ANÁLISIS DE BIG DATA. Obtenga ventaja competitiva a partir de la combinación de análisis avanzado y de big data

Transcripción

1 ANÁLISIS DE BIG DATA Obtenga ventaja competitiva a partir de la combinación de análisis avanzado y de big data P e r s p e c t i v a d e E M C

2 TABLA DE CONTENIDO REGRESO AL FUTURO: LA LLEGADA DE BIG DATA 1 APROVECHAMIENTO AL MÁXIMO DE LA OPORTUNIDAD DE NEGOCIO DEL ANÁLISIS DE BIG DATA 1 PUNTO 1: PLATAFORMA DE CÓMPUTO ÁGIL 2 Activación de data warehousing ágil 2 Data warehouse y análisis integrados 2 PUNTO 2: ESCALABILIDAD LINEAL 3 Transformación de ETL en enriquecimiento de datos 3 Soporte de cargas de trabajo de consulta y análisis extremadamente variables 4 Análisis de conjuntos de datos masivos y granulares (big data) 4 Activación del acceso a datos de baja latencia y toma de decisiones 4 PUNTO 3: GENERALIZADA, UNIVERSAL Y DE COLABORACIÓN EXPERIENCIA DEL USUARIO 5 Activación de una experiencia de usuario intuitiva y generalizada 5 Aprovechamiento al máximo de la naturaleza de colaboración 5 ACTIVACIÓN DE NUEVAS APLICACIONES PARA NEGOCIOS 6 Aplicaciones basadas en atribuciones 6 Aplicaciones basadas en recomendaciones 6 Aplicaciones basadas en predicción o proyección para ventas 6 Aplicaciones basadas en información 7 Aplicaciones basadas en parámetros 7 CONSIDERACIONES DE CIERRE 8 Acerca del autor 8

3 REGRESO AL FUTURO: LA LLEGADA DE BIG DATA Durante la década de los setenta y a principios de los ochenta, los fabricantes y minoristas de productos de consumo empaquetados (CPG) hacían funcionar los negocios usando informes de mercado quincenales de AC Nielsen. Estos informes mostraban datos de la competencia y el mercado (por ejemplo, ingresos, unidades vendidas, precio promedio y participación de mercado) que los fabricantes de CPG utilizaban para establecer estrategias, planes y gastos de ventas, marketing, publicidad y promociones con sus partners de canal (por ejemplo, distribuidores, mayoristas y minoritas). Luego, a mediados de los ochenta, Information Resources Inc. (IRI) ofreció instalar escáneres gratuitos de puntos de venta (POS) en ubicaciones minoristas a cambio de datos residuales del escáner. Los minoristas estuvieron más que felices con este intercambio, ya que la mano de obra era su componente de mayor costo y había una comprensión limitada con respecto al valor de los datos de escáneres de POS. Nuevas categorías de aplicaciones para negocios basadas en análisis: Proyección para ventas basada en la demanda Optimización de la cadena de abastecimiento Eficacia del gasto comercial Análisis de la cartera del mercado Administración y comercialización de categorías Optimización de precios o rendimiento Administración de descuentos para comercialización Programas de lealtad de clientes Estos datos de escáneres de POS, que se consideraban big data en ese momento, provocaron un cambio innovador en el sector en cuanto a poder (entre los fabricantes y minoristas) y la manera en que tanto fabricantes como minoristas operaban sus negocios. Los volúmenes de datos se incrementaron de megabytes a terabytes, por lo que se necesitaba una nueva generación de plataformas de almacenamiento y servidores (por ejemplo, Teradata, Red Brick, Sybase IQ, Sun y Sequent) y herramientas de análisis (por ejemplo, Metaphor, Business Objects, Informatica y MicroStrategy). Compañías de vanguardia como Wal-Mart, Procter & Gamble, Tesco y Frito Lay aprovecharon al máximo este nuevo big data y las nuevas plataformas y herramientas de análisis para obtener ventaja competitiva. Estas compañías estuvieron a la vanguardia del desarrollo de nuevas categorías de aplicaciones para negocios de big data y basadas en análisis para abordar problemas del negocio que antes no se podían enfrentar de manera rentable (vea el cuadro a la izquierda). Y 30 años después, vuelve a verse lo mismo. Se disparan los orígenes de datos nuevos, de baja latencia, de alta precisión y diversos ( big data ) que tienen el potencial de cambiar la forma en que operan las organizaciones y las industrias. Estos nuevos orígenes de datos provienen de un grupo de dispositivos, interacciones con clientes y actividades de negocios que revelan nueva información sobre las cadenas de valor organizacionales y del sector. La llegada de estos nuevos orígenes de datos más detallados permitirá que las organizaciones aborden oportunidades de negocios que antes no podían enfrentar y llevará a la creación de nuevas gamas de aplicaciones para negocios. Sin embargo, para que ello ocurra, deben surgir nuevas plataformas (infraestructura) y herramientas (análisis). En este informe técnico se describirá la función que pueden tener estas nuevas plataformas y se analizarán los tipos de aplicaciones para negocios basadas en análisis y que aprovechan al máximo el big data que puede surgir. APROVECHAMIENTO AL MÁXIMO DE LA OPORTUNIDAD DE NEGOCIO DEL ANÁLISIS DE BIG DATA El big data requiere una nueva plataforma de análisis desde la cual tanto el negocio como la tecnología pueden obtener ventaja competitiva. Para esto se necesita una nueva infraestructura tecnológica que (a) sea escalable de forma masiva a petabytes de datos, (b) soporte acceso a datos de baja latencia y toma de decisiones y (c) tenga análisis integrado para acelerar el modelado de análisis avanzado y los procesos de operacionalización. La capacidad de aportar nuevos escalamientos de potencia de procesamiento para soportar conjuntos de datos masivos permite la identificación continua de información útil sepultada dentro de big data, y hace posible una integración sin problemas de esta información útil dentro del ambiente de trabajo del usuario, dondequiera que pueda estar. Esta nueva plataforma de análisis puede liberar a las organizaciones de las antiguas formas de creación de informes retrospectivos mediante la entrega de un análisis predictivo y prospectivo para las masas y mejores decisiones de negocios en todos los niveles de la organización. 1

4 PUNTO 1: PLATAFORMA DE CÓMPUTO ÁGIL La agilidad se activa mediante data warehousing y arquitecturas analíticas altamente flexibles y reconfigurables. Los recursos analíticos pueden reconfigurarse o volver a implementarse rápidamente para cumplir con las demandas en constante cambio del negocio, lo que permite nuevos niveles de flexibilidad y agilidad del análisis. Activación de data warehousing ágil La nueva plataforma de análisis permite el desarrollo de data warehouses que están libres de las restricciones que se encuentran en los ambientes de TI actuales. Hoy en día, las organizaciones se ven obligadas a usar técnicas de diseño antinaturales y herramientas de creación de informes poco sofisticadas para extraer información de los orígenes de datos masivos y de rápido crecimiento mediante tecnologías de base de datos obsoletas. A medida que estos volúmenes de datos siguen creciendo y se ponen a disposición nuevos orígenes de datos, las organizaciones están descubriendo que las arquitecturas, herramientas y soluciones de la actualidad son demasiado costosas, demasiado lentas y demasiado rígidas para soportar sus iniciativas estratégicas de negocios. Consideración del impacto de la construcción previa de agregados. Los agregados 1 se usan comúnmente para superar la potencia de procesamiento limitada de sistemas de administración de bases de datos relacionales (RDBMS) tradicionales para el manejo de combinaciones de varias tablas y escaneos de tablas masivas. Un administrador de base de datos (DBA) calcula previamente los agregados más comunes durante la preparación de los datos para acelerar el rendimiento ad hoc y de creación de informes. La cantidad de datos almacenados en estas tablas de agregados está creciendo varias veces más que los datos crudos en sí. Se requiere tanto tiempo para construir previamente los agregados que los acuerdos de nivel de servicio (SLA) sufren. El aprovechamiento al máximo de los datos que se alimentan gradualmente para proporcionar creación de informes operacionales en tiempo real es una quimera, debido al tiempo que se requiere para reconstruir las tablas de agregados cada vez que ingresan nuevos datos en el data warehouse. Al eliminar estas limitaciones se activa un ambiente de data warehouse ágil que es tan flexible y tiene tanta capacidad de respuesta como el negocio que atiende mediante el aprovechamiento al máximo de las siguientes funciones: Agregación según demanda: no hay necesidad de construir previamente agregados para proporcionar un mayor tiempo de respuesta a consultas e informes. Existe la posibilidad de crear agregados en tiempo real, lo que elimina la debilitante necesidad de reconstruir de forma constante agregados cada vez que ingresan nuevos datos en el data warehouse. Independencia de índices: los DBA pueden eliminar la necesidad de indexación rígida. Estos DBA no tendrán que saber con anticipación las preguntas que desean hacer los usuarios para poder construir todos los índices de apoyo. Los usuarios pueden hacer libremente el siguiente nivel de preguntas de negocios detalladas sin tener que preocuparse de problemas de rendimiento. Creación del indicador