dinero (X)

¿Cómo están relacionados mis clientes?Análisis de Redes Sociales (ARS)

Source: http://rs.resalliance.org/2010/11/03/reading-list-using-social-network-analysis-sna-in-social-ecological-studies/

75

Tratamiento y gestión datos2) Evitar perderlo

● En segundo lugar, las empresas también queremos evitar perder clientes

● Ya conocemos el famoso mantra de la importancia que tiene mantener clientes por el coste que tiene adquirir nuevos

o Y esto es más posible que nunca gracias al análisis masivo de datos

Fuente: http://javiermegias.com/blog/2012/04/el-motor-de-tu-modelo-de-negocio-coste-de-adquisicion-y-valor-del-cliente/

76

Tratamiento y gestión datos2) Evitar perderlo (II)

Perfil de fuga de cliente

Fuente: http://idata.com.co/

77

Tratamiento y gestión datos2) Evitar perderlo (III)

Fuente: http://tristanelosegui.com/2011/02/27/el-embudo-de-fidelizacion-como-herramienta-para-optimizar-campanas/

¿Cómo generar lealtad y preferencia hacia mi producto?

78

Tratamiento y gestión datos2) Evitar perderlo (IV)

Customer Experience

Fuente: https://www.karelgeenen.nl/15/hoe-kan-de-customer-journey-jou-helpen-bij-je-online-strategie/

79

Tratamiento y gestión datos2) Evitar perderlo (V)

Lead generation, Nurturing and Scoring

Fuente: http://www.responsewise.com/email-marketing/use-lead-scoring-nurturing-to-plug-sales-funnel-leaks/

80

Fuente: http://my-inner-voice.blogspot.com/2011/08/net-promoter-score-for-four-cloud-iaas.html

Tratamiento y gestión datos2) Evitar perderlo (VI)

81

Fuente: http://www.slideshare.net/saurabhsawhney/customer-experience-management-cem

Tratamiento y gestión datos2) Evitar perderlo (VII)

82

●Recencyo Cuán reciente es la última compra del cliente

●Frequencyo Con cuánta frecuencia compra el cliente

●Monetaryo Cuánto gasta el cliente

●Esta técnica de análisis está basada en el axioma de marketing de que el 80% del negocio procede del 20% de los clientes

Tratamiento y gestión datos2) Evitar perderlo (VIII)

83

Fuente: http://www.emailmonday.com/customer-lifetime-value-calculation-email-marketing

Tratamiento y gestión datos2) Evitar perderlo (IX)

84

Tratamiento y gestión datos3) Optimizar procesos

Creación de modelos

que permitan ahorrar esfuerzo

económico en

diferentes procesos

Fuente: http://www.indiana.edu/~hmathmod/modelmodel.html

Mathematical models

+Statistical methods

85

Tratamiento y gestión datos3) Optimizar procesos (II)

●Supongamos la logística o la gestión de una central de compras

●Si yo integro todas las transacciones de compras, y analizo frecuencia, proveedores, descuentos, etc., podemos hacer un modelo que nos seleccione en tiempo real el mejor proveedor o distribuidor por descuentos que viene haciendo históricamente, considerando lo que ahora quiera comprar

86

Índice de contenidos●Clarificando conceptos●Impacto Big Data●Tratamiento y gestión de datos●Implantación sistema Big Data

87

ImplantaciónEsquema general

88

Gartner's Magic Quadrant for Business Intelligence and Analytics Platforms

Implantación¿Soluciones?

89

ImplantaciónCuadros de mando analíticos

Fuente: http://www.bi-spain.com/articulos.php?id_seccion=146&opinion=0&esenciales=0

90

ImplantaciónCuadros de mando analíticos (II)

●Visualo Recursos gráficos de forma inteligente

●Todo en una hojao Concentrar y llamar la atención

●Solo factores claveo Ir al grano y enfocar el análisis → optimización

●Contener ideas y comentarioso Identificar oportunidades y problemas

91

Visualización de la inteligencia en BI

Fuente: https://public.tableau.com/s/gallery/diversity-post-secondary-education-us

ImplantaciónCuadros de mando analíticos (III)

Bibliografía

92

Bock, W. (s/f). Evidence-based Management has Issues. http://blog.threestarleadership.com/2007/08/25/evidencebased-management-has-issues.aspx

Edelberg, G. (2000). “Evidence-based Management”, en INCAE. http://www.guillermoedelberg.com.ar/pdf/117.pdf

García del Junco, J. y Casanueva Rocha, C. (2000). “Administración basada en la evidencia (ABE): una nueva herramienta para el directivo”, en Dirección y Organización (D-O), núm. 24, pp. 21-29. Universidad Politécnica de Madrid.

Pariente Fragoso, J. L. (noviembre, 2008). “Gestión basada en evidencias. ¿Una nueva moda administrativa?”. Conferencia inaugural de la III Cátedra Nacional de Contaduría y Administración Agustín Reyes Ponce. UASLP.

Rousseau, D. M. (2006). “Is There Such a thing as Evidence-based Management?”, en Academy of Management Review, vol. 31, núm. 2, pp. 256–269.

Whitehurst, G. (s/f). “Evidence Based Education”. http://www.ed.gov/offices/OERI/presentations/evidencebase.html

Online course: http://www.aryng.com/Online-Analytics-Training/DTD102-Business-Impact-Through-Analytics.html

http://www.ed.gov/offices/OERI/presentations/evidencebase.html

Copyright (c) 2016 University of DeustoThis work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative Commons “Attribution-ShareAlike” License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/3.0/

Alex Rayón JerezFebrero 2016

PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE

Big Data: the Management Revolution

Alex Rayón [email protected]

@alrayon

Febrero, 2016. Madrid.

mailto:[email protected]