La importancia de una buena explicacion de datos en Business Intelligence

Las diferentes herramientas de Business Intelligence simplifican enormemente la ardua tarea de conectar, explorar y visualizar los datos de la empresa. ¿Qué sentido tiene entonces la figura del analista de datos en la organización? Es imprescindible, es el responsable de dar una explicación breve y efectiva para la toma de decisiones acertadas.

Antaño el analista de datos se sumergía en hojas de Excel y pasaba horas y horas para elaborar gráficos ininteligibles para el equipo directivo. Dedicaba más horas al análisis de datos y menos esfuerzo en su explicación. Ahora es imprescindible explicar bien los datos en Business Intelligence, que cualquier persona que trabaje en análisis datos sea capaz de crear una narrativa del proceso y una explicación sobre los resultados. Sin embargo, todavía muchas empresas creen que con la adopción de una herramienta de BI ya está todo hecho. En realidad está todo por hacer. En este artículo vamos a ver 5 razones por las que es importante que los datos y las historias basadas en la analítica son tan importantes para tu empresa.

Veamos primero por qué un buen analista de datos ha de ser también un buen comunicador:

• Las historias son herramientas eficaces para transmitir las experiencias humanas. La narrativa es la forma en la que simplificamos y damos sentido a un mundo complejo. La visualización de datos precisa de un contexto e interpretación, todo lo que da significado a los datos y hace que se vuelvan más interesantes y relevantes para conseguir los objetivos empresariales.

• El objetivo de la inteligencia de negocio es facilitar la toma de decisiones. Con la analítica conseguimos argumentaciones de peso para persuadir e inspirar confianza en la toma de decisiones. Sin embargo, no importa lo impresionante que sea tu análisis o la calidad de los datos que manejas, si no sabes comunicarlo eficientemente. Para ello, precisas de una historia visual o una narrativa, precisas contar una historia.

• La mayoría de la gente no quiere perderse en los detalles de la analítica, quieren evidencias contundentes del análisis de datos. Más allá de historias basadas en anécdotas o experiencias personales, tu objetivo será construir historias convincentes que incorporen datos. Quizás la mayoría de las historias convincentes sean aquellas que combinan datos y análisis de datos, así como un punto de vista o ejemplo que involucre tanto a la organización como a las personas.

• La preparación y el análisis de datos son unos grandes consumidores de tiempo. Debemos por tanto encontrar la manera de hacer llegar la información de una forma amena y sin extendernos en los detalles del análisis cuantitativo. Como analista, debes encontrar la manera de explicar tus resultados de una forma breve y sencilla. Tu público quiere entender las conclusiones rápidamente.

• Existen diversas maneras de contar estas historias. La más común es basarse en la evolución temporal para explicar el pasado, el presente y predecir el futuro. Puedes explicar también el qué, el cómo o el porqué. Hay quién basa su explicación en relaciones de correlación o de causa-efecto.  Se trata de diversas formas no exclusivas que te pueden ayudar construir una explicación que siempre debe ir más allá del “esto es lo que sucedió”.

Las implicaciones de no ser capaz de crear historias basadas en los datos son muy graves. La información no se transmite correctamente al cuadro ejecutivo y se corre el riesgo de no tomar las decisiones acertadas.  La inversión económica y de tiempo en analítica e inteligencia de negocio carece entonces de retorno. No olvidemos que en inteligencia de negocio medimos y analizamos para mejorar.

Preguntémonos ahora por qué los individuos y las organizaciones no están haciendo bien las cosas a la hora de contar historias con datos. Veamos las 3 principales razones.

• Las personas que se dedican al mundo de la analítica no se sienten muy motivadas o no tienen éxito a la hora de contar historias. Ellos se mueven en el mundo de las matemáticas y las estadísticas, los datos estructurados y la ciencia informática, y se sienten cómodos interactuando con números antes que con personas. Por supuesto, no todos los analistas cuantitativos son así, y algo que tenga un enfoque muy matemático puede evolucionar hacia un estilo más humano y literario. Pero contar historias convincentes no es algo que resulte muy natural para la mayoría de analistas de datos.