clave de rendimiento (KPI) dinámico: los usuarios del negocio tienen la libertad de definir, crear y probar nuevos KPI derivados (y compuestos) sin tener que involucrar a los DBA para calcularlos previamente. Estructuras jerárquicas flexibles y ad hoc: no es necesario definir previamente las jerarquías de dimensiones cuando se construye el data warehouse. Por ejemplo, durante un análisis de inteligencia de mercado, las organizaciones podrían tener la flexibilidad de cambiar compañías con respecto a las cuales se les realiza una medición de parámetros. Data warehouse y análisis integrados Tradicionalmente, el data warehouse y el análisis han residido en diferentes ambientes. Para transferir datos desde el data warehouse en el ambiente de análisis se ha requerido 1 Los agregados son resúmenes jerárquicos o de dimensiones calculados previamente de los hechos (medidas o métricas) que generalmente se definen mediante a frase Por grupo de SQL. Por ejemplo, en la dimensión de región geográfica, uno podría crear agregados para todos los hechos (por ejemplo, ventas, ingresos, dinero de margen, porcentaje de margen y retornos) por país, región, estado, ciudad, condado y código postal. 2

5 un proceso de ETL independiente donde los datos se seleccionan, filtran, agregan, procesan previamente, reformatean y luego se transportan al ambiente de análisis. Una vez en el ambiente de análisis, los analistas de datos comienza a construir, probar y refinar los modelos y algoritmos de análisis. Si durante este proceso los analistas de datos se dan cuenta de que necesitan datos más granulares o datos diferentes, tienen que repetir el proceso completo de ETL de data warehouse. Esto puede añadir días, o quizás semanas, al proceso de análisis. Un ambiente de data warehouse y análisis único e integrado con análisis dentro de bases de datos significa que los analistas de datos no necesitan dejar el data warehouse para llevar a cabo el análisis. Es posible transferir conjuntos de datos masivos entre los ambientes de data warehouse y análisis a considerables velocidades de transferencia (5 TB a 10 TB/hora). Esto acelera de forma significativa el proceso de análisis y facilita la integración de los resultados de análisis de vuelta en el ambiente de data warehouse y de business intelligence. Por ejemplo, un ambiente de data warehouse y análisis integrados soporta los siguientes tipos de análisis: Conjuntos de datos masivos de subsegmento y flujo entre el ambiente de data warehouse y de análisis para permitir la creación de áreas de prueba de análisis para exploración y descubrimiento de análisis. Examine conjuntos de datos masivos al menor nivel de granularidad para indicar comportamientos, tendencias y actividades inusuales a fin de crear conocimiento útil con recomendaciones correspondientes. Acelere el desarrollo y pruebas de diferentes escenarios de negocios para facilitar los análisis sobre posibles situaciones, confidencialidad y riesgo. Estos tipos de beneficios se integrarían de forma invaluable en las tareas diarias. Solo consulte a un administrador de distribución que desea que el sistema indique posibles problemas de rendimiento del proveedor potencial con respecto al deterioro del servicio según se mide a través de entregas a tiempo y el porcentaje de entregas completas. PUNTO 2: ESCALABILIDAD LINEAL El acceso a cantidades masivas de capacidad computacional significa que los problemas del negocio pueden abordarse de manera completamente diferente. Analicemos algunos ejemplos donde la escalabilidad computacional masiva puede influir en el negocio. Transformación de ETL en enriquecimiento de datos La extracción, transformación y carga (ETL) se centra en corregir los errores que provocan los sistemas de origen; además extrae, transforma, limpia, determina perfiles, normaliza y alinea todos los datos para asegurar que los usuarios están comparando elementos similares en su análisis. Con la potencia de procesamiento disponible para ETL (además del aprovechamiento de la disponibilidad de nuevos lenguajes computacionales como Hadoop), el proceso de ETL tradicional puede transformarse en uno de enriquecimiento de datos. Es posible crear una métrica nueva y profunda que incluye: Secuenciamiento u orden de actividades: identificación de la secuencia de actividades que se produjeron antes de un evento específico. Por ejemplo, identificación de alguien que comúnmente llama al call center dos veces después de buscar opciones de soporte en el sitio web antes de obtener una solución correcta para el problema. Conteos