Analítica y big data para todos

La analítica es una herramienta que nos ayuda a tomar decisiones de negocio basadas en datos. Su objetivo es organizar grandes volúmenes de datos y transformarlos en información práctica y accionable, modelando, limpiando, prediciendo y transformando los datos según las necesidades del negocio.

Su funcionamiento es muy simple en un mundo ideal.

Por ejemplo, supongamos que eres el propietario de una empresa que fabrica spinners ¿los recuerdas?

Para determinar la producción de spinners de cara al próximo semestre podríamos utilizar los datos de nuestro ERP (Enterprise Resource Planning), el sistema de planificación de recursos empresariales, y combinarlos con los de nuestro CRM (Customer relationship management) el sistema de administración de la relación con nuestros clientes).

Es decir, cruzar tus datos sobre producción con tus datos sobre demanda potencial.

De esta manera seríamos capaces de prever el número de spinners que debemos producir de una manera bastante precisa ¿verdad?

Sin embargo las cosas nunca son tan simples. Entran en juego aspectos que dificultan una previsión. Aspectos internos pero también de analítica del contexto empresarial.

Por ejemplo ¿qué pasa si en la predicción queremos incluir además algunas variables como:

• las normativas específicas de cada país al que vendemos
• la variación en la demanda producida por la actividad en redes sociales de nuestros seguidores y haters
• la caída en el interés porque el producto es cada vez menos trendy

La recogida y tratamiento de los datos se complica muchísimo, tanto por el volumen como por la naturaleza de los mismos. Una enorme cantidad de datos, en formatos muy diferentes.

En ese contexto se desarrolla el Big Data, tratando de integrar, gestionar y analizar todos estos datos.

Con integrar los datos me refiero a la forma en la que deben de ingresarse para ser procesados, asegurarnos de que están en el formato correcto y disponibles de forma adecuada para que se puedan analizar.

Con respecto a la gestión de los datos, determinar la forma en la que los datos deben ser almacenados para una fácil gestión y control de los mismos.

Y finalmente, con analizar los datos, me refiero a la forma en la que los datos serán estudiados para determinar la mejor forma de utilizarlos para el beneficio del negocio.

El Big Data nos ha permitido dar un paso de gigante en todo lo relativo a machine learning, acelerando el proceso de aprendizaje en sistemas que todos usamos a diario, como el filtrado de spam, la detección de fraude en tarjetas de crédito, el reconocimiento facial y de escritura (OCR) y, por supuesto, los motores de búsqueda.

Para ello ha tenido que enfrentarse a algunos retos muy importantes.

Los retos del Big Data

Los grandes retos en la gestión y retorno de la inversión del Big Data se describe con las famosas 5 Vs de los datos:

1. El Volumen de datos
2. La Velocidad a la que pueden ser procesados
3. La Variedad de tipos de datos
4. La Veracidad de los datos o lo útiles que pueden ser
5. Cómo extraer Valor de esos datos

Cada V creo que es suficientemente autoexplicativa. Sin embargo me gustaría incidir en alguno de ellas.

Datos estructurados y no estructurados

En prácticamente todos los proyectos existe la necesidad de procesar datos de fuentes tradicionales como pueden ser las BBDD de clientes, pero también de fuentes no tradicionales como la página de Facebook de la empresa, tu cuenta de TikTok o las estadísticas de km recorridos cada mañana registradas en tu reloj inteligente.

Esto significa tener que recopilar y extraer valor de datos estructurados pero también de los no estructurados.

Los datos estructurados se recopilan y se almacenan en bases de datos. Están perfectamente organizados y son relativamente fáciles de procesar y analizar con herramientas tradicionales. Históricamente son el tipo de dato que más se ha utilizado para el Business Intelligence.

Por otra parte, los datos no estructurados son mucho más complicados de gestionar.

El ejemplo más habitual es de los datos recogidos de las interacciones en redes sociales, que no siempre son fáciles de procesar pero que suponen un gran valor para el negocio.

Otros ejemplos de datos no estructurados habituales son las imágenes, vídeos, mails o pdfs.

