El fin de MAD MEN, el nacimiento del Scientific Marketer

El hecho digital está modificando profundamente la sociedad y, por consiguiente, el tejido empresarial a un ritmo trepidante y de una manera integral. Un contexto que obliga a las empresas a repensar todo tipo de procesos.

Nos encontramos en pleno proceso de despliegue de una tecnología disruptiva que está modificando los negocios, pero también la sociedad. La informática fue crucial para la mecanización de los procesos, y la posterior conexión de los ordenadores entre ellos desembocó en el nacimiento de una capacidad de procesamiento y distribución de la información difícil de asimilar, y, aún hoy, difícil de imaginar.

Esta capacidad de conectarse no ha hecho más que multiplicarse de forma exponencial. Lo digital ha multiplicado exponencialmente la habilidad de conectarnos. Inicialmente, sólo tenían acceso a Internet las empresas y las instituciones, ahora lo tiene buena parte de la ciudadanía, y, muy pronto, será habitual y muy extendida la conexión a los objetos cotidianos como un coche, un contenedor de basura, una farola de la calle o una prótesis.

mundo digital

Hoy, las familias hablan por Whatsapp, los alumnos tienen acceso a más información que la conocida por su profesor, la música se ha vuelto digital, no hace falta comprar un periódico para estar informado, los pacientes interrogan a los médicos, los mecánicos de coche visten bata blanca, y un montón de detalles de nuestra vida cotidiana que se han visto profundamente alterados.

Pasa exactamente lo mismo con los negocios. El hecho digital está obligando a repensar procesos de todo tipo: el marketing, el desarrollo de marca, la atención al cliente, la selección de personal, la comunicación interna, la relación con los proveedores, la investigación de mercados, los procesos de internacionalización, la gestión de crisis, los procesos de innovación, la formación de personal y un largo etcétera hasta abastar todos y cada uno de los procesos de cualquier organización, sea cual sea el área funcional y sea cual sea el sector.

La transformación digital no es un objetivo final, es un proceso de aprendizaje continuo, se trata de entender los nuevos modelos de creación de valor en la era digital, de cómo la movilidad, las nuevas tecnologías sociales, y el nuevo talento digital afectan a las expectativas de nuestros clientes, a nuestras estructuras operativas y a nuestros modelos de negocio. En última instancia se trata de conseguir que nuestros productos y servicios sean percibidos y relevantes en un mundo digital.

Digitalizar no es introducir una nueva red social o una herramienta de conocimiento ni hacer un uso masivo de la tecnología, es repensar los procesos, es innovar para conseguir mejores resultados. La introducción de la tecnología es positiva, pues ayuda a digitalizar, pero no transforma el negocio. Las tecnologías son facilitadoras de conversaciones, de una nueva forma de entender el rol de las personas y la organización, pero para ello se requiere potenciar nuevos valores y comportamientos organizativos como la transparencia, la colaboración, la participación y una nueva forma de entender el talento de las personas como precursor de la innovación.

Innovación

Son tiempos para cuestionar nuestras estrategias, nuestros modelos de negocio, de desaprender para volver a aprender con una visión más digital y disruptiva. Tanto a nivel individual como a nivel empresas tenemos que plantearnos y ser capaces de responder a todas estas cuestiones:

¿Cómo construir los nuevos mapas para navegar en la economía digital?, ¿Cómo pueden las empresas responder mejor a estos cambios ?, ¿Cómo pueden aprovechar la oportunidad para innovar , diferenciarse y crecer?, ¿Están nuestras empresas preparadas para iniciar la transformación digital? ¿Cuáles son las cuestiones fundamentales que definirán el futuro de nuestras organizaciones?,¿Cómo abordar la transformación digital?, ¿Cómo evitar quedar atrapados en nuestras experiencias del pasado?, ¿Cómo planificar cuando no podemos anticipar el futuro?, ¿Cómo mantenernos competitivos en la inestabilidad?, ¿Cómo conectar con la inteligencia colectiva en nuestras organizaciones?

La digitalización ofrece múltiples posibilidades de desarrollo a negocios y empresas. Muchas son conscientes de ello, pero pocas se atreven a acometer el reto digital. Las organizaciones deben invertir esfuerzos en anticipar amenazas y visualizar brechas de oportunidad originadas por fenómeno digital. Para ello, será esencial dominar las lógicas digitales y entender qué valor puede aportar lo digital a la empresa, ya sea en términos de eficiencia de ahorro de costes y/o de mejora de la productividad.

Aquellos que tomen el control y sean capaces de convertirse en disruptores de sus mercados emergerán como los auténticos líderes del universo digital.

Para acelerar el proceso de digitalización de la empresa será necesario promover la adopción de competencias y habilidades digitales por parte de toda la organización. Sólo las compañías que sean capaces de insertar el chip digital en el ADN de la organización avanzarán con éxito en la senda digital. Lo digital genera conocimiento colectivo y nuevas dinámicas de aprendizaje mediante la interacción con gente de dentro y de fuera de la organización, nuevas maneras de trabajar y ofrece herramientas que facilitan el trabajo, ofrecen espacios de relación e intercambio liberados de las férreas estructuras jerárquicas y promueve la innovación.

Las disciplinas digitales tienen cada vez mayor presencia y peso en las compañías, no sólo como un departamento separado, sino que se extienden a todo tipo de puestos y divisiones, en función de la estructura de cada organización. En un 54% de las empresas se espera crecimiento en los puestos de Internet a lo largo del 2016. La formación de todo el personal es clave, una vez más, no tanto en forma de departamento como de integración en toda la actividad de la empresa.

digitalización

En MSMK somos plenamente conscientes del reto que supone para los profesionales en general y en especial para los marketers este nuevo paradigma digital y por ello nos hemos marcado el objetivo de acelerar el desarrollo de la red de talento y conocimiento digital, y que nuestros alumnos sean sus protagonistas. Impulsamos la transformación digital de profesionales y empresas a través de la formación y el apoyo al empleo y emprendimiento digital. Con una metodología eminentemente práctica, nuestra formación se apalanca en un claustro formado por expertos digitales, un aprendizaje basado en la actualización continua y contenidos permanentemente mejorados.

Emérito Martínez.

Chief Digital Officer en MSMK – Madrid School of Marketing.

El Big Data (o nuevo oro negro), una oportunidad de ser más inteligentes

Una de las máximas preocupaciones que actualmente tienen las empresas es solucionar problemas relacionados con los datos que se generan. No sólo en lo que se refiere a first party data, sino también second y third party data. La cantidad de datos que hay en el mundo está creciendo deprisa, desbordando máquinas y empresas.

Datos

En 1 minuto se ven más de 2,78 millones de vídeos en Youtube, se hacen más de 2,4 millones de búsquedas en Google, 527.760 fotos compartidas en Snapchat… (FUENTE: Excelacom Inc., 2016). Y esto sólo es una muestra del contenido que consumimos y generamos en Internet.