de frecuencia: conteo de la frecuencia con que se produce cierto evento durante un período específico. Por ejemplo, identificación de los productos que tenían x cantidad de llamadas de servicio durante los primeros 90 días de uso. N-tiles: agrupación de elementos (por ejemplo, productos, eventos, clientes y partners) en categorías basándose en una métrica específica o conjunto de métricas. Por ejemplo, el rastreo del tercil superior (10% superior) de los clientes basándose en el ingreso o margen durante un período rotatorio de tres meses. Cestas de comportamiento: creación de una cesta de actividades, incluyendo frecuencia y orden, que anteceden a un evento de ventas o conversión a fin de identificar las combinaciones más eficaces y rentables de tratamientos del mercado. 3

6 Soporte de cargas de trabajo de consulta y análisis extremadamente variables Resulta muy difícil saber por adelantado los tipos de consultas y análisis que podría querer realizar el negocio basándose en el ambiente de negocios más actual. Los precios o medidas de promoción de la competencia podrían requerir un análisis repentino para comprender mejor el impacto financiero y en el negocio para la compañía. El análisis más interesante implica cargas de trabajo extremadamente variables que son difíciles de predecir a priori. Antes, las organizaciones tenían que contentarse con llevar a cabo un análisis después del hecho superficial y no tenían la capacidad computacional para sumergirse en profundidad en el análisis a medida que se producían los eventos o para contemplar todas las variables y permutaciones diferentes que podrían impulsar el negocio. Con las nuevas plataformas, hay soporte para estas necesidades de análisis que consumen muchos recursos computacionales y son de corta duración. Esta función se manifiesta de las siguientes formas para los usuarios de negocios: Rendimiento y escalabilidad: agilidad para explorar a fondo los datos a fin de hacer el segundo y tercer nivel de preguntas necesarias para apoyar la toma de decisiones. Si los usuarios del negocio quieren analizar todos los pequeños detalles de los datos para encontrar aquellas variables que impulsan el negocio, no tienen que preocuparse por paralizar el sistema al analizar demasiados datos. Agilidad: soporte del rápido desarrollo, pruebas y refinamiento de modelos de análisis que ayudan a predecir el rendimiento del negocio. Los analistas de datos tienen la libertad de explorar diferentes variables que podrían estar impulsando el rendimiento del negocio, aprender de los resultados y trabajar en dichos hallazgos para la próxima repetición de modelo. Son libres para fallar rápido en su análisis sin preocuparse sobre las ramificaciones de rendimiento del sistema que tenga su análisis. Análisis de conjuntos de datos masivos y granulares (big data) Una de las ventajas más importantes de la nube es la cantidad y nivel de datos detallados que pueden ofrecer para soportar el análisis y modelado de generadores de negocios. La nube no solo aporta el potencial para una potencia de procesamiento más eficiente según demanda, sino que también entrega funciones de almacenamiento de datos más eficiente y rentables. En lugar de limitar el negocio para que se adapte a los datos, el negocio es libre de expandir su análisis aprovechando todos los aspectos de los datos de las siguientes formas: La capacidad de ejecutar análisis multidimensional con análisis a la enésima potencia. El negocio no se ve limitado a contemplar solo tres a cuatro dimensiones, sino que puede considerar cientos o quizás miles de dimensiones para ajustar y localizar el rendimiento del negocio. Con este nivel de análisis multidimensional, el negocio puede encontrar los generadores de negocios por región geográfica específica (por ejemplo, ciudad o código postal), producto (por ejemplo, nivel de número SKU o UPC), fabricante, promoción, precio, hora del día o día de la semana, etc. Gracias a este nivel de granularidad, el rendimiento de los negocios locales puede mejorar notablemente. Encuentre suficientes elementos valiosos pequeños entre el volumen de datos para marcar una diferencia sustancial para el negocio. La plataforma aborda dos retos clave de análisis locales: el primero es encontrar los generadores de negocios en el nivel local o específico, y el segundo es encontrar suficientes de estos generadores de negocios locales que puedan marcar una diferencia sustancial para el negocio. Activación del acceso a datos de baja latencia y toma de decisiones En vista de que los datos no tienen que pasar por una etapa de preparación intensa de datos (con respecto a la construcción previa de agregados y el cálculo previo de métrica derivada), se reduce en gran medida la latencia entre el momento en que se generan los datos y el momento en que están disponibles para el negocio. La capacidad de reducir el tiempo entre el evento de datos y la disponibilidad de datos significa que el concepto de análisis operacional es una realidad en las siguientes formas: 4

