Analítica en los negocios

Business Intelligence

Es un concepto creado en 1989 por Howard Dresner, un investigador de Gartner Group, que popularizó el acrónimo de BI (Business Intelligence) para definirlo como “Conjunto de estrategias y métodos para mejorar la toma de decisiones, utilizando sistemas de apoyo basado en datos existentes de la organización”.

Con este sistema se pueden descubrir patrones valiosos escondidos en la masa de los datos y, a partir de ellos, formular una o varias hipótesis que sean útiles para la operación de la empresa, para luego someterlas a prueba. En paralelo, se utilizan herramientas analíticas que operan sobre el conjunto de los datos para obtener nueva información, más valiosa que si se tomaran esos datos de manera individual. (Colle, 2015).

Del Business Intelligence se desprenden los conceptos de Big Data y Business Analytics, que son explicados en las demás opciones desplegables.

Big data

Se utiliza a menudo para referirse a cualquier conjunto de datos que es difícil de gestionar mediante bases de datos tradicionales o que es demasiado grande para procesarse en un solo servidor. (BIG DATA, 2016). Para ser más específicos, este concepto se ha definido a partir de sus componentes esenciales, llamados las 3V’s. (Laney, 2001).

1. Volumen: cada día se generan enormes cantidades de datos. En esta característica se trata, principalmente, el tema de infraestructura, procesamiento y manejo de grandes volúmenes de datos de una manera selectiva.
2. Velocidad: es un factor primordial, aquí todo debe funcionar de manera sincrónica para que grandes cantidades de datos puedan ser analizados, minimizando el tiempo de procesamiento. Su finalidad es entregar resultados en tiempo real.
3. Variedad: además de las grandes cantidades de información, se debe considerar que los datos son de todo tipo: estructurados y no estructurados. El sistema debe analizar y sacar provecho de toda la información, independientemente del área de negocio empresarial.

Con el pasar del tiempo y el crecimiento exponencial de los datos, se ha podido precisar en la definición de Big Data y se agregaron dos componentes más:

5. Veracidad:la mayoría de datos que se recolectan están incompletos y afectados por asimetrías e inconsistencias. El objetivo de este componente es garantizar la exactitud y confianza de los datos para cumplir los objetivos y minimizar la incertidumbre.
6. Valor: mediante minería y análisis de datos se puede vislumbrar información de alto valor para el negocio, que antes había estado enmascarada dentro de datos estructurados y no estructurados. Esta característica se puede utilizar para ayudar a modernizar las cadenas de suministro, mejorar la planificación de producción, el seguimiento de ventas y actividades de marketing, etc.

La estrategia de Big Data ofrece a las empresas la capacidad de analizar mejor su información con el objetivo de acelerar el crecimiento rentable. (Knilans, 2014).

Ilustración 2: Characteristics of Big Data
Fuente: International Journal of Science and Research (IJSR). Volume 4 Issue 8, August 2015

Business Analytics

Gideon Gartner, fundador de Gartner Group Inc., empresa consultora líder mundial de investigación en tecnologías de información, divide la analítica en cuatros grupos principales, de acuerdo al avance de las organizaciones, así:

• Descriptiva: es el examen de los datos o contenidos, por lo general se lleva a cabo de forma manual, para responder a la pregunta "¿Qué pasó?" o “¿Qué está pasando?”. Caracterizado por la tradicional inteligencia de negocio (BI) y visualizaciones tales como gráficos circulares, gráficos de barras, gráficos lineales, tablas o narrativas.
• Diagnóstica: es una forma de análisis avanzado, que examina los datos o contenido y responde a la pregunta "¿Por qué sucedió?". Se caracteriza por técnicas tales como drill-down (subdivisión del problema en subconjuntos, cada uno de los cuales puede resolverse más fácilmente), minería de datos y correlaciones.
• Predictiva: describe cualquier aproximación a la minería de datos con cuatro atributos:
  1. Predicción (en lugar de la descripción, clasificación o agrupamiento).
  2. Análisis rápido medido en horas o días (en lugar de los meses de la minería de datos tradicional).
  3. Importancia para el negocio de los conocimientos resultantes.
  4. Facilidad de uso, herramientas accesibles a los usuarios empresariales.
• Prescriptiva: es una forma de análisis avanzado que examina los datos o contenido para responder a la pregunta "¿Qué hacer?" o "¿Qué podemos hacer para que pase?". Se caracteriza por técnicas como análisis gráfico, simulación, procesamiento de eventos complejos, redes neuronales, motores de recomendación, heurística y aprendizaje de máquina.

Ilustración 3: Data and Analytics – Beyond Big Data
Fuente: Gartner Inc.

Según el estudio “Building trusted relationships through analytics and experience”, realizado por Forbes en colaboración con EY, donde se entrevistó a más de 300 ejecutivos de alto nivel en diferentes industrias, el uso de Big Data y Analytics es vital para desarrollar relaciones de confianza con el cliente y poder ofrecer, no solo productos innovadores, sino experiencias de consumo diferenciadoras.

Sin embargo, para el 2014, año en que se realizó el estudio, mientras que el 91% de los encuestados afirmaba que la construcción de relaciones de confianza con los clientes era un factor determinante en su estrategia, solo el 52% de las empresas había implementado herramientas de analítica avanzada para personalizar su interacción con el cliente, y únicamente el 38% de ellas estaba aprovechándolas para detectar el punto de ruptura de la relación y tomar medidas ante una posible fuga del cliente hacia la competencia. (Forbes Insights, 2014).

Para el año 2016, en el estudio: “The 2016 Enterprise Analytics Study: Insights & Implications for Organizations Inspiring to be Analytically Driven”, realizado por Dun & Bradstreet a 100 líderes de negocios para entender el estado de madurez de análisis de datos en diferentes organizaciones, se afirma que el 73% de las compañías han implementado proyectos de Analytics para mejorar la toma de decisiones y guiar el presente y futuro del negocio.

Sin embargo, la madurez de estos proyectos se ha enfocado en analizar los riesgos financieros y ha tenido un crecimiento leve en las áreas de marketing y relacionamiento con el cliente, además, los líderes afirman tener un gran interés en la aplicación de Analytics para potenciar las cadenas de suministro, pero dicen no poder implementar estas iniciativas por no contar con los recursos necesarios al interior de sus organizaciones.

En un modelo de negocio como el renting con productividad, se registra información de la flota de los clientes minuto a minuto, que seguirá siendo útil para la compañía en la medida en que se pueda hacer uso estratégico de ella. Además, se tienen agentes de recolección de información no estructurada (vehículos y conductores), que se están moviendo por las principales ciudades y carreteras de todo el país y que podrían obtener información sobre diversos temas, desde condiciones meteorológicas y estado de las vías, hasta datos turísticos de los lugares más atractivos de Colombia. Con esa información en manos de talento humano capacitado y contando con las herramientas necesarias para el análisis de los datos, se podrían llegar a generar nuevas oportunidades de negocio y soluciones a los desafíos actuales de una manera innovadora y diferente.