La cifra exacta es difícil de conocer, pero parece evidente que crece cuatro veces más deprisa que la economía mundial. Se habla incluso del concepto de datificación para describir el proceso de recopilar información sobre todo lo que ocurre, llegando incluso a la infoxicación (intoxicación por exceso de información).

Un reciente estudio de la International Data Corporation (IDC), indica que el 89% del crecimiento de la industria de Tecnologías de la Información en el año 2020 será resultado de la que se conoce como tercera plataforma, Big Data. Esta tendencia está en parte motivada por la evidencia del ROI, soportado por nuevos modelos de negocio y nuevos productos y servicios (el IoT tiene mucho que ver también). Otra de las vías de desarrollo del Big Data están siendo los negocios relacionados con los datos y su monetización, que están viendo en la nube su entorno de desarrollo y expansión. En este entorno es donde las empresas deben desarrollar su actividad.

Sandy Pentland y Nathan Eagle fueron los pioneros del Reality Mining, el proceso de extraer y estudiar los datos procedentes de móviles para analizar predicciones sobre el comportamiento humano. Llegaron incluso a identificar personas con gripe antes de que ellos supiesen que estaban enfermos. En caso de una gripe mortal, las ventajas son más que evidentes si sabemos por dónde se extiende y por dónde seguirá extendiéndose.

bigdata oro negro

Big data (o nuevo oro negro) es una oportunidad de ser más inteligentes y de ganar a la competencia mediante la generación de insights a partir de la gestión y análisis de gran volumen de datos desestructurados.

Supone el paso de la colección del dato a la transformación en conocimiento. Y es en esta transformación donde los profesionales conocedores de las técnicas y herramientas de Business Intelligence y Data Mining juegan un papel fundamental.

 

Antonio Tena.

Managing Partner y Co-Founder en PentaSoft Group. Profesor en MSMK – Madrid School of Marketing.

Entrevista a Iván Guerrero, Senior Data Analyst en Experian y antiguo alumno del Máster en Big Data y Analytics de MSMK – Madrid School of Marketing

“SIEMPRE HE PENSADO QUE LA MEJOR FORMA DE APRENDER UNA MATERIA ES ESCUCHANDO A ALGUIEN QUE TIENE A LA MISMA EN SU DÍA A DÍA”

Iván Guerrero1. ¿Cuál es la carta de presentación de Iván Guerrero?

Soy Matemático apasionado y trabajo como Senior Data Analyst en el departamento de Marketing Services de Experian. Anteriormente, trabajé para IBM en proyectos de Banca y de Marketing Digital, y para SAS como consultor analítico. Y también he dedicado parte de mi trayectoria a la formación de todo aquello que tenga que ver con mi trabajo o con las Matemáticas, la Estadística, la Física… Terminé el Máster en Big Data y Analytics de esta escuela, Madrid School of Marketing.

2. ¿Cómo te ayudó el Máster en tu carrera profesional?

Como se ve, gran parte de mi actividad se enmarca en el sector del marketing, entendiéndose esto como la recolección, transformación y gestión estadística de datos para extraer conclusiones y establecer patrones y perfiles de clientes que describan y predigan su comportamiento. El temario del Master de la escuela cubre bien este rango de materias, que van desde la obtención del dato hasta el conocimiento del negocio.

3. Valoración personal de la Escuela. ¿Qué aspectos valoras de manera más positiva?

Aparte del completo e interesante contenido de los estudios, se trata de una escuela que brinda un trato muy cercano y personal al alumno. Y por otro lado, se encarga de tener charlas y profesores de alto nivel (durante y después del Master) que han colaborado en proyectos de envergadura. La transmisión de este conocimiento es muy importante, de modo que solo escucharles resulta ser muy nutritivo, independientemente de asimilar después todo o parte del contenido de la materia. Las instalaciones y el personal de la escuela también son excelentes.

4. Valoración personal del Master, de los profesores y de las clases

La virtud destacada del Master es que abarca una amplia variedad de temas: parte técnica (no como principal) para tener una perspectiva de cómo manejar a grandes rasgos Hadoop, Spark o R; la parte de visualización de datos es un pilar muy importante en los tiempos que corren (MicroStrategy, QlikView, o Spotfire); las técnicas de Marketing Intelligence y de CRM son tan interesantes como vitales si te dedicas a este mundo; el data mining y la predictiva, que es el bloque de SAS Enterprise Miner, también es una buena oportunidad de obtener un certificado muy provechoso; el Business Analytics es otra sección muy relevante, con las técnicas estadísticas aplicadas en este sector; y por último, la parte de contabilidad, gestión de proyectos y perspectivas de los mismos, que complementa todo lo anterior…

Siempre he pensado que la mejor forma de aprender sobre una materia es escuchar a alguien que tiene a la misma en su día a día, y en ese sentido los profesores son un valor destacado en el Master, pues enseñan su rutina diaria con ejemplos que resultan ser muy útiles.

5. Valoración de tu paso por MSMK – Madrid School of Marketing (trayectoria académica, PFM, etc.)

Aparte de la buena experiencia que es embarcarte unos meses en cursar un Master, también sirve para conocer gente (alumnos y profesores) a la que tomar como referencia, y este factor humano es importante. Dejarse ver como una persona proactiva ante ellos también puede abrir nuevos horizontes si alguien está buscando nuevos retos. Y por encima de todo está la formación: lo más provechoso e importante, no solo en la carrera profesional sino en la vida, es aprender, y este objetivo se cumple cursando el Máster.

Ya en el tema personal, además de aprender bastante gracias al completo contenido del Master y a las muy provechosas clases y trabajos propuestos, me he sentido valorado de las mejor de las maneras en todo momento, y mi trabajo se ha visto recompensado con creces. Mi Proyecto Fin de Máster obtuvo la mejor de las notas, con distinción, y eso es una satisfacción que hace que la decisión de cursar el Máster merezca la pena. Todo se debe al buen trabajo hecho no solo por mí, sino por los profesores, que en definitiva son los que se vuelcan para que aprovechemos la oportunidad.

6. Valoración personal de la evaluación y el timing.

La evaluación continua es probablemente lo que más le inquieta al alumno, pues la tentación es pensar que es muy complicado compatibilizar el tiempo del trabajo del ocio con quedar con los compañeros y terminar las prácticas. Cuando se acaba el Master y se obtiene una buena valoración queda la sensación de que ha merecido la pena por completo, y la opinión de que el timing propuesto por la escuela ha sido adecuado.