7 Aprovechamiento al máximo de suministro de datos continuos (alimentación gradual) para proporcionar creación de informes y análisis operacionales de baja latencia. Se reduce notablemente el tiempo entre un evento del negocio (como una transacción de seguridad) y la decisión de comprar o vender. Podemos ver claramente el impacto de esta toma de decisiones de baja latencia en el alza de transacciones algorítmicas de Wall Street 3. El acceso de baja latencia permite una toma de decisiones a tiempo y en transferencia. Por ejemplo, los administradores de campañas pueden reasignar presupuestos para campañas en línea entre sitios con el mejor rendimiento o la mejor convergencia y combinaciones de palabras clave, mientras la campaña está en transferencia. PUNTO 3: EXPERIENCIA DEL USUARIO GENERALIZADA, UNIVERSAL Y DE COLABORACIÓN Los usuarios del negocio no quieren más opciones de datos, cuadros y creación de informes sin importar qué tan elegantes se presenten. Los usuarios del negocio quieren una solución que aproveche el análisis para identificar y entregar información sustancial y útil acerca de su negocio. Activación de una experiencia de usuario intuitiva y generalizada La asociación de datos detallados con potencia de análisis masivo tiene un beneficio interesante: interfaces más intuitivas. Cómo es eso posible? Piense en la relación entre el ipod y el itunes. La interfaz minimalista del ipod es un motivo de éxito entre los clientes (y su dominio en el mercado). Apple eliminó la mayor parte de la complejidad para el usuario (por ejemplo, administración de listas de reproducción, adición de nuevas canciones y generación de recomendaciones usando la función Genius) del ipod y la dejó en el itunes, donde puede administrarse mejor. Podemos aplicar este mismo concepto para mejorar la experiencia de análisis del usuario. La experiencia del usuario puede aprovechar los análisis para que realice en segundo plano una mayor parte del trabajo pesado del análisis de datos. En lugar de presentar una complejidad de informes, cuadros y hojas de cálculo en constante crecimiento, la interfaz puede llegar a ser más intuitiva y presentar a los usuarios la información que necesitan para saber más acerca del negocio. Basándose en la información extraída de los datos, la experiencia del usuario puede convertirse en acciones recomendadas específicas (como la función Genius de itunes). La complejidad de la identificación de recomendaciones pertinentes y útiles se deja para el análisis. Por ejemplo, imagine una interfaz de administrador de campañas que sintetice las miles de variables que afectan el rendimiento de la campaña en solo aquellas variables que sean sustanciales y útiles. Imagine que la interfaz de usuario no solo presenta aquellas variables, sino que también presenta recomendaciones para mejorar el rendimiento de la campaña en transferencia. Ahora esa es una experiencia de usuario que a la mayoría de los usuarios podría gustarle. Aprovechamiento al máximo de la naturaleza de colaboración La colaboración es una parte natural de los procesos de análisis y toma de decisiones. Es posible formar rápidamente pequeñas comunidades de usuarios similares para compartir aprendizajes acerca de temas específicos. Por ejemplo, sería muy potente que todos los gerentes de marca dentro de una gran compañía de productos de consumo empaquetados crearan una comunidad donde se pudiera compartir y analizar fácilmente datos, información y conocimientos acerca de la administración de la marca. Las campañas de marketing que funcionan para una marca pueden ser copiadas y expandidas con mayor rapidez por otras marcas mediante el uso compartido de los datos y análisis resultantes. 2 En mercados financieros electrónicos, las transacciones algorítmicas se refieren al uso de programas computacionales para ingresar órdenes de contratación con algoritmo computarizado que deciden sobre aspectos de la orden, como tiempo, precio o cantidad de la orden, o en muchos casos que inicia la orden sin intervención humana. 5