• Si a los analistas de por sí no se les da bien la narrativa (el storytelling) es porque probablemente no han recibido mucha instrucción al respecto. Muchos de los cursos de analítica cuantitativa no profundizan en la capacidad de contar historias. Se sienten más cómodos enseñando métodos para no perder el tiempo en la narrativa de los datos.

• Algunos analistas creen que enfocarse en el storytelling requiere mucho menos esfuerzo e inversión personal en comparación con los aspectos más técnicos. Pueden justificar su argumento con que muchas personas son capaces de contar buenas historias, pero muy pocas son capaces de hacer lo que hacen ellos. Sienten que el mejor uso que le pueden dar a su tiempo es el análisis cuantitativo frente a otros aspectos como contar historias.

Explicar historias basadas en datos requiere experiencia y consume una gran cantidad de tiempo. Sin embargo es un aspecto fundamental en el éxito de la inteligencia de negocio.

Fuente: Ágatha Estera (saimasolutions.com)

Entrevista: Phillip Evans de The Boston Consulting Group

Entrevista a Phillip Evans, asesor senior de The Boston Consulting Group

"Los datos se están volviendo el activo más importante"

El experto analiza las cuatro tendencias tecnológicas claves para las empresas: El Internet de las cosas, el Big Data, la Inteligencia artificial y los Dispositivos móviles. Además, nos comenta sobre cómo las empresas de países emergentes pueden aprovechar los avances globales.

¿Cuáles son las principales tendencias en la relación entre las empresas y la tecnología a escala mundial?

Existen cuatro tendencias centrales. Primero se encuentra el Internet de las cosas, que implica que muchas de las cosas que están en el mundo se autodescriben, dado que ahora tienen sensores incorporados. Esto cambia la manera en que las empresas recolectan datos y pueden interactuar con sus usuarios o clientes. La segunda (y más comentada), es la gestión de grandes bases de datos o Big Data. En tercer lugar (y creo que es la menos comprendida), esta la inteligencia artificial, donde ha habido grandes descubrimientos en los últimos años y que hace posible encontrar patrones en esta Big Data. La cuarta son los dispositivos móviles, que son fuentes de datos, pero también brindan información sobre el mundo.

¿Cómo se materializa el Internet de las cosas en el mundo corporativo?

Esta es la aplicación mas potente. Las áreas que más se benefician son en la manufactura y la logística. De esta manera son las empresas y no los consumidores los que están recibiendo los mayores beneficios de esta tendencia tecnológica.

En el caso de maquinaria industrial, una parte de los costos es el mantenimiento de las máquinas. Poder saber con anticipación que una maquina esta por fallar y poder prevenirlo tiene consecuencias económicas muy importantes. Por ejemplo, General Electric está poniendo sensores en los motores de los jets, que reportan cualquier falla mientras estos estén en el aire. Así, pueden captarlo antes de que el percance se vuelva serio.

Lo mismo sucede en logística. Cuando los paquetes pueden ser monitoreados con perfecta precisión, disminuye el riesgo y permite llevar estos procesos de manera más eficiente.

Las segunda tendencia es Big Data. Da la sensación que en países en desarrollo, su uso es aún muy limitado. 

Lo que suele suceder es que las empresas no son lo suficientemente grandes como para crear el volumen de datos que se necesita para generar valor. Cuando necesitas más jugadores para recolectar los datos o distintos tipos de tecnología, el proceso se ve interrumpido.

Lo que sucede también en países en desarrollo es que se tiene otro tipo de fuentes de información. Por ejemplo, en África, las principales fuentes de información son las redes sociales y los celulares, dado que permiten saber cómo se desplaza y comunica la gente, lo cual pone a la compañía de teléfonos en la posición de saber, por ejemplo, más del riesgo crediticio de la persona que una entidad bancaria.

En este marco, ¿Cómo la gestión del Big Data se mueve en el entorno regulatorio actual de privacidad de datos?

Lo que tienen que preguntar las empresas es si la información que tienen les da una ventaja mayor frente a su competencia al tener una mayor base de datos de sus consumidores. En esta línea, la empresa será mas cuidadosa de que esta información no se filtre. Lo que las empresas se deben preguntar es si tienen ventaja en este ámbito frente a su competencia y no querrán renunciar a esa exclusividad.