El hacer un Proyecto Fin de Master no debe entenderse como una obligación para aprobar el Master, sino como una bonita oportunidad de desarrollar por cuenta propia una idea, y de poner en marcha muchos mecanismos que se han aprendido. Dicho de otro modo, se debe ver como un reto, porque al final es vital explicar tu idea como si fueras a venderla y te fuera la vida en ello, y eso es una muy buena práctica para simular lo que después ocurre en la vida real, en la que has de tener destreza y habilidad para convencer y defender lo que previamente has desarrollado.

7. Valoración personal del networking y empleabilidad

Las facilidades dadas por la escuela son magníficas, tanto por el personal como por los alumnos o compañeros que encuentras en ella. Y otra de las virtudes de la escuela es que te permite seguir asistiendo a charlas para estar conectado casi como si las clases del Master no hubieran acabado.

8. ¿Qué retos profesionales afrontarás en los próximos meses?

Tengo la suerte de trabajar en una de las mejores empresas, formidable tanto en el plano profesional como en el humano y con unas actividades, responsabilidades y perspectivas magníficas si te gusta en mundo del Analytics, como es mi caso. Seguir aquí desarrollando mi carrera es el reto principal; de forma complementaria, dedicarme a la formación y transmitir lo que yo he ido aprendiendo, como he hecho en mucha parte de mi carrera, es otro de los retos. Y como reto continuo, ser curioso, seguir aprendiendo y obedecer a lo que dijo Einstein: “no dejar de hacerse preguntas”…

Big Data: Venezuela, el Reino Unido y el hombre de los dos dedos que no era analfabeto

El Big Data está de moda (1) y no puedo negar que la nueva jerga que le acompaña es seductora: Data Lake, Data Science / Scientific, Machine Learning…, pero tampoco puedo dejar de observar cómo algunas grandes empresas empiezan a invertir millones de euros (literalmente) en hardware, software y servicios de consultoría que engrosan las cuentas de resultados de los vendors; pero no las suyas.

Big Data

¿Qué está pasando?

En mi ayuda vino un directivo español que, involuntariamente, me remitió a una frase de Francisco González, presidente del BBVA: «Los datos son el nuevo petróleo» (2). La metáfora, aunque imperfecta, es suficientemente buena para intentar analizar qué pasa con el Big Data.

¿Saben que Venezuela es el primer país del mundo en reservas de petróleo? ¿y que el Reino Unido ocupa la posición 28 (sus reservas son el 0,001% de las venezolanas) y Holanda ocupa la posición 66 (sus reservas son 0,00003% de las llaneras)? (3)

Pero en el ranking de las empresas petroleras la británica BP está en el puesto 7 y la anglo-holandesa Royal Dutch Shell en el 8. La venezolana PDVSA aparece en el puesto 19 (4) (5)

¿Por qué la diferencia? La respuesta es simple: en el negocio del petróleo no basta con tenerlo en el subsuelo, hay que extraerlo, transportarlo, refinarlo y comercializarlo; en resumen, hay que tener el know-how para convertir esa masa inerte en valor (€$£) y en ese aspecto el Reino Unido (y su socio Holanda) es muy superior a Venezuela.

Lo mismo pasa en algunas grandes empresas que nadan sobre grandes masas de datos, pero que son Venezuelas datológicas.

¿Por qué esta incapacidad en empresas que definitivamente tienen (y pagan por tener) el mejor talento de las escuelas de negocio?

Simplemente, porque en las escuelas de negocio no enseñan a lidiar con los datos, la gran mayoría de la fuerza laboral del mundo está conformada por analfabetos informacionales funcionales (AIF), que como los analfabetos funcionales que saben leer, pero no entienden lo que leen, o saben las operaciones matemáticas básicas, pero no resolver problemas; los AIF’s saben hacer gráficos, sacar medias, desviaciones estándares,… (y colocarlos en hermosas presentaciones); pero no saben extraer valor (€$£) de los datos que los inundan.

Esto me lleva a recordar a un ex alto directivo bancario al que vi enfrentarse a reportes repletos de números y luego de un par de vistazos poner su dedo pulgar sobre un número y el meñique sobre otro, cuando hacía esto, sin duda encontraba la palanca a accionar para hacer crecer la cuenta de resultados. Él no era un AIF, él era una persona que sabía tratar los números, que no analizaba, sino que sintetizaba (6).

Pero la capacidad más descollante de este directivo era que cuando los datos no le decían nada, sabía hacer la pregunta correcta, su cuestión siempre llevaba a obtener valor (€$£) de los datos. Esta es otra capacidad de la que adolecen los AFI’s. No me resisto a poner una frase de Alvin Toffler: «Formular la pregunta correcta es más importante que dar la respuesta correcta a la pregunta equivocada».

El Big Data tiene (debe tener) todas las respuestas, pero lo realmente importante es plantear las preguntas adecuadas. En mi opinión la Singularidad Tecnológica (7) no se alcanzará cuando las máquinas se auto-mejoren, sino cuando puedan plantear las preguntas correctas. Dejo caer una, exagerada, frase al respecto: «Las computadoras son inservibles. Sólo te pueden dar respuestas». (8)

Me inquieta ver a estupendos profesionales en los grandes proyectos de Big Data paralizados (dar vueltas en círculo y crear power points que nadie lee / usa /aplica a los clientes, son también formas de parálisis) y literalmente infoxicados por sus grandes reservas de datos.

Resumen: Big Data sí, pero antes formación. Hardware y licencias sí, pero antes personas.

Me encantará recibir sus comentarios en sandro.denegri@gmail.com

PD: Mi mayor aprecio y solidaridad para con los hermanos venezolanos.

(1) No puedo dejar de mencionar que también estuvieron de moda términos como Calidad Total, Reingeniería, Programación Orientada a Objetos, Balanced Scorecard, CRM, …

(2) Al parecer la frase jamás salió de boca de FG, por lo menos google no lo certifica.

(3) https://es.wikipedia.org/wiki/Anexo:Pa%C3%ADses_por_reservas_probadas_de_petr%C3%B3leo

(4) http://inteligenciapetrolera.com.co/inicio/la-lista-forbes-pemex-petrobras-y-pdvsa-entre-las-21-petroleras-mas-grandes-por-redaccion-ip/

(5) Si se omiten las petroleras estatales, o con intereses estatales, de la lista, BP y Shell serían las 2da y 3era respectivamente.

(6) Como ustedes sabrán, al analizar lo que hacemos es descomponer el todo (el problema) en sus partes, incrementando la cantidad de datos a trabajar. Siendo la síntesis la práctica inversa, donde sobre la base de las partes llegamos al todo (la solución).

(7) https://es.wikipedia.org/wiki/Singularidad_tecnol%C3%B3gica

(8) Algunas fuentes citan a Pablo Picasso como el autor de la frase. No he podido contrastar esta información. 

