¡Seguimos creciendo juntos!

La inteligencia artificial está cambiando el marketing

A pesar de lo que el consumidor promedio pueda darse cuenta, AI (Artificial Intelligence) o la Inteligencia Artificial ya es una parte central de su vida cotidiana. 

En nuestras vidas modernas, nadie queda intacto por el poder de la Inteligencia Artificial. Ya se trate de la asistencia virtual y conversacional de Siri o Alexa, o el motor de recomendaciones hipersensibles de Netflix, hay pocos lugares en nuestra vida digital que no se vean mejorados por el aprendizaje automático y los algoritmos. En el mundo de los negocios, especialmente en las esferas de marketing y publicidad, para cualquier organización que busque ganar un punto de apoyo o mantener una ventaja, aprovechar el poder de la AI está más allá del punto de la teoría.

Considere estos puntos cruciales en la línea de tiempo de marketing AI:

Como se informó en Bloomberg, con la proliferación de la computación en la nube, las redes neuronales, la investigación y los conjuntos de datos, las inversiones y los avances en la AI alcanzaron un punto de inflexión hace dos años sin signos de detenerse.

Según Digiday, el mercado de inteligencia artificial "se estima que alcanzará $ 5.1 mil millones en todo el mundo en 2020, un 54% más que el año pasado. Y se espera que los medios y el sector publicitario tomen la mayor parte del mercado global de AI".

El gasto en medios digitales superará los dólares de publicidad televisiva por primera vez este año. Para 2020, el gasto digital estará a la cabeza. Ningún negocio de comercialización sobrevivirá sin aprovechar AI.

Ya sea que esté a bordo o no, aquí hay un resumen de las 3 principales formas en que AI está cambiando la cara del marketing: No solo suplantando las tradiciones en quién está mirando estos datos, sino cómo tomamos decisiones claves, desde contenido y creatividad hasta atención al cliente para medir y actuar sobre los datos y como el marketing puede beneficiarse.

1. Creación y curación de contenido

Ya hay ejemplos anecdóticos de agencias que emplean AI para tomar decisiones creativas, en algunos casos, se acercan bastante a los resultados de las creatividades humanas. El potencial está creciendo para AI para ayudar a destacar y determinar los elementos creativos clave con éxito comprobado, derivados de los datos. Desde los componentes básicos del contenido creativo (gráficos, video, música y texto) hasta los marcos en los que se combina la creatividad: Diseño de sitios web, contenido de correo electrónico, copia de anuncios, reconocimiento de imágenes, etc. Aprovechando el vasto y creciente campo de los motores de recomendación, también es una forma esencial a prueba del futuro para que los especialistas en marketing obtengan contenido con el que pueden estar seguros de que los consumidores realmente desean participar. Tarde o temprano, las máquinas podrán determinar cosas que terminan siendo una pérdida de tiempo y recursos para creatividades valiosas.

2. Bots y reconocimiento de idiomas

Ya destaqué las voces del rápido crecimiento de bots como asistentes virtuales como Siri, Alexa y otros, pero su charla conversacional no es solo para el hogar o el bolsillo. Administrar el servicio al cliente, por ejemplo, podría beneficiarse de AI, de saber cuándo y dónde enrutar problemas comunes del cliente, administrar recursos humanos e incluso aplicaciones de servicio al consumidor, utilizando lo mejor en reconocimiento de voz y lenguaje para responder. Además, a medida que más y más consumidores interpretan sus experiencias digitales a través de robots de diversa índole, los especialistas en marketing inteligente deberán comprender cómo apelar a los algoritmos y "gustos" de esos bots para ponerse frente a los consumidores que necesitan.