Usted dice que la Inteligencia artificial "Ilumina la data".

La gente piensa que la Inteligencia artificial es una máquina con un cerebro humano, y esto no es verdad. Lo que hace está tecnología es aplicar análisis estadístico complejo a grandes bases de datos para resolver problemas específicos que no podrían resolver de otra manera.

Lo que hace posible estos hallazgos es, por un lado, la disponibilidad de los datos, y por otro, el ganador siempre es el dueño de estos, no la persona que hace el mejor análisis. Los datos se están volviendo el activo mas importante que una empresa puede tener.

Fuente: Diario El Comercio del Perú. Gonzalo Carranza.

Diferencias entre los científicos de datos y los analistas de datos de BI

Un científico de datos y un analista de BI pueden llevar al siguiente nivel los programas analíticos y de Data Warehousing de Big Data. Pueden ayudar a descifrar lo que los datos están diciendo realmente a una empresa. También son capaces de segregar los datos relevantes de datos irrelevantes. Un científico de datos y un analista de BI pueden aprovechar el almacén de datos de la empresa, para profundizar en ellos. Por lo tanto, las organizaciones deben conocer la diferencia entre los científicos de datos y los analistas de datos.

Business Analytics ha existido por 30 años, comenzando con el lanzamiento de MS Excel en 1985. Antes de eso, el análisis de datos sólo se limitaba a los cálculos manuales utilizando métodos de prueba y error. Hay dos grandes tendencias que han contribuido a la fundación del fenómeno de Data Science. En primer lugar, el uso de la tecnología en diversos ámbitos de la vida, en particular el uso de Internet que dio lugar a un boom de datos sin precedentes. El tipo de información que está disponible para las organizaciones ahora es casi infinita. En segundo lugar, las nuevas tecnologías hacen que el análisis y la interpretación de tales cantidades de datos sea posible y las empresas pueden ahora utilizar todos estos datos en la toma de decisiones. Antes de entender acerca de la diferencia entre los científicos de datos y los analistas de datos, echemos un vistazo a cómo la función del científico de datos nació.

Advenimiento del científico de datos

Las empresas veían la disponibilidad de grandes volúmenes de datos como fuente de ventaja competitiva y se dieron cuenta que si utilizaban estos datos de manera efectiva, tomarían mejores decisiones y estarían por delante de la curva de crecimiento. Para tener sentido de tales datos, surgió la necesidad de un nuevo conjunto de habilidades que incluía la habilidad de dibujar percepciones de clientes/usuarios, perspicacia de negocios, habilidades analíticas, habilidades de programación, habilidades estadísticas, habilidades de aprendizaje de máquinas, visualización de datos y mucho más. Esto llevó a la aparición de un científico de datos.

Diferencias entre los científicos de datos y los analistas de datos de BI

Científico de datos: Es probable que tenga un fuerte sentido del negocio y la capacidad de comunicar de manera efectiva, conclusiones basadas en datos a las partes interesadas del negocio. Un científico de datos no sólo se ocupará de los problemas empresariales, sino que también seleccionará los problemas adecuados que tienen el mayor valor para la organización.

Analista de datos de BI: Su trabajo es encontrar patrones y tendencias en los datos históricos de una organización. Aunque BI se basa en gran medida en la exploración de tendencias pasadas, la ciencia de los datos consiste en encontrar predictores y la importancia detrás de esas tendencias. Por lo tanto, el objetivo principal de un analista de BI es evaluar el impacto de ciertos eventos en una línea de negocio o comparar el rendimiento de una empresa con el de otras empresas en el mismo mercado.

Como sabemos ahora los roles del analista de datos de BI y del científico de datos, echemos un vistazo más de cerca a las principales diferencias entre los dos:

• Normalmente, un científico de datos espera formular preguntas que pueden ayudar a las empresas en la solución de sus problemas, mientras que un analista de datos BI responde y resuelve preguntas del equipo de negocios.