Sandro Denegri, Executive Director en Customer Management, CRM & Digital Business. Profesor de CRM y Marketing Intelligence en MSMK – Madrid School of Marketing 

Entrevista a Luis Ortiz, en la celebración de las 20 Ediciones de Programas de Postgrado en Big Data y Analytics de MSMK

«DESDE LA ESCUELA HAY UNA PREOCUPACIÓN CONSTANTE PARA QUE LOS ALUMNOS ADQUIERAN LAS CAPACIDADES FUNCIONALES Y TÉCNICAS NECESARIAS QUE LES PERMITAN DESENVOLVERSE CON SOLTURA EN ESTOS ENTORNOS DE GESTIÓN DE TAL CANTIDAD DE DATOS TAN ANALÍTICOS»

Son más de 25 los años que lleva trabajando en el mundo de los datos. Comenzó recorriendo medio Mundo con Accenture, empapándose de lleno en temas de CRM y Business Intelligence y, desde hace 10 años, lidera proyectos de Big Data, BI, ERP y CRM en Viewnext, empresa filial de IBM. No podemos hablar de MSMK sin nombrarle a él, a Luis Ortiz, ya que desde los inicios de la Escuela creyó y apoyó firmemente en el proyecto Big Data, hasta llegar a convertirse en el director del área. Hoy, en la celebración de la 20 edición de programas de posgrado en Big Data y Analytics, Luis nos cuenta cómo ha sido el camino para llegar hasta aquí y profundiza en el valor diferenciador de la Escuela y del área.

Luis ortiz

  1. Resúmenos en unas líneas tu trayectoria profesional, hasta llegar a MSMK.

Comencé mi vida profesional en Andersen Consulting, lo que hoy es Accenture. Estuve durante casi 15 años. Durante este tiempo estuve trabajando en temas de CRM y Business Intelligence para empresas de primer nivel en España y en el extranjero. Tuve la oportunidad de trabajar en Francia, Alemania, Suiza, Holanda, Italia, Venezuela, Méjico, Brasil y Estados Unidos desarrollando mi actividad profesional siempre en las áreas de Marketing y Ventas, en temas íntimamente relacionados con la tecnología.

Después me incorporé a Insa lo que hoy es Viewnext, empresa afiliada de IBM. Durante estos 10 últimos años en Viewnext también he tenido la oportunidad de continuar liderando proyectos en las áreas de CRM, Business Intelligence, ERP y Big Data. En los dos últimos años he desarrollado las funciones de dirección y gestión en el proyecto ‘Madrid Inteligente’ del Ayuntamiento de Madrid. Es este el proyecto más completo de Smart Cities que tienen Viewnext e IBM a nivel mundial hasta la fecha.

  1. ¿Por qué decidiste apostar por el proyecto de MSMK?

Empecé como profesor en MSMK. Había impartido clases en otras escuelas de negocio, sin embargo cuando llegué a MSMK me gustó mucho la forma que tenía de hacer las cosas. La dirección académica, la dirección de las clases, el trato que se da a los alumnos. Después cuando se me ofreció la dirección del área de Business Intelligence & Big Data y he tenido la oportunidad de trabajar ‘codo con codo’ con todas las personas de la Escuela y del claustro de profesores no he hecho más que confirmar la opinión que ya tenía. Creo que  al final es la suma de todas estas cosas las que hacen un proyecto docente atractivo y por el que merece la pena apostar.

«En MSMK se está permanentemente pendiente del mercado, de la evolución de las tecnologías y de la búsqueda constante de los mejores docentes para poder ofrecer a los alumnos Masters y Programas adecuados a las necesidades reales de las empresas»

  1. ¿Cuál es el valor diferenciador de la Escuela y del área Big Data & Analytics?

Considero que desde la Escuela se está permanentemente pendiente del mercado, de la evolución de las tecnologías y de la búsqueda constante de los mejores docentes para poder ofrecer a los alumnos Masters y Programas adecuados a las necesidades reales de las empresas. El claustro lo componen profesores que desarrollan su actividad profesional trabajando para empresas que compiten en el mercado nacional e internacional y tiene esa vocación docente que les lleva a querer enseñar lo que van aprendiendo después de mucho esfuerzo diario. Esto hace que las clases tengan un componente muy práctico.

Así mismo considero que, en este momento, no hay otros Masters y Programas similares en el mercado. Las alianzas y acuerdos con empresas del mundo del Big Data y área de Analytics como SAS e IBM hacen que podamos disponer en las clases de herramientas de primer nivel.

MSMK

Desde la Escuela hay una preocupación constante para que los alumnos adquieran las capacidades funcionales y técnicas necesarias que les permitan desenvolverse con soltura en estos entornos de gestión de tal cantidad de datos y tan analíticos. También se les prepara a través del desarrollo de los Proyectos Fin de Master para que sean capaces de trabajar en equipo, desarrollar y realizar presentaciones de forma eficaz. En definitiva, que cuando cada alumno termine el Máster o el Programa correspondiente haya aumentado la probabilidad de encontrar un nuevo empleo o incluso promocionar dentro de su empresa actual.

  1. Este año celebramos las 20 ediciones de Programas de Postgrado en nuestra área de Big Data y Analytics. ¿Qué consejos darías a los futuros alumnos?, ¿por qué recomendarías estudiar en MSMK?

A los alumnos que quieran estudiar en nuestra Escuela en el área de Big Data y Analytics les animaría a hacerlo con entusiasmo y con muchas ganas de aprender. Somos exigentes y estamos convencidos que cuánto más esfuerzo se dedica  a las materias mayor es el aprovechamiento de los Masters y Programas y  también la satisfacción personal de cada alumno. Estas son áreas de conocimiento que van cogiendo cada vez más fuerza en el mercado. Son perfiles muy demandados y que hoy no hay tantos como se precisan. Recomiendo hacerlo en MSMK porque es una escuela seria y que se ocupa de que sus alumnos salgan bien preparados a un entorno profesional cada vez más exigente.

Tres diferencias claves entre Big Data y Analytics

Organizaciones de todo el mundo y numerosas industrias, están empleando la filosofía del big data con el fin de obtener un mayor conocimiento y visión de sus negocios y de mejorar los procesos. Sin embargo, no es raro que muchos ejecutivos se pregunten si el big data es sólo analítica.

bigData Analytics

Los dos pueden estar relacionados, pero hay diferencias fundamentales entre ellos, según Andrew McAfee, principal director científico de investigación en el Instituto de Tecnología de Massachusetts (MIT) y Erik Brynjolfsson, profesor de Schussel Family en la Sloan School of Management del MIT.

En un artículo de la revista Harvard Business Review, los dos señalan tres puntos clave donde el big data es diferente a analytics:

Volumen – Una investigación realizada por International Data Corporation (IDC), indicaba que la cantidad global de datos digitales crecerá de 130 exabytes a 40.000 exabytes en 2020.

