La Revolución de los Datos

2 de Octubre de 2020

PwC

1. ¿Quiénes Somos? 012. Fuente de Datos 023. ¿Qué es el Data Science? 034. Aplicaciones 045. Data Driven Decision Making 076. Casos Prácticos 08

Agenda

2octubre 2020La Revolución de los Datos

PwC

1. ¿Quiénes Somos?

3octubre 2020La Revolución de los Datos

Lucas GnocchiManager

Consulting RiskServices

Andres SarcunoDirector

Forensics

Sebastián DutraManagerDigital

Diego MosqueraManagerDigital

PwC

2. Fuente de Datos

4octubre 2020La Revolución de los Datos

‘Se generan 2.5 trillones de bytes cada día…el 90% de los datos del mundo se crearon en los últimos 2 años’ (Forbes 2018)

60Segundos

194.444 personas twittean

764.000 hs son consumidas.

U$D 1.1 millones se gastaonline

1.3 millones de personas se loggean

4.7 millones de videos

59 millones de mensajes

4.1 millón de búsquedas

190 millones de mails se envian

PwC

3. ¿Qué es el Data Science? ¿Qué Proponemos?

5octubre 2020La Revolución de los Datos

Descubrirnuevos Insights

Transoformar los datos eninformación

DetectarTendencias

Responder Preguntas

ContarHistorias

Resolver Problemas

‘Conjunto de técnicas que utilizan el método científico para validar hipótesis mediante la construcción de modelos’

Anticiparse a potenciales riesgos

Cuantificar la exposición a riesgo de las organizaciones por su operatoria

Optimizar la toma de decisiones minimizando el riesgo

Reducir la Incertidumbre del entorno

PwC

4. Aplicaciones

6octubre 2020La Revolución de los Datos

Temporada Resultado

2008-09 10° Conferencia

2009-10 13° Conferencia

2010-11 12° Conferencia

2011-12 13° Conferencia

2012-13 2da Ronda Playoffs

2013-14 1era Ronda Playoffs

2014-15 Campeón NBA

2015-16 Finalista NBA

2016-17 Campeón NBA

2017-18 Campeón NBA

2018-19 Finalista NBA

Posiciones Golden State Warriors

PwC

4. Aplicaciones

7octubre 2020La Revolución de los Datos

PwC

4. Aplicaciones

8octubre 2020La Revolución de los Datos

Ejemplos

• Minimizar el riesgo de incurrir en costos evitables

• Eficientizar los recursos

• Minimizar el riesgo de faltante de stock

• Minimizar el riesgo de mercadería vencidas

• Riesgo de Sucesión• Key person risk

• Riesgo de Selección de Candidatos

• Riesgo Crediticio• Consumos Fraudulentos• Falta de satisfacción demanda

• Pagos Fraudulentos• Riesgos de proveedores• Riesgo de Incumplimiento de

contratos• Problemas en la cadena de

producción

• Transacciones Fraudulentas• Anticiparse al fraude• Desarrollar programas de

actividades

PwC

5. Data Driven Decision Making

9octubre 2020La Revolución de los Datos

DescriptiveAnalytics

Describir, agrupar y analizar data

histórica(¿Qué pasó?)

DiagnosticAnalytics

Identificar causas de las tendencias y

los resultados (¿Por qué pasó?)

Predictive Analytics

Predecir el futuro en base al pasado y con

simulaciones(¿Qué podría pasar?)

PrescriptiveAnalytics

Recomendar decisiones o

acciones correctas u optimas (¿Qué se tiene que hacer?)

Adaptive & AutonomousAnalytics

Monitorear, decidir y actuar de forma

autónoma o semiautónoma

(¿Cómo adaptarse al cambio?)

Valo

r de

Neg

ocio

Cre

cien

te

Sofisticación Creciente

Backward - Looking Forward - Looking

PwC

6. Casos Prácticos

10octubre 2020La Revolución de los Datos

Minimizar la pérdida de Clientes

Periodicidad con la que compra –

Antigüedad – última compra – etc.