3. Medición y optimización

La gran cantidad de datos que podemos recopilar digitalmente ha hecho que sea increíblemente simple entender qué tan bien ha funcionado una campaña. Pero la industria continúa luchando con las preguntas más difíciles, como "¿Por qué una campaña tuvo éxito? La tecnología de AI puede profundizar en el ADN de nuestros esfuerzos de marketing, recopilar aún más datos y aplicar filtros y categorías inteligentes. Llevándolo aún más lejos, la contribución de AI a la optimización de la orientación de anuncios, precios eficientes, la eliminación de redes publicitarias sin futuro y, finalmente, la eliminación gradual del enfoque de "configúrelo y olvídese" para la optimización será la vía esencial para el éxito en el marketing inteligente de hoy y del futuro.

Fuente: Ben Legg. Director ejecutivo de AdParlor. Escritor del libro, Marketing for CEOs: Death or Glory in the Digital Age.

Cómo debe crecer un Data Scientist

Para que un científico de datos crezca, deben ser desafiados más allá de los aspectos técnicos de sus trabajos. Necesitan cuestionar sus fuentes de datos, ser concisos en sus ideas, conocer su negocio y ayudar a guiar a sus líderes.

El papel de un científico de datos aún varía de una compañía a otra e incluso de un equipo a otro. Esto hace que sea mucho más difícil para las empresas crear un plan de crecimiento estandarizado para sus científicos de datos.

Sin un plan de crecimiento claro, existe el riesgo de que estos talentosos asistentes informáticos se queden estancados. Podrían proporcionar buenas perspectivas, pero nunca crecerán realmente ni proporcionarán el verdadero ROI que tienen para ofrecer a un negocio o, lo que es más importante, a ellos mismos.

Con esta idea, conversamos con los gerentes de Seattle que trabajaban en las principales compañías tecnológicas para averiguar qué querían y esperaban de sus principales científicos de datos. Queríamos compartir la información que aprendimos tanto para ayudar a los científicos de datos a crecer, como para ayudar a los gerentes que intentan desafiar a sus nuevos científicos de datos a seguir creciendo.

Asi descubrimos que no se trataba de programación o diseño de algoritmos (que era una referencia para un científico de datos Jr.). Cuando les preguntamos a estos gerentes qué querían ver de sus científicos de datos más antiguos, nos informaron que querían personas motivadas que pudieran comunicarse de manera concisa, que pudieran pensar por sí mismas y que tuvieran una sólida comprensión del negocio.

"Los científicos de datos tienen la oportunidad de influir en las decisiones de la compañía".

Para que un científico de datos crezca, deben ser desafiados más allá de los aspectos técnicos de sus trabajos. Los científicos de datos tienen la oportunidad de influir en las decisiones de la compañía. Ellos tienen mucha responsabilidad sobre sus hombros. Eso significa que necesitan hacerse cargo del trabajo que hacen. Necesitan cuestionar sus fuentes de datos, ser concisos en sus ideas, conocer su negocio y ayudar a guiar a sus líderes.

No cuestione sus hallazgos, pregunte sus datos

Un experto en datos científicos no solo confiará en sus datos después de recibirlos, también lo pincharán y lo presionarán con prejuicios, datos faltantes, datos duplicados, etc.

Los datos tienen caprichos. Para aquellos que pasan horas y horas en datos, sabes lo que estoy diciendo. Mientras se desplaza o grafica datos, se ven esos patrones extraños que lo hacen detenerse y decir "Me pregunto por qué x parece z". Los científicos de datos más jóvenes a menudo estarán demasiado enfocados en terminar el proyecto. No han aprendido cómo detenerse y realmente analizar estos patrones extraños. Estos patrones pueden ser causados ​​por sistemas que predeterminan salidas de datos específicos, como -1 o 1 o incluso datos parciales causados ​​por la compra de bots que pueden sesgar lo que los clientes realmente están comprando en un sitio de comercio electrónico y otras mil causas plausibles de información engañosa.

Estos patrones no son necesariamente datos incorrectos o malos. Incluso cuando los datos son precisos, siempre habrá caprichos operacionales. Un científico de datos con experiencia no solo buscará estos caprichos de datos, sino que los esperará.