Por ejemplo, Walmart acumula más de 2,5 petabytes de datos cada hora tan sólo a través de las transacciones de los clientes. Un petabyte son mil billones de byte o, aproximadamente, el equivalente a 20 millones de cajas de documentos. Hay que tener en cuenta que el 90 por ciento de los datos de hoy han sido creados sólo en los últimos dos años.

Velocidad – La velocidad de datos es aún más importante que el volumen. El acceso a la información en tiempo real permite a las organizaciones ser más rápidas que sus competidores en la toma de decisiones y en la ejecución de movimientos.

Por ejemplo, un grupo de investigadores del MIT Media Lab utilizaron datos de ubicación de teléfonos móviles para determinar cuántas personas estaban en el aparcamiento de Macy´s el Viernes Negro (día de inicio de las compras de Navidad en Estados Unidos). Esto les permitió estimar las ventas de la compañía retail en ese día, incluso antes de que Macy´s fuese capaz de registrar sus ventas reales.

Variedad – El big data llega de muchas formas. Puede venir en forma de imágenes publicadas en Facebook, en correo electrónico, en mensajes de texto, en las señales GPS de los teléfonos móviles, en los mensajes de twitter y en otras notificaciones de redes sociales.

Estas formas de datos se conocen comúnmente como datos no estructurados. Cada persona hoy en día es potencialmente un generador de datos andante. Sin embargo, son datos que no se organizan en base de datos.

Las bases de datos estructuradas que almacenan más información corporativa no son muy adecuadas para almacenar y procesar grandes volúmenes de datos.

Al mismo tiempo, los elementos informáticos, como el almacenamiento, la memoria, el procesamiento y el ancho de banda son cada vez más baratos, por lo que es más económico para las empresas llevar a cabo enfoques de datos intensivos que analizar la información.

El big data puede estar no estructurado y ser difícil de manejar, pero hay una gran cantidad de señales vitales entre todo el «ruido» que lo acompaña. El valor está a la espera de ser explotado.

Artículo escrito por Nestor E. Arellano. Visto en http://www.itworldcanada.com/

 

Data Driven y Big Data, una nueva forma de entender el Marketing

Como muchos sabéis, el número de terminales conectados en el mundo está creciendo de forma exponencial. Ya somos más de 3.000 Millones de personas conectadas a internet con más de 5.000 millones de terminales conectados. Empezamos con los ordenadores, después las consolas y están siguiendo los móviles, las tabletas, los “wearables”, la televisión y pronto tendremos los coches, las neveras, las lavadoras y, por qué no, hasta la ropa conectada.

En España tenemos actualmente una media de 3 dispositivos conectados por persona, el 80% de los adultos españoles tienen un teléfono con conexión a internet, del 74% que tiene, al menos, dos terminales conectados, y un 19% ya tiene 5 o más dispositivos conectados a internet. Esto no ha hecho más que empezar, el número de terminales y personas conectadas va a seguir creciendo, pronto estaremos en medias de 5 y que nadie se sorprenda si llegaremos incluso a 8 o 9 dispositivos conectados por persona.

Big Data Marketing

Como resultado de esta tendencia, los procesos de compra de nuestros clientes cada día son menos lineales y tienden a complicarse. Cada vez se produce un mayor número de interacciones con las marcas y aparecen nuevas oportunidades para conocer mejor a nuestros clientes, entender el rol de cada canal y cada punto de contacto y utilizarlos con inteligencia para vender nuestros productos y servicios.

Lo que la web trae a este mundo hiperconectado es que prácticamente cada punto de contacto que un cliente tiene con una marca está dejando una huella en forma de dato. Cuando son impactados por un anuncio, visitan tu web o tu app, cada vez que compran, incluso cada vez que visitan tu tienda… la cantidad de datos y de información disponible sobre los consumidores que interactúan con tu marca y con tus productos está creciendo de forma exponencial. El “Internet de las cosas” tiene una implicación directa en la forma en que las compañías van a pasar a interactuar con sus clientes.

El valor de los datos y las ventajas de una gestión eficiente de los mismos: ¿De verdad es para tanto?

El mundo está inundado de datos. Cada vez que un consumidor utiliza una tarjeta de crédito se crea un historial de compras. Los programas de fidelización dan acceso a las empresas a los patrones y preferencias de compra del consumidor. Cada clic del ratón deja un rastro que se puede seguir. Sabemos más cosas que nunca sobre nuestros clientes, y ellos saben más cosas sobre nosotros. Todo este flujo de datos puede resultar alentador o, por el contrario, descorazonador. Contar con más información supone un mayor conocimiento, ideas más inteligentes y mejores decisiones en todos los aspectos. Pero, teniendo en cuenta la invasión diaria de datos, podemos vernos sometidos a una “parálisis del análisis”, con lo cual se retrasan las decisiones y los proyectos hasta que se cuenta con la mayor información posible para estar convencidos de tomar las decisiones adecuadas.

Existe un claro valor de la correcta gestión de los datos que se produce en tres frentes distintos: el primer beneficiado de un correcto análisis de todas las interacciones que los consumidores tienen con sus marcas debería ser el cliente, el segundo beneficio claro de todo este mundo es una gestión mucho más eficiente de la inversión publicitaria y de marketing y, por último, el beneficiario final debería ser el negocio en general.

Construir una visión única de nuestro cliente a partir de los datos nos permite generar un mayor conocimiento de los mismos, un entendimiento mucho más granular de quiénes son, qué les gusta, por qué me compran o dejan de comprarme, etc. Si como empresa hacemos las cosas bien y aprovechamos este mayor conocimiento del cliente, se debería traducir en una mejor experiencia en la relación con cliente-marca. La mejora de la experiencia se puede provocar de muchas maneras: porque soy capaz de diseñar una experiencia más personalizada a distintos segmentos de clientes, porque ahora puedo adaptar las campañas y los mensajes publicitarios y ofertas comerciales para que sean más relevantes para ellos, porque les ofrezco productos y servicios que se adaptan mejor a sus necesidades, etc.

Todo esto revierte en una mejor experiencia del cliente en general, en una mayor fidelización y esperamos un mayor valor del cliente en el tiempo (gasta más y se queda más tiempo conmigo).

customer

El segundo gran beneficio es la optimización de la inversión publicitaria. Como conozco mejor a mis consumidores y la tecnología digital me permite realizar campañas de comunicación personalizadas de forma automática, puedo hacer cosas como: diferenciar mensajes a usuarios que me conocen de los que no me conocen, adaptar la oferta en función de lo que han comprado con anterioridad o están interesados ahora, buscar segmentos similares para llegar a nuevas audiencias y clientes potenciales, etc. Esto hace que el rendimiento de las campañas mejore radicalmente. Lógicamente el gran beneficiado de todo esto es el negocio que consigue incrementar el número de clientes satisfechos y fieles y a un menor coste de captación y gestión. Pero además, me atrevo a decir que el análisis adecuado de los datos debería generar un montón de ideas nuevas de optimización, mejora e innovación en el negocio en general, sobre todo a partir del momento en el que eres capaz de conectar los datos online y offline de los clientes.