Frecuencia

Ticket promedio -ticket máximo - gasto total en toda la vida -

etc..

Monetarias

Sexo – Edad- Estado Civl– Lugar de residencia –

Escolaridad- etc.

Personales

Clientes

PwC

6. Casos Prácticos

11octubre 2020La Revolución de los Datos

¿Cómo minimizar la pérdida de clientes?

Clasificación no supervisada Clasificación no supervisadavs

Experta

PwC

6. Casos Prácticos

12octubre 2020La Revolución de los Datos

Proyección del Flujo de Clientes

OUTPUTSProyección de Q. de Clientes

• Mes del año• Día de la Semana• Hora del día

Productos

• Distribución de cargalaboral de empleados

• Minimizar exceso o faltante de stock

• Modificar los patrones de consume de los clientes

• Series de Tiempo• Prophet• Redes Neuronales

INPUTS

Registro histórico de flujo de clientes

Registro histórico de compras

Detalle de cada compra

Detalle del momento enque se realizo la compra

PwC

¿Para qué estimar el flujo de clientes?

La Revolución de los Datos octubre 202013

Poder desarrollar una planificación adecuada del trabajo, minimizando el faltante y sobrante de personal2

Mitigar posibles faltantes de stock1

Minimizar la pérdida de oportunidades de ventas por falta de recursos3

Planificar los procesos productivos4

Optimizar el lanzamiento de ofertas/descuentos.5

PwC

6. Casos Prácticos

14octubre 2020La Revolución de los Datos

Proyección del Flujo de Clientes – Aplicación Market-Place

Estimación de

Flujo de

Clientes

Análisis de

Comportamiento

de Clientes

PwC

6. Casos Prácticos

15octubre 2020La Revolución de los Datos

Planificación de Personal

Descripción del ProblemaUna empresa desea minimizar el riesgo de faltante o sobrante de personal:• Jornada laboral: 5dx24hs• 1 empleados• Turno <=10hs• Disponibilidad horaria empleados: Sin restricciones • Disponibilidad diaria:

• Un empleado no trabaja lunes y miércoles• Un empleado no trabaja martes y jueves

• Horas trabajadas semanal >= 8hs

PwC

6. Casos Prácticos

16octubre 2020La Revolución de los Datos

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

L 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

M 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

M 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

J 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

V 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

Empleado 1 2 3 4 5 6 7 8 9 10 11

$ x hora 100 200 250 150 175 225 125 180 230 210 190

Costo por hora del Personal

Necesidad de Empleados por hora

PwC

6. Casos Prácticos

17octubre 2020La Revolución de los Datos

Solución Propuesta: Algoritmos Genéticos

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23L 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

M 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

M 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

J 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

V 0 0 0 0 0 0 4 4 4 2 2 2 6 6 2 2 2 6 6 6 2 2 2 2

Necesidad de Empleados por hora

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23L 0 0 0 0 0 1 4 4 4 2 2 2 4 4 2 2 2 6 6 6 2 2 2 2

M 0 0 0 0 0 0 4 4 4 2 2 2 5 5 3 3 4 6 6 6 3 2 2 2

M 0 0 0 0 0 1 4 4 3 2 2 2 4 3 2 2 2 6 6 6 2 2 2 2

J 0 0 0 0 0 2 4 4 4 3 2 2 5 5 2 2 2 5 5 5 2 2 2 2

V 0 0 0 0 0 0 4 4 3 2 2 2 5 5 2 2 3 5 6 6 3 2 2 2

Mejor Solución

PwC

6. Casos Prácticos

18octubre 2020La Revolución de los Datos

Solución Propuesta: Algoritmos Genéticos

PwC

6. Casos Prácticos

19octubre 2020La Revolución de los Datos

Detección de Anomalías en Cuentas Contables

Detección de Anomalías en función del comportamiento histórico de la cuenta contable