• Se espera que ambas funciones escriban consultas, trabajen con equipos de ingeniería para obtener los datos correctos y se concentren en derivar información de los datos. Sin embargo, en la mayoría de los casos, no se espera que un analista de datos de BI construya modelos estadísticos. Un analista de datos de BI normalmente trabaja en bases de datos SQL o bases de datos similares más simples o con otras herramientas/paquetes de BI.

• El papel del científico de datos requiere fuertes habilidades de visualización de datos y deben tener la capacidad de convertir datos en una historia de negocios. Normalmente, no se espera que un analista de datos de BI sea experto en negocios y en visualización avanzada de datos.

Las empresas deben saber distinguir entre estas dos funciones y las áreas en las que un científico de datos y un analista de negocios pueden agregar valor.

Fuente: Naveen Joshi. Soluciones IoT con Big Data Analytics.

12 BUENOS CONSEJOS PARA LA VISUALIZACIÓN DE DATOS

Los mejores datos del mundo no valen la pena si nadie puede entenderlo.

El trabajo de un analista de datos no es solo recopilar y analizar datos, también deben presentarlo a las partes interesadas y a los usuarios finales que actuarán sobre esos datos. Ahí es donde entra la visualización de datos.

La mayoría de los analistas de datos no son necesariamente diseñadores gráficos o expertos en comunicación de datos, y por lo tanto se puede perder mucho en la traducción de los datos (recopilación) en una sala de juntas.

Si su trabajo es presentar los resultados y análisis de un conjunto de datos, entonces también deben presentarlo de tal manera que puedan entenderlo fácilmente, tomando las medidas apropiadas.

Estos son algunos consejos clave para ayudar a convertir los datos en conocimientos que la gente entenderá:

1. Mantenga la audiencia y sus necesidades de información en mente.

Es vital personalizar cualquier visualización de datos para satisfacer la audiencia y sus necesidades de información. Piense en quién está en esa audiencia y luego piense en las preguntas que les gustaría que respondieran.

2. Elija el gráfico de la derecha.

No todos los gráficos se crean iguales. Algunos hacen un mejor trabajo que otros en mostrar diferentes tipos de información. Este excelente diagrama de flujo puede ayudarle a elegir el mejor tipo de gráfico para mostrar su información.

3. Ir más allá de plantillas de PowerPoint.

La herramienta de visualización más popular es por mucho el PowerPoint, pero sus plantillas incorporadas podrían no estar haciendo mucho favor a sus datos. En lugar de tratar de obtener fantasía,mantener sus visualizaciones simples y despejadas para ser lo más claro posible.

4. La forma sigue la función.

En otras palabras, considere cómo su audiencia utilizará los datos y dejar que informen cómo debe presentarlo. Presente sólo la información más relevante y útil de la manera más clara posible.

5. Dirigir a la audiencia a la información más importante.

Al diseñar sus visualizaciones, utilice los detalles sensoriales como color, tamaño, fuentes y gráficos para dirigir la atención a las piezas más importantes de la información.

6. Use gráficos y tablas apropiadamente.

Los gráficos deben utilizarse para mostrar información sobre relaciones de datos, patrones o cómo cambian las cosas con el tiempo. Las tablas deben usarse cuando necesite mostrar valores precisos. De mi experiencia, debe reducir el uso de tablas y aumentar el uso de gráficos.

7. Proporcione el contexto.

Una buena visualización le pedirá al usuario que actúe sobre los datos que se presentan, pero eso es difícil de hacer si no ha proporcionado ningún contexto para esa acción. Utilice el color, el tamaño y otras señales visuales para proporcionar contexto e incluir narrativas cortas que resalten las ideas clave.

8. Alinee las pantallas y los datos correctamente.

Asegúrese que sus pantallas de información estén alineadas horizontal y verticalmente para que puedan compararse con precisión (y no crear ninguna ilusión óptica engañosa).

9. Utilice el color sabiamente.

El color debe ser utilizado para llamar la atención sobre las piezas clave de datos, no sólo para aclarar un tablero o una presentación aburrida. Además, elija cuidadosamente sus combinaciones de colores. Por ejemplo, trate de no usar rojo y verde en el mismo diagrama, ya que ambos podrían parecer marrones para algunas personas.