El reto del “Big Data”: ¿Qué implica exactamente lanzarse en un proyecto de este tipo?

El número de puntos de contacto de un consumidor con las marcas se incrementa de forma exponencial y el número de datos que se generan sobre los mismos sigue la misma tendencia. El problema principal es que toda la información generada por este consumidor conectado se recoge en distintas bases de datos que suelen ser estancas y funcionan en silos, la información no suele estar bien ordenada ni estructurada y resulta prácticamente imposible sacarle un valor diferencial. Da igual el sector en el que trabajemos, ahora mismo cualquier empresa tiene información muy valiosa sobre sus consumidores en:

  • El Adserver, recoge datos de impactos publicitarios a usuarios en el mundo online. Se almacenan impresiones y clics de todas las campañas publicitarias que un anunciante realiza y la información se recoge a nivel de cookie y por tanto navegador.
  • En la analítica web, dónde se registra toda la actividad que un usuario realiza en nuestras propiedades, ya sea la web clásica o la web móvil, la app, un blog de la compañía, etc. Ahora bien, al igual que en el Adserver, los datos se suelen recoger en base a cookies y por tanto navegadores y la visión que, en la mayoría de los casos, tiene nuestra analítica web es una visión de navegador y no de usuario.
  • En el mundo offline, suelen existir distintas bases de datos que recogen todo tipo de información sobre el cliente. Las BBDD de las tiendas recogen la información de ventas y disponemos de información de ventas por producto y tienda aunque raramente ligadas a clientes (sólo si existe una tarjeta de fidelización en el caso de ventas de servicios), las BBDD del call center recopilan los datos de atención al cliente, la de Post Venta, la de financiación, la de entrega a domicilio,… y un largo etcétera de BBDD que están recogiendo información sobre nuestros clientes de distinta índole pero casi siempre de forma no estructurada y con visiones distintas del cliente.

El Big Data supone la aceleración del proceso de toma de decisiones. La pérdida de clientes, por ejemplo, se puede abordar ahora en tiempo real. En vez de centrarse en los factores que contribuyen a dicha pérdida mucho tiempo después de que el cliente se haya perdido, el análisis de los datos en tiempo real puede desvelar y sugerir soluciones para fidelizar mejor a los clientes según van apareciendo.

Toma decisiones

En este contexto el primer reto es ser capaces de hacer una gestión eficiente de los datos. ¿Qué quiere decir esto?:

  1. Lo primero, es tener claro qué datos es necesario recoger y definir dónde van a vivir estos datos. Hay que empezar por definir la estrategia de recogida de información y de estructura de las distintas BBDD en función de lo que vayamos a querer hacer con estos datos a posteriori. Hay ciertos datos que van a jugar un papel fundamental, y sin ellos no podremos hacer nada. Es necesario definir una estrategia comercial y de relación con los clientes adecuada para que ellos quieran y se sientan cómodos facilitándonos esos datos. Por ejemplo, si hablamos del sector “distribución/ Retail”, de cara a construir una visión cliente completa es cada vez más crítico ser capaces de asociar la venta en tienda a un cliente. La pregunta clave es ¿Cómo hacemos esto? Si tenemos una tarjeta de fidelización es fácil pues al comprar el cliente se identifica, el problema surge cuando el retailer no tiene implementada una tarjeta de fidelización ¿Cómo consigues que se identifique en el punto de venta? ¿Qué buenos motivos puedo darle al cliente para que lo haga? Para conseguir esto es necesario revisar y redefinir la estrategia comercial y de CRM.
  2. Desde el diseño hay que tener muy claro cómo se van a conectar los distintos datos y las BBDD para ser capaces de tener una visión 360º del cliente, da igual desde qué canal o dispositivo interaccione con mi marca. Tener esta visión 360º requiere diseñar desde el principio estrategias de recogida de datos y CRM que nos permitan identificar al usuario en sus distintos dispositivos así como identificarle en todos los canales offline (actividad en el punto de venta, interacción con el call center, etc.).
  3. A partir de aquí empieza el trabajo de selección de datos: Cómo pasamos del “big data” al “smart o good data”, cuáles son las preguntas correctas que hacerse y cómo extraemos “insights” relevantes para nuestro negocio, cuestiones que de verdad nos van a llevar a hacer las cosas de forma distinta.
  4. Finalmente, es necesario actuar sobre estos insights y poner nuevas medidas en marcha ya que sólo así seremos capaces de sacarle valor diferencial a los datos.

La capacidad de diferenciar los resultados significativos del “ruido” no es realmente posible sin las nuevas técnicas de gestión del Big Data. Pese al valor de estas propuestas, todos sabemos que los cambios son complicados. Pueden pasar años hasta que se dejen a un lado las prácticas del pasado. Pero los profesionales que logren modificar la actitud y la estructura necesarias para obtener todos los beneficios del Big Data cosecharán grandes recompensas. Pasar de una posición táctica y de documentación de los hechos a un enfoque estratégico y predictivo generará un incremento evaluable del ROI de márketing, y supondrá un importante empujón para el negocio

Esto es mucho más fácil decirlo que hacerlo, ya que para conseguir esto la empresa se va a enfrentar a tres retos muy importantes. El primero organizativo, porque la información es poder y nadie quiere ceder los datos. ¿Dónde deben residir los datos que se recogen? ¿Quién es el propietario? ¿Creo un departamento de Business Intelligence? ¿Dónde se ubica en la organización? El segundo está relacionado con la tecnología, ya que en este contexto la tecnología va a desempeñar un papel fundamental.

En función de las decisiones tecnológicas que tomemos nuestra vida puede ser más fácil o complicarse mucho, por lo tanto entender bien la tecnología y tomar las decisiones adecuadas va a ser crítico, ahora bien ¿Qué legacy de sistemas tenemos? ¿Podemos aprovechar lo que ya tenemos o hay que construir la tecnología de cero? ¿Qué inversiones requiere? ¿Tenemos el conocimiento técnico suficiente?.

Finalmente, el último reto al que nos enfrentamos está relacionado con las capacidades. El rol del departamento de Marketing en este nuevo contexto cambia radicalmente y se vuelve mucho más analítico y más técnico, y lo normal es que no dispongamos de estos nuevos perfiles dentro de la casa. El departamento de Marketing se tiene que equipar con analistas de negocio, con data scientists y estadísticos y finalmente con gente técnica, que entienda la tecnología y sepa hacer implementaciones técnicas para una correcta medición. La mayor dificultad es que, lamentablemente, estos perfiles son muy escasos y prevemos una creciente demanda de los mismos en el corto plazo, lo que va a producir todavía mayor escasez y probablemente sobrevaloración de los mismos.