El término fuente de la verdad se usa mucho en los equipos de datos. Se refiere a la fuente de datos original que varios equipos han decidido que es correcta. Fui muy ingenuo cuando comencé como científico de datos. En uno de mis primeros proyectos, me informaron sobre una fuente de datos que nuestro equipo había etiquetado como fuente de verdad. Durante meses trabajé en nuestra "Fuente de la Verdad" desarrollando análisis y aplicaciones para ayudar a más de 200 gerentes y directores a tener acceso a esa información. Por supuesto, no pasó mucho tiempo hasta que hubo problemas de coherencia con otras métricas. Fue entonces cuando me di cuenta de que había estado trabajando en una fuente de datos de varios ETL de la fuente de la verdad.

Hablando con los gerentes de tecnología en Seattle. Este es un problema común. Los jóvenes analistas, científicos de datos y desarrolladores confían demasiado en sus fuentes de datos. Por lo general, los empleados más jóvenes y menos experimentados estarán muy ansiosos de realizar el trabajo. Esto inadvertidamente conducirá a una menor comprensión de lo que realmente son los datos. En lugar de preguntar por qué, pasan más tiempo asegurando las "funciones" del producto. Por lo tanto, se pierden al notar las peculiaridades de los datos.

Para crecer como científico de datos, debe evitar simplemente asegurarse de que un producto o algoritmo "cumpla con los requisitos" y se haga dueño. Debe asumir la responsabilidad de comprender los datos y sus peculiaridades. De esa forma, puede comunicarle por completo a su gerente o director, todas y cada una de las suposiciones que hizo. Un científico de datos no puede crecer verdaderamente si culpa a los malos resultados de los datos.

Se capaz de indicar de manera concisa el valor de sus hallazgos

Para crecer como científico de datos, tienes que expandirte más allá de ser un programador/estadístico. Debes aprender cómo ser un comunicador y debes obtener la capacidad de expresar de forma concisa el valor de tus hallazgos y también indicar qué debe hacer tu director con la información.

Puede ser tentador proporcionar a los directores y gerentes todos los gráficos, todos los datos y toda la información técnica que se recopiló durante nuestra investigación para demostrar que en realidad estábamos trabajando. Especialmente en la ciencia de los datos, donde a veces se necesitan algunos meses para avanzar valiosamente en un solo problema (por una buena razón). Sin embargo, al final de todo, los directores no quieren un exceso de información.

Conozca su negocio

Cada vez que un científico de datos comienza un nuevo trabajo, es comprensible que no entienda todo sobre el nuevo día hábil. Hay mucho que aprender además de las fuentes de datos, bases de código y otros sistemas específicos de la compañía. Deben aprender sobre el funcionamiento diario de los datos con los que trabajarán. También necesitan comprender los problemas que enfrenta la empresa. Sin embargo, un experto en datos científicos debería ser capaz de obtener rápidamente una comprensión de un negocio.

Aprenda cómo trabajar con diferentes equipos, participe en proyectos y permítase ser un mentor diligente. Los científicos de datos pueden participar en proyectos tras proyectos en diferentes tipos de temas y deben poder adaptarse rápidamente, incluso los más experimentados necesitan enfocarse más en el porqué de sus proyectos. Si un gerente no desafía a sus miembros más experimentados del equipo de ciencia de datos para crecer y aprender el negocio, entonces es algo de lo que es culpable por la falta de crecimiento. Cada año o cada pocos meses, los gerentes deben ayudar a desafiar a los científicos de datos más experimentados para asegurarse de que realmente están creciendo. De lo contrario, una empresa está perdiendo el ROI máximo.

Alta administración

Administrar requiere que los científicos de datos (o cualquier otra persona en cualquier empresa para el caso) tomen el tiempo necesario para comprender las necesidades de los gerentes. No solo lo que la compañía necesita. ¿Qué quiere el jefe de usted y de sí mismo? Una vez que entiendes eso, entiendes lo que los impulsa. Eso permitirá que un científico de datos anticipe las necesidades de sus jefes antes de que se lo pidan. Esto ayudará a desarrollar la confianza, así como una mayor inversión de sus gerentes y directores. Este mundo no es todo acerca de tu crecimiento ¡Los administradores también