la revolución de los datospwc 2. fuente de datos 4 la revolución de los datos octubre 2020 ‘se...
TRANSCRIPT
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.