Esto es lo que requiere sacarle partido al big data y convertirlo en una ventaja competitiva real, difícil, muy difícil de replicar por la competencia. Por mi experiencia, sólo hay una forma de abordar este tipo de proyectos, desde la Dirección General. Como hemos visto se trata de un proyecto totalmente transformacional que afecta a múltiples capas de la organización y la única forma de impulsarlo es cuando viene sponsorizado y liderado desde arriba. O forma parte de la agenda y prioridades de la Alta Dirección o es muy difícil llevarlos a cabo.

Emérito Martínez, Director del Máster en Innovación y Transformación Digital de MSMK – Madrid School of Marketing

CMO de QDQ Media

Election Tech: How to make yourself a DIY data scientist

TechRepublic has used big data and social media as a lens to understand the 2016 US presidential race. You can use our simple method to gain deep insights from social media for your business.

«Campaigns are all small businesses,» said author Jonathan Tasini, surrogate for the Bernie Sanders campaign in New Hampshire.» Social media data helps us better understand the issues voters care about, and how to best use limited campaign resources.»

This campaign cycle TechRepublic is covering the relationship between social media, big data and political campaigns. There are a number of parallels between campaigns and startups—and small business can learn a lot by watching how campaigns gather and analyze social media data to help fine-tune messaging, react to the competition, and better understand issues.

Each day TechRepublic tracks several data points related to increasing and decreasing interest in candidate Twitter accounts through the campaign cycle. Our goal is to determine if, in fact, there is a relationship between Twitter activity and real-world results.

Twitter is our initial data source because the network is widely-used by campaigns and the media. Over the course of the campaign, we hope to add a variety of data points and social networks to our analysis.

We grab publicly available data from presidential candidate Twitter accounts daily from the public API, around 11:00 pm Eastern Standard Time and log the data in an Excel spreadsheet. We rely on public data like new followers, account follow-back ratio, relative growth, and the text copy of Tweet content because this information is not proprietary, and is available to everyone.

TechRepublic Election Tech Chart

TechRepublic Election Tech Chart | Image: William Stodden/Excel

We use Excel to log our daily snapshots. We have a master log of Twitter data, as well as individual sheets for debates, elections, conferences and speeches as needed. This allows us to monitor historic trends, and zoom in on specific events.

Our method is simple and direct. In our daily tracking sheet, in each row we list the candidate name, followed by our priority data points. Through the primaries, we track number of Tweets, Followers, the Following to Follower ratio, and number of times each account has been added to a list. We add a new column each day. The only difference in our event tracking sheet is that we log by hour, rather than by day.

By logging information in this way, each day we are able to calculate nominal growth—pure numbers of additional followers—and relative growth, account percentage increase.

This information, logged over time, allows us to use Excel’s built-in graphing tool to generate charts that present the data visually.

We do not yet have a theoretical understanding of how real-word events correlate with social media data, but charts generated from historic data produce data-driven insights, can assist in generating theory and speculating more effectively.

Our simple process can be also be reproduced using Google Sheets and Apple Numbers. Additionally, a number of powerful, professional-grade tools like StataTableau (Tech Pro Research review), Apache SparkInformatica and the R project are available for professional and enterprise users. These tools perform powerful visualization tasks, and can work with more diverse data sets.

Third party sites can be useful for acquiring large and specific data sets. A mountain of social media meta-data is available from sites like Keyhole.coDatasift, and Gnip. Third party sites like TweetStats.comTwitterCounter.com, and Foller.me can be useful for aggregating social media account data for free or low cost. As with all third-party sites we strongly advise you examine the privacy policy on each site before diving in.

Our method, however, can be applied easily by gathering information manually from Twitter, Facebook, Instagram, and other social sites directly. If you’re consistent about your data capture routine, this is the most simple method of building an information library and producing insightful charts.

If you are running a business, for example, you could apply the same kind of analysis we’re doing with presidential candidates to your competitors. You could track their progress on social media and compare it to yours. You could also track hashtags, product names, product keywords, and industry jargon to detect changes in customer demand over time.

TechRepublic’s Election Tech 2016 coverage

Over the course of the campaign we will continue to perform simple data analysis. In the future we hope to correlate sentiment with follower actions like retweets and likes. We hope to uncover additional and unique insights. If you’re a data scientist, social media professional, or inquisitive TechRepublic reader we’d love your ideas on how to inspect campaign social media data.

By Dan Patterson, Senior Writer for TechRepublic

Article seen in http://www.techrepublic.com/

Big Data as a service is the next Big Thing

BDaaS: Big Data como Servicio

Introducción

Las organizaciones están encontrando muchas dificultades para aplicar eficazmente la tecnología Big Data debido a problemas como la falta de conocimientos técnicos disponibles, entre otros.

Algunas de las últimas innovaciones en la industria de TI han estado relacionadas con el Cloud Computing o computación en la nube y el Big Data. La combinación de Big Data y Cloud Computing ha dado lugar a la aparición de una nueva categoría de tecnología denominada Big Data como Servicio o de forma simplificada “DBaaS”.

Cloud Computing consiste en el uso de recursos virtualizados externos que son dinámicamente escalables y que se utilizan para proveer los denominados servicios en internet o, más comúnmente conocidos, como servicios en la Nube.

Big Data  se utiliza para describir datos que son muchos y demasiado grandes, que hacen que sea difícil su análisis de forma tradicional (Davenport 2012). Gartner se refiere a ellos como un conjunto de datos de “alta Variedad, con Volumen y Velocidad” (Heudecker 2013). Cada vez más se añaden a esta descripción el Valor y Veracidad.

Ventajas de BDaaS

Las organizaciones que implementan soluciones de Big Data se enfrentan a costos significativos en términos de la creación de la infraestructura y la obtención de mano de obra especializada.

En un informe, Gartner indica que el mayor reto en la implantación de una solución de Big Data es determinar su valor para el negocio. De acuerdo con el estudio, alrededor del 56% de lideres tecnológicos consultados trataban de determinar el valor derivado del uso de Big Data. En el mismo estudio, el 29% indicaron que poner en marcha y gestionar la infraestructura necesaria era su principal reto y preocupación.

Y algo clave y enormemente importante: existe una “gran brecha de capacidad analítica entre organizaciones más pequeñas y las más grandes, donde los últimos claramente disponen de más recursos para analizar sus datos llevando a una mejor toma de decisiones y en consecuencia disponen de una mayor ventaja competitiva”. Por tanto, las compañías de menor tamaño se encuentran en grave desventaja lo cual es perjudicial para su crecimiento.

El uso de la tecnología BDaaS ayudará a las pequeñas compañías a mitigar este gap y, en último lugar, posibilitarán a estas organizaciones desarrollar capacidades de Big Data similares a las de las grandes.

BDaaS se define como un Framework Cloud-Based, de computación distribuida escalable de forma horizontal, y que está diseñado para manejar grandes conjuntos de datos o Big Data.