PwC

6. Casos Prácticos

20octubre 2020La Revolución de los Datos

Predictive HR

1 2 3Churn de Empleados

Estimar la probabilidad de que un recurso abandone la firma

Lifetime de Empleados

Calcular el momento en que un empleado puede dejar su puesto de trabajo

Predicción de Empleados Denunciado

Anticiparse a la línea de denuncias y tener medidas de acción preventivas

Dimensión Personal

Desarrollo Profesional

Entorno Laboral

Economía Personal

PwC

6. Casos Prácticos

21octubre 2020La Revolución de los Datos

Minimizar el riesgo de pérdida de empleados clave

Rea

l

PredichoSe

queda Se va

Se queda 299 71

Se va 20 51

EdadRate Diario

Distancia al TrabajoRate Horario

Ingreso MensualN° Compañías trabajas

Percentil SalarialAños desde último ascenso

Viajes Laborales: No Viaja

Viajes Laborales: Muy Frecuente

Campo de Estudio: título técnico

Satisfación del entoro: BajaSatisfacción del entorno: Muy Alta

Género: FemeninoInvolucarmiento: Bajo

Nivel_de trabajo: 2Puesto: Ejecutivo de Vetnas

Satisfacción Laboral: Muy AltaEstado Civil: Soltero

Hs Extra: Si

StockOption: No

Balance vida-trabajo: maloBalance vida-trabajo: mejor

Variables del Modelo

Efectividad: 79.3%

PwC

Approach de PwC

22octubre 2020La Revolución de los Datos

Propuesta PwC

1. Business & AnalyticsPotenciar y enriquecer el uso de los datos de las organizaciones

2. Seguridad de la InformaciónGarantizar que los datos estén protegidos y sean de calidad

3. InfraestructuraDiseñar la estructura de datos más eficiente para la escalabilidad del modelo

4. Gobierno del DatoDesarrollo de modelos de gobierno del dato para asegurar confiabilidad e integridad de los mismos

5. Integración de ProcesosDiseño de procesos integrados para facilitar el flujo de información

6. Gestión del TalentoCapacitación de equipos para dejar habilidades inhouse

PwC

Visión integral del proyecto

23

Instalación y configuración de herramientas de integración

Recopilación de datos de navegación

Visualización de la

información en tableros

Creación de las líneas de

integración de datos

Modelos de Machine Learning

Gobierno del dato

PwC

Algunos de nuestros espcialistas

24octubre 2020La Revolución de los Datos

Andrés SarcunoDirector

Fraude / Compliance

Lucas Gnocchi Manager

Data Science

Sebastián DutraManager

Arquitecto de Datos

Diego MosqueraManager

Arquitecto Big Data

Ezequiel MichelettiManager

Gestión de Proyectos

Ramiro SolanaManager

BI & Analytics

Alejandro RegueiroManager

BI & Data Warehouse

www.pwc.com.ar

Muchas Gracias!

Esta publicación ha sido preparada para una orientación general acerca de asuntos de interés solamente, y no constituye asesoramiento profesional. Los receptores de la misma no deben actuar en base a la información contenida en esta publicación sin obtener asesoramiento independiente. No se efectúa manifestación ni se otorga garantía alguna (expresa o implícita) con respecto a la exactitud o integridad de la información contenida en esta publicación y, en la medida en que lo permite la ley, PwC Argentina, sus miembros, empleados y agentes no aceptan ni asumen ninguna responsabilidad, ni deber de cuidado por cualquier consecuencia de su accionar, o del accionar de terceros, o de negarse a actuar, confiando en la información contenida en esta publicación, o por ninguna decisión basada en la misma.© 2020 En Argentina, las firmas miembro de la red global de PricewaterhouseCoopers International Limited son las sociedades Price Waterhouse & Co. S.R.L., Price Waterhouse & Co. Asesores de Empresas S.R.L. y PwC Legal S.R.L, que en forma separada o conjunta son identificadas como PwC Argentina.