8 ACTIVACIÓN DE NUEVAS APLICACIONES PARA NEGOCIOS Una forma de apreciar el potencial de esta nueva plataforma de análisis es preguntar: qué tipos de problemas del negocio con su potencia de procesamiento según demanda, conjuntos de datos de alta precisión, acceso a datos de baja patencia y estrecha integración de data warehouse y análisis permiten que el negocio aborde lo que no se pudo abordar anteriormente? Revisemos algunas aplicaciones para negocios que pueden activar el análisis de estas nuevas plataformas, en especial cuando se integran con big data. Aplicaciones basadas en atribuciones Las aplicaciones para atribuciones buscan atribuir crédito por un evento en particular a una serie de actividades o transacciones en un proceso complejo y de múltiples etapas. Estas aplicaciones tienen que recuperar, alinear y analizar la serie de actividades, considerando factores como frecuencia, secuenciamiento, recencia, umbrales y decaimiento de tiempo entre actividades a fin de acreditar valor para cada actividad. Las aplicaciones de atribuciones de muestras incluyen: Aplicaciones para eficacia de marketing multicanal donde los profesionales de marketing están tratando de atribuir crédito por una venta entre varios canales de marketing. Esto es especialmente actual para profesionales de marketing en línea que tratan de atribuir crédito por una conversión entre varios anuncios, sitios web y búsquedas de palabras clave. Aplicaciones para atribuciones de partners donde las organizaciones de ventas están tratando de medir las contribuciones de los partners en transacciones de negocios complejas y de varias etapas. Aplicaciones para atribuciones de tratamiento médico donde las organizaciones de atención de salud están intentando atribuir el impacto de distintos tratamientos y medicamentos que redundaron en algún resultado. Aplicaciones basadas en recomendaciones Las aplicaciones para recomendaciones identifican y crean conjuntos de usuarios o productos parecidos o similares basándose en comportamientos, datos demográficos o algunos otros atributos perceptibles. Las aplicaciones analizan las transacciones a partir de estos conjuntos para crear propensiones que miden la fortaleza de las relaciones entre los usuarios y sus comportamientos y preferencias. A partir de estas propensiones, entonces las aplicaciones pueden hacer recomendaciones sobre productos (por ejemplo, Amazon y Netflix) o personas (por ejemplo, LinkedIn y Facebook). Las aplicaciones de recomendaciones de muestra incluyen: Aplicaciones orientadas a publicidad para el cliente que recomiendan segmentos parecidos o similares de público al que está dirigido basándose en los comportamientos y el historial de compra de productos (por ejemplo, campañas que tienen éxito al ir orientadas a madres de familia tienen alta probabilidad de tener éxito también al ir orientadas a nuevas abuelas ). Aplicaciones de recomendaciones de productos que recomiendan productos complementarios basándose en lo que han comprado usuarios similares en algún período (por ejemplo, es probable que clientes que compraron una casa nueva dentro de ciertas áreas compren una lavadora y secadora nuevas dentro de tres meses de comprada la casa). Aplicaciones basadas en predicción o proyección para ventas Las aplicaciones predictivas y de proyección para ventas recopilan una amplia variedad de variables, métricas y dimensiones para facilitar la toma de decisiones en diferentes escenarios del mercado. Estas aplicaciones aprovechan técnicas de estadística y de minería de datos para sintetizar una multitud de variables con el fin de identificar aquellas variables, y combinación de variables, que sean las mejores para predecir el rendimiento en ciertas situaciones. Considerando el horizonte temporal de algunas de estas decisiones (como precios), el acceso de baja latencia a los datos y el análisis dentro de bases de datos son críticos para el éxito. Las aplicaciones predictivas avanzadas incorporan evaluaciones de riesgo y confidencialidad de manera que el tomador de decisiones puede comprender qué variables son las más importantes para tomar la decisión. Por ejemplo, si se considera que cierta variable es crítica para tomar una decisión, entonces puede hacerse un esfuerzo extra para asegurar la precisión e integridad de esa variable. Las aplicaciones predictivas o de proyección para ventas de muestra incluyen: 6