El stack o pila de servicios BDaaS está compuesto por niveles de grupos de tecnología de acuerdo a las funciones que desempeñan (figura 2.1). Por ejemplo, la capa de Data Analytics incluye tecnologías como Tibco Spotfire, la cual provee una plataforma en la nube de capacidad analítica. La capa de Almacenamiento o Storage puede estar basada en Amazon S3 para HDFS, el cual provee los servicios de almacenamiento. Las capas más bajas del stack BDaaS están más próximas al conocido IaaS (Infraestructura como Servicio) de cloud computing. Los niveles más altos tienen una capa de presentación que posibilita a los usuarios el acceso a los servicios.

 BDaaS

Figura 2.1

  • La capa Data Analytics incluye aplicaciones analíticas de alto nivel, como R o Tableau, sobre una solución Cloud computing que se utiliza para analizar los datos. Lo interesante de este modelo es que el tipo de herramienta a usar se puede especializar para cada tipo de industria. Por ejemplo, para entorno financiero, retail o seguros. La capacidad de especializar la capa de Data Analytics dentro del stack BDaaS hace que sea utilizable y adaptable a muchas organizaciones.
  • La capa de Data Management incluye tecnologías de manejo de datos, como pueden ser las propias del ecosistema Hadoop Pig, HbasE, Sqoop etc.
  • La capa de computación provee los servicios de computo, pudiendo estar basados en Amazon MapReduce, o bien las más novedosas como Spark.
  • La capa de almacenamiento dispone de la infraestructura necesaria para la implementación de HDFS, pudiendo estar basada en S3 de Amazon u otro modelo de almacenamiento distribuido y redundante.
  • Finalmente, en la capas de Cloud e infraestructura se pueden optar por soluciones IaaS más comunes, como VMWare, OpenStack y ubicados en Datacenters distribuidos.

En términos generales las tecnologías de la pila BDaaS deben de cumplir con los siguientes requisitos:

  1. Las tecnologías deben de estar claramente definidas en cada stack.
  2. Deben de ser interconectables hacia arriba y hacia abajo.
  3. Deben de proveer un conjunto mínimo de funcionalidades en su stack.
  4. Y, por último, deben de ser escalables en el Cloud.

En cuanto al impacto sobre las tecnologías Big Data y las Bases de Datos tradicionales el siguiente cuadro muestra las ventajas de BDaaS.

Big Data as a Service

Big Data Tradicional

Base de Datos Tradicional

Escalabilidad bajo demanda gracias a Cloud Computing y arquitecturas distribuidas

Escalabilidad bajo demanda gracias a arquitecturas distribuidas Carencia de escalabilidad
Virtualización del almacenamiento y del  dato en plataformas distribuidas Almacenamiento sobre HDFS o plataformas distribuidas Almacenamiento tradicional sobre SAN,NAS y Disco
Datos estructurados y no estructurados en entornos Cloud Datos estructurados y no estructurados Datos estructurados
Funciones de Analítica Avanzada bajo con capacidad de computo bajo demanda Funciones de Analítica Avanzada Reporting basado en OLAP
Máxima accesibilidad Acceso Limitado Acceso Limitado
Capacidades de Analítica mediante algoritmos pre configurados y adaptación de código. Capacidades de Analítica mediante adaptación de código Capacidades de Analítica mediante adaptación de código

Ejemplos de compañías BDaaS

  • Cazena

https://www.cazena.com

  • Qubole

https://www.qubole.com

  • Doopex

https://doopex.com

Conclusiones

Debido a la alta demanda de Data Scientists y Analistas, unido a los altos costes de implementación de soluciones Big Data On Premise, BDaaS se convierte en una gran solución en cuanto que muchas organizaciones podrán empezar a utilizar Big Data alcanzando ventajas competitivas independientemente de su tamaño.

BDaaS es una revolución necesaria, al igual que sucedió con Cloud Computing.

EDUARDO MOREJON SABIO

Business Development Manager – Techedge Spain

Executive Master en Big Data en MSMK – Madrid School of Marketing

Reiniciando

¿Cuál es la parte más crítica del proceso de creación de un modelo analítico? Para mí, sin duda, es la etapa que marca la definición del objetivo que se está buscando. Es necesario que Éste sea claro, preciso y alcanzable. Ya decía Herd Eldestien que, ”si sólo te dedicas a almacenar datos, sin tener un objetivo claro de para qué vas a emplearlos, estas perdido antes de haber empezado”. Esta frase toma un especial sentido en el momento actual “la era del Big Data” donde una empresa puede disponer no sólo de datos estructurados sino también no estructurados a una velocidad, volumen y variedad jamás antes visto.

Datos

Siempre he defendido que los mejores modelos predictivos son aquellos que tienen incorporados la lógica de negocio dentro de ellos, es decir, aquellos que se han construido manteniendo un equilibrio entre tres aspectos: la componente matemática, el poder predictivo que obtienen y el expertise que incorporan en ellos las personas de negocio. En el momento actual, cada vez más estrategias analíticas utilizan técnicas de machine learning, cada vez más sofisticadas, cada vez más caja negra. Nadie discute la recomendación del uso de este tipo de modelos en aquellas problemáticas que no precisan de un entendimiento de negocio y en las que su capacidad predictiva es sensiblemente mayor que las que ofrecen las técnicas tradicionales, como es el caso de estudios vinculados al campo de la visión artificial, reconocimiento de caracteres o el text mining.

Sin embargo, en problemáticas vinculadas a la adopción de decisiones comerciales y de negocio, la mejora de los métodos de machine learning no es tan manifiesta y, por ello, se hace recomendable la búsqueda de un equilibrio/competición, con las técnicas de modelización clásicas. El establecimiento de esta estrategia híbrida, nos llevará a considerar las ventajas e inconvenientes de cada uno de los dos mundos, que van desde de la consecución de resultados inmediatos , que se suele alcanzar con técnicas de ML, hasta la obtención de resultados más robustos que se suelen obtener con técnicas de modelización clásica. La elección de la estrategia final a seguir ha de marcarla tanto la naturaleza del objetivo que se quiere predecir, como la madurez analítica de la empresa.

text mining

Es importante subirse al tren de la innovación incorporando progresivamente nuevas capacidades analíticas que permitan automatizar e incrementar la efectividad de los procesos de negocio sin perder nunca de vista la componente humana, que dota de una dimensión extra a los resultados de los modelos. Se abre ante nosotros una nueva etapa en la que será necesario acelerar el proceso de aprendizaje para estar en las condiciones óptimas que nos va a exigir las nuevas necesidades de negocio.

JAVIER MONJAS PÉREZ

Responsable Data Mining en Innova-TSN

Profesor del área de Big Data y Analytics en MSMK – Madrid School of Marketing