Una necesidad, no un lujo.

Analizar los datos es un proceso iterativo y sistemático para tomar decisiones basadas en datos. La reducción en los costos de cómputo y de almacenamiento, aunado al desarrollo de algoritmos de aprendizaje automático (machine learning), han permitido que el análisis de datos haya dejado de ser una herramienta sofisticada, exclusiva de los grandes actores, y se haya convertido en una necesidad de negocio.

Webinar Presentación 20 de abril- Data_edited.jpg

Utilizar datos como base para la toma de decisiones es una de las características sobresalientes de la industria 4.0, y es el elemento que distingue a las compañías eficientes de las convencionales.

Algunas ventajas que brinda la integración del análisis de datos en el funcionamiento de una compañía son: 

001.png
0002.png
0004.png
0003.png

Tener un panorama general del estado de una compañía o de un departamento, además de visualizar y pronosticar tendencias. 

Identificación continua de oportunidades de mejora.

Cuantificar la toma de decisiones (por ejemplo, determinar que una decisión es más riesgosa que otra con un porcentaje específico)

Se contrastan los argumentos para tomar decisiones con hechos objetivos.

Formas abstractas iluminadas

Las organizaciones compiten en analítica no porque pueden, sino porque deben.

Davenport, T. Competing on Analytics, Harvard Business Review (2006).

Niveles de análisis

Image by Adeolu Eletu

Nivel Descriptivo

¿Qué pasó? 

Se exploran hechos que han ocurrido o que están ocurriendo para entender de forma general los efectos que estos pudieran tener. Se contesta la pregunta ¿Qué pasó? o ¿Qué está pasando? De manera concreta producen como salida una visualización (gráfica de barras, de pastel, etc.).

Algunos ejemplos son reportes de ventas trimestrales, número de pacientes en un hospital, porcentaje de ocupación de un hotel.

Estadísticas

Nivel

Predictivo

¿Qué va a pasar?

En este nivel se trata de predecir condiciones futuras a partir de los datos históricos. Se contesta a la pregunta ¿Que va a pasar?. En este nivel la salida también puede ser una visualización (por ejemplo, una serie de tiempo) o también datos numéricos que alimenten a algún otro sistema automático (por ejemplo, una alarma).

Algunos ejemplos son el pronóstico meteorológico, la ocupación general de los hoteles en una zona y período específico, las ventas proyectadas para el siguiente trimestre. 

young-concentrated-businesswoman-in-glasses-and-striped-shirt-working-with-papers-at-home.

Nivel

Prescriptivo

¿Qué hacer después?

Es el nivel más sofisticado de análisis, pues trata de recomendar acciones específicas para lidiar con los probables escenarios futuros. Parte de datos históricos y de objetivos predefinidos para recomendar acciones o decisiones.

¿Qué debo hacer después?. En la actualidad, este tipo de análisis es el menos común por su alto grado de complejidad.

El poder del “¿por qué?

En última instancia, el análisis de datos intenta dar respuestas claras a la pregunta “¿por qué?”.

Supongamos el caso del dueño de un restaurante que indica que se hará un pedido de 100 kg de frijoles negros. 

Un análisis crítico de esta decisión de negocio debería realizarse preguntas como ¿Porqué 100 kg? ¿Por qué negros? ¿Por qué frijoles? 

frijol.png

100 KG 

Ante estas preguntas pueden emerger argumentos con distintos grados de fundamentación.

flor.jpeg

Desde argumentos basados en la tradición o la experiencia “Es lo que compramos cada mes…”

flor.jpeg
flor.jpeg

Argumentos que parten de un análisis descriptivo “Por que el mes pasado las ventas de enfrijoladas se incrementaron 10%”

Hasta argumentos provenientes de análisis predictivos, “Por que la tendencia de los últimos años y los datos del mes pasado predicen un incremento de 8% en la venta de enfrijoladas este mes, además se predice un incremento en el consumo de tortillas y un decremento en el consumo de tomate verde”.

Formas abstractas iluminadas

“Generar valor de los datos y de su análisis es un proceso continuo. No se trata de una actividad anual, tampoco de una actividad trimestral - se debe pensar como un elemento central en todo lo que hagas”

Gartner Press Release, “Gartner Data and Analytics Summit India”

Estrategia

En MediaAgility sabemos que el éxito de las compañías dependerá cada vez más de explotar uno de los activos más importantes que tienen: sus datos. Sin embargo, es esencial tener una estrategia sólida donde se tomen en cuenta las distintas necesidades para un análisis de datos efectivo, el siguiente diagrama muestra una versión de una “pirámide de necesidades de datos”:

Webinar Presentación 20 de abril- Data.png

Hablar de aplicaciones sofisticadas y casos de uso de última generación es motivante, sin embargo, es importante resolver primero factores más elementales como la colecta de datos y transporte y almacenamiento. Estos factores tienen a su vez requerimientos a nivel de infraestructura y a nivel operativo.

 

MediaAgility es partner de Google Cloud. La plataforma de nube pública de Google tiene soluciones robustas para los requerimientos de infraestructura y conexión. En MediaAgility, nos apalancamos de esta plataforma y acompañamos a nuestros clientes a construir cada nivel de la pirámide de necesidades para que pueda convertirse en una empresa basada en datos. 

 

Este acompañamiento incluye la evaluación general de la compañía en cuanto al uso actual de los datos para tomar decisiones, su experiencia con TI en general y su experiencia en la nube. Además, tomamos en cuenta los casos de uso presentes actualmente en la industria.

Webinar Presentación 20 de abril- Data (2).png

Cloud Start es un taller de consultoría de inmersión acelerada que permite a las compañías conocer la metodología de MediaAgility y Google Cloud en el desarrollo de un caso de uso de datos.