10. Los títulos proporcionan información.

Títulos explicativos que ayudan a explicar el enfoque de esa visualización en particular. Ver el título como su "titular" y utilizarlo para atraer a la gente, centrarse en las preguntas correctas, o darles una instantánea de las ideas clave.

11. Las etiquetas de los ejes y los números deben ser claros.

Evite etiquetas de lujo que pueden obstruir el camino de la claridad. Etiquetar el eje de un gráfico y comenzar desde cero, a menos que tenga una razón fuerte para no hacerlo. Por ejemplo, cuando todos los datos se agrupan en valores mucho más altos.

12. Proporcione interactividad cuando sea apropiado.

Las nuevas generaciones de herramientas de visualización de datos permiten construir interactividad en muchas visualizaciones que pueden beneficiar al usuario final. Pero nuevamente, recuerde que este no es un truco de salón, y debe ser utilizado cuando la interactividad puede aclarar, en lugar de confundir, la presentación de los datos.

Siguiendo estos principios básicos, aumentará la eficacia de sus comunicaciones y presentaciones, permitiendo a los principales interesados ​​tomar mejores decisiones y estar más informadas sobre los datos que ha recopilado y presentado.

Fuente:Bernard Marr. Autor de negocios internacionales de mayor venta, orador principal y asesor estratégico para empresas y gobiernos. Twitter: @bernardmarr

¡Feliz Día Internacional de la Mujer!

                                                                             

RSK Consulting: 3er aniversario

MACHINE LEARNING Y SU APORTE A LA EXPERIENCIA DEL CLIENTE

El aprendizaje automático o aprendizaje de máquinas (Machine Learning), es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras “aprender”. Ese proceso de inducción de conocimiento, trata de crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos. Pero cuando hablamos de la experiencia del cliente, la mayoría de las máquinas no son muy inteligentes.

Todos los días, como clientes, recibimos sugerencias para comprar o utilizar productos que tienen poca o ninguna aplicación en nuestras vidas. Incluso nos resulta frustrante recibir recomendaciones para artículos que nunca compraríamos.

Por suerte, el aprendizaje automático está evolucionando y cambiando la forma en que usamos la tecnología en la experiencia del cliente. Machine Learning se centra exclusivamente en la escritura de software que aprende de experiencias pasadas y crea una experiencia más personalizada y relevante para los clientes. Esto es increíblemente poderoso para la experiencia del cliente, ya que permite a las marcas aprovechar el tiempo limitado que tienen para ganar su confianza. Recordemos que los clientes, en su experiencia en línea, sólo dan a las marcas unos segundos antes de decidir seguir adelante, según la satisfacción de sus necesidades. Con Machine Learning, las marcas son capaces de conectarse mejor con los clientes y proporcionar servicios, productos y recomendaciones que son relevantes y eficaces.

Consideramos tres puntos principales de Machine Learning que ayudarán a la experiencia del cliente:

1. Machine Learning puede personalizar casi todo lo que vemos en Internet o en las aplicaciones móviles para hacerlo mejor, más claro y más útil. Además ayuda a las empresas a medir mejor las acciones de sus clientes, adaptando la experiencia en línea para conocer que están haciendo y sintiendo.

2. Ofertas de productos. Las marcas podrán utilizar el historial de compras y navegación anterior de un cliente para recomendar productos relevantes. Por ejemplo, si un cliente le gusta un determinado producto para bebés recién nacidos, es probable que disfruten de un producto para los bebés un poco mayores unos meses más tarde. Machine Learning puede tomar acciones predictivas y utilizar información de canales cruzados de cada cliente para averiguar qué productos son eficaces y cuáles son las recomendaciones que conducen a los mejores resultados.

3. Machine Learning es enorme para la automatización del trabajo. Por ejemplo, los automóviles auto dirigidos de Uber y Google, usan Machine Learning para aprender la navegación y conocer ciertas rutas y problemas que podrían enfrentar en el camino. Machine Learning también juega un papel importante en las recomendaciones de Amazon y Netflix, así como sistemas de detección de fraude que pueden ver si la actividad de una persona está fuera de sus acciones normales.