9 Aplicaciones para baja de clientes que predicen la probabilidad de abandono por parte de los clientes basándose en factores como actividades de uso, solicitudes de soporte, patrones de pago y el impacto social de los amigos. Aplicaciones para mantenimiento de productos que predicen fallas del equipo basándose en información de uso del producto (en especial información que ahora se proporciona mediante dispositivos de datos incorporados), registros de servicio de mantenimiento e historial de rendimiento general del producto. Aplicaciones para rendimiento de empleados que predicen un potencial rendimiento del empleado basándose en factores como educación, posición socioeconómica, historial de trabajos anteriores, estado civil y ciertas respuestas de psicocomportamiento. Aplicaciones para rendimiento de ensayos clínicos que modelan diferentes resultados de medicamentos basándose en ensayos clínicos, para que una compañía pueda comprender la eficacia de ciertos tratamientos y evitar problemas catastróficos cuando se usen medicamentos en ciertas combinaciones. Esto se hace cada vez más importante cuando se trata de atribuir resultados entre varios tratamientos y medicamentos (consulte aplicaciones para atribuciones). Sistema de administración con diferentes tipos de tarifas (yield management), administración de descuentos para comercialización y aplicaciones de optimización de precios que construyen modelos con limitación de tiempo que ayudan al tomador de decisiones a comprender cuándo y cuánto aumentar o disminuir los precios considerando las condiciones actuales de oferta y demanda. Estos tipos de aplicaciones son los más comunes con productos genéricos (por ejemplo, productos perecibles, asientos de avión, habitaciones de hotel, ropa de moda y entradas de béisbol para los Cubs) con un valor que llega a cero en cierto punto en el tiempo. Aplicaciones basadas en información Las aplicaciones para información usan técnicas de estadística y de minería de datos para identificar comportamiento o situaciones inusuales. Las aplicaciones de información avanzadas tienen la capacidad de realizar un análisis complejo entre cientos a miles de dimensiones del negocio. Estas aplicaciones se están volviendo más importantes a medida que el volumen de pequeños detalles de datos está creciendo desde los orígenes de datos, como los clics en las páginas web, sensores de RFID y dispositivos en red. Las aplicaciones para información de muestra incluyen: Aplicaciones para distribución y reducción de productos que monitorean constantemente sensores y datos de RFID para identificar discrepancias entre dónde se supone que tiene que estar el producto y dónde está realmente. Aplicaciones de fraude que monitorean de forma constante transacciones financieras para encontrar comportamientos inusuales que pueden ser indicadores de actividades fraudulentas. Estos tipos de aplicaciones se van a aplicar a tarjetas de crédito, cuentas corrientes y siniestros de seguro y Medicare. Aplicaciones para lavado de dinero que monitorean constantemente el flujo de efectivo para identificar comportamientos inusuales que pueden ser indicadores de lavado de dinero, como una cantidad inusualmente alta de transacciones en secuencia, pequeñas y solo de efectivo. Aplicaciones basadas en parámetros Las aplicaciones para parámetros aprovechan el análisis que compara el rendimiento de una entidad con alguna base. La base de la comparación podría ser un estándar del sector, un período anterior o un evento anterior (por ejemplo, una campaña de marketing). Las aplicaciones para parámetros de muestra incluyen: Aplicaciones para participación en el mercado que proporcionan información sobre participación en el mercado y participación en carteras. Por ejemplo, grandes compañías de sitios web pueden proporcionar datos y análisis de participación de voz que ayudan a los anunciantes y agencias a comprender de qué manera su gasto en marketing se compara con el de su competencia. Aplicaciones para parámetros competitivos que comparan el rendimiento de una compañía frente a un agregado de la competencia o un promedio de la industria. Esto proporciona una base respecto de la cual las compañías pueden comparar su rendimiento financiero o en el mercado. 7