Una vez integrados y gestionados estos datos, llega el momento del análisis de Big Data.

Tipos de análisis en big data

A grandes rasgos existen básicamente 3 tipos de análisis:

• Descriptivo: nos permite conocer cómo se ha desarrollado el negocio hasta hoy. Aporta una foto del estado actual y se basa en la búsqueda de patrones y relaciones entre variables. Se realiza mediante técnicas de Data Mining o minería de datos. ¿Qué ha pasado?
  
• Predictivo: permite estimar o descubrir datos de negocio desconocidos y anticiparnos a las demandas del mercado. Trata de predecir tendencias y patrones de comportamiento. Está basado en técnicas de Machine Learning. ¿Qué va a pasar?
  
• Prescriptivo: el propio sistema recomienda cambios en el negocio basándose en los procesos descriptivos y predictivos, orientados a mejorar el ROI (retorno de la inversión). Mediante técnicas de Deep Learning. ¿Qué podríamos mejorar?

Enfocar estos análisis a negocio es bastante natural. Las preguntas ¿Qué está sucediendo con mis ventas? ¿Cuánto estimamos vender la temporada que viene? o ¿Qué podríamos hacer para incrementar la venta de X producto? son ejemplos muy claros de su valor.

Y naturalmente cada vez más empresas apuestan por el big data como principal elemento de toma de decisiones de negocio y business intelligence.

Ejemplos de casos de éxito en Big Data

Uno de los mejores ejemplos del uso de los datos como herramienta en la inteligencia de negocio es Netflix.

Esta plataforma no solo mide la audiencia de cada uno de sus programas, como podría hacer cualquiera. También recoge muchisima información valiosa como:

• minutos consumidos
• puntos en los que haces play, rewind o fast forward
• el género del contenido
• su casting
• tu localización geográfica
• el dispositivo en el que consumes el contenido
• las búsquedas que haces
• y mucho más

Toda esta información les permite tomar decisiones multimillonarias sobre en qué proyectos invertir para sacar adelante una nueva serie, por ejemplo, con mayores garantías de éxito.

Pero también les permite diseñar un algoritmo de recomendaciones de su cartera de productos que se base en el gusto del espectador, cruzando datos sobre géneros, actores, directores y guionistas, por ejemplo. El objetivo es siempre acrecentar el compromiso o engagement con el usuario y, por tanto, optimizar la experiencia del usuario.

El caso es que parece evidente que el big data está aterrizando rápidamente en todos los niveles relativos a la analítica de negocios.

Netflix es un buen ejemplo porque todo el mundo lo conoce pero también tenemos ahí a Amazon con su Amazon EMR, Apple con toda la información que recoge con el uso de sus smartwatches, Carrefour estudiando la periodicidad de visita de sus clientes y las características de sus compras, Spotify con sus algoritmos de sugerencias o Google Ads con los anuncios que podrías estar viendo en este artículo.

En la empresa española la analítica de big data tiene una penetración menor, llegando apenas al 10%. Esto la sitúa en el grupo de países de uso medio-bajo a nivel europeo. La tendencia de adopción es positiva, no obstante.

Entre las pymes solo podemos fijarnos en ejemplos puntuales de momento, como el de esta tienda de quesos de Madrid, que se adelanta a las necesidades de sus cliente y optimiza procesos internos gracias al big data.

Sin embargo, cada vez va a ser más habitual el uso del big data también a esos niveles. Incluso aunque no seamos conscientes de ello como empresa.

Prueba de ello es que Google Analytics ya libera los datos de sus analíticas en bruto a través de Big Query, para todas sus nuevas propiedades de GA4 (antes lo hacía solo para las premium). O que Microsoft Clarity ofrezca toda la experiencia de su marca en inteligencia artificial y machine learning para contribuir con sus Clarity Insights a la mejora de nuestras webs.

Pasos muy importantes para llevar el big data a la mesa del analista de esta nueva década que empieza. Hay que estar preparados para sacar partido de la que ya tenemos encima.