Los días del uso irrelevante de la tecnología en los clientes están contados. En lugar de tratar de crear una experiencia personalizada de forma manual, Machine Learning brinda a las marcas el poder de ofrecer a todos los clientes una experiencia sorprendentemente personalizada en masa. Además, puede abrir una nueva puerta para la experiencia del cliente y permitir que las marcas ofrezcan una experiencia hiper-personalizada, a través de sus recomendaciones que pueden ayudar a crear una experiencia de compra sofisticada y más agradable.

Fuente: Blake Morgan. Autora del libro "More Is More: How The Best Companies Work Harder and Go Farther To Create Knock Your Socks Off Customer Experiences" 

COMO UTILIZAR BIG DATA PARA HACER CRECER TÚ NEGOCIO

Las empresas que utilizan Big Data pueden obtener valiosos conocimientos y nuevos puntos de vista para identificar nuevos mercados, ofrecer un mejor servicio y fidelizar a los clientes.

Para los pequeños y medianos empresarios, la comprensión de cómo utilizar Big Data puede allanar el camino para lograr un crecimiento empresarial importante. Para esto, hay que saber centrarse en las métricas adecuadas, analizar los datos, y traducirlos en información procesable. Antes de lanzarte a utilizar Big Data debes identificar los casos de uso que te proporcionarán el máximo impacto y comprender la infraestructura subyacente que necesitas para impulsar el crecimiento. Un artículo de “The Pulse of IT (Information Technology)” señala tres maneras para que aproveches Big Data para tu negocio:

Identificar nuevos mercados

Con Big Data puedes extraer información para obtener una mejor comprensión de los micros segmentos de tu audiencia, proporcionándote una ventaja para conocer a tu público y buscar nuevos mercados potenciales. Las claves para aprovecharlo pasan por invertir en los sistemas que tu empresa necesita para capturar los datos; establecer un plan que te permita desarrollar perfiles de audiencia y de mercado más eficaces para perfeccionar la estrategia de marketing; y racionalizar tu infraestructura de IT con suficiente ancho de banda, servidores y almacenamiento para recoger, procesar e integrar datos de múltiples fuentes. Con la aplicación de estas medidas dentro de tu propio negocio, prepararás una base sólida para cualquier iniciativa de Big Data que desees desarrollar en el futuro.

Proporcionar un mejor servicio al cliente

Tu empresa puede aprovechar Big Data para entender lo que los clientes necesitan y mejorar tus estrategias de servicio al cliente. Para ello, considera invertir en tecnología y soluciones para ayudarte a capturar, almacenar y analizar esos datos. La recopilación de los datos de servicio al cliente es sólo el primer paso, ya que también debes asegurarte de que su servicio de atención al cliente tenga acceso a esos datos y a los conocimientos resultantes para que puedan mejorar su rendimiento.

Big Data también puede mejorar tu prestación de servicios al permitir que el negocio adapte su oferta y sus mensajes en función de los gustos y preferencias del cliente. La personalización activa proporciona una mejor experiencia de servicio al cliente, pero hay que tener en cuenta que la integración de datos en el servicio al cliente y la entrega del producto requerirán un buen soporte.

Retener clientes

Hay tres conocimientos que se puede extraer de Big Data que resultan claves en la retención y fidelización de clientes:

• Permite acelerar el tiempo de respuesta. Tus clientes desean tiempos de respuesta más rápidos, ya sea desde los responsables de servicio al cliente o desarrollo de productos. La inversión en servidores y almacenamiento con el rendimiento adecuado, hace posible que todas las áreas de tu organización respondan más eficazmente a las demandas de los clientes.

• Ayuda a mejorar los programas de fidelidad. Los programas de fidelización juegan un papel importante en la retención, y los conocimientos adecuados permiten transformarlos en sistemas de recompensa de alto valor.

• Permite racionalizar la infraestructura para satisfacer las expectativas del cliente. Para crear oportunidades y mejorar la experiencia del cliente, asegúrate de que tienes una infraestructura sólida de servidores, almacenamiento y capacidades de red para manejar los datos.

Fuente: http://tecnologiaparatuempresa.ituser.es