10 ESTUDIO DE CASO: HAVAS DIGITAL El poder del análisis integrado para impulsar un modelado de atribuciones complejas Havas Digital y EMC Data Computing Products Division están trabajando en conjunto para mejorar el Artemis Analytics Lab, una iniciativa de investigación y desarrollo para adoptar análisis de big data de gran escala en la nube privada. Esta iniciativa amplifica en gran medida la comprensión del comportamiento de los usuarios por parte de los clientes de Havas Digital y su capacidad de optimizar las campañas de marketing según corresponda. Artemis Analytics Lab es una iniciativa que combina la experiencia de Artemis en marketing basado en datos y la base de EMC Greenplum Data Computing para proporcionar minería de análisis de marketing digital y análisis dentro de la base de datos líderes del sector. Para muchos profesionales de marketing, ya no basta con información demográfica simple acerca de los usuarios, comenta Katrin Ribant, vicepresidenta ejecutiva de Artemis. Nuestros clientes quieren comprender aspectos del comportamiento de los usuarios que solo pueden aprenderse con el tiempo e inferir conclusiones que se ocultan tras listas de transacciones simples. Mediante el uso de análisis avanzado, EMC Greenplum ofrece funciones de análisis incorporadas directamente en la base de datos y se ejecuta en conjuntos de datos muy grandes, lo que nos permite generar nueva información enriquecida sobre comportamiento de usuarios y ayuda a los profesionales de marketing a predecir de qué manera los usuarios responderán a las nuevas campañas. Un diferenciador clave con el sistema de Artemis es su mecanismo de atribuciones único e innovador, que computa con mayor precisión la influencia relativa de la publicidad en eventos de compra. Al mover el modelado y otros cómputos a la base de datos y mediante el uso de EMC Greenplum, Havas Digital ahora puede proporcionar a los clientes un marco de trabajo de análisis de atribuciones algorítmicas más cercano al tiempo real. Aplicaciones para parámetros de campañas que comparan el rendimiento de una campaña de marketing actual con una campaña o evento de marketing previo o similar. Por ejemplo, puede que una compañía quiera comparar el rendimiento de su campaña actual del 4 de julio con respecto a cómo se realizó la misma campaña el año pasado. Es posible que los usuarios quieran rastrear el porcentaje de ventas hasta la fecha de la campaña total para cada día de la campaña, y comparar diariamente las regiones geográficas y productos con mejor y peor rendimiento. CONSIDERACIONES DE CIERRE Estas plataformas nuevas y escalables de forma masiva traen funciones innovadoras al mundo del análisis. Cuáles son las ventajas de las plataformas actuales de data warehouse y análisis? La agilidad para provisionar y reasignar recursos computacionales masivos según demanda conforme lo motiven las prioridades del negocio. La capacidad para analizar conjuntos de datos (big data) de baja latencia más granulares y más diversos y de mantener los matices y relaciones detallados en los datos que producirán la información detallada que permitirá un rendimiento optimizado del negocio. Colaboración entre la organización sobre iniciativas de negocios clave y una rápida difusión de mejores prácticas y hallazgos organizacionales. Superioridad de costo para aprovechar componentes de procesamiento genéricos a fin de analizar big data para abordar y aprovechar al máximo oportunidades de negocios que anteriormente no se podían abordar de una manera rentable (si es que la había). La plataforma ideal para análisis integra potencia de procesamiento escalable de forma masiva, la capacidad de aprovechar al máximo conjuntos de datos de alta precisión, acceso a datos de baja latencia y estrecha integración de data warehouse y análisis. Si se comprende e implementa de forma apropiada, puede usarse para resolver difíciles problemas del negocio que no se podían abordar anteriormente y entregar información sustancial y útil para el negocio. Acerca del autor Bill Schmarzo, jefe de competencia global de EMC Consulting, tiene más de dos décadas de experiencia en data warehousing, BI y aplicaciones de análisis. Bill es el autor de la metodología Business Benefits Analysis (Análisis de Beneficios del Negocio) que enlaza las iniciativas de negocios estratégicas de una organización con sus datos de apoyo y requerimientos de análisis, además es coautor con Ralph Kimball de una serie de artículos sobre aplicaciones de análisis. Bill ha trabajado en la facultad de Data Warehouse Institute como jefe del programa educativo de aplicaciones de análisis. EMC 2, EMC, Greenplum y el logotipo de EMC son marcas registradas o marcas comerciales de EMC Corporation en los Estados Unidos y en otros países. All other trademarks used herein are the property of their respective owners. Copyright 2011 EMC Corporation. Todos los derechos reservados. 5/11 Perspectiva de EMC H Dirección local de EMC EMC Argentina (Cono Sur) Tel EMC México Tel EMC Venezuela (Norte de Latinoamérica) Tel Visite el sitio web de su país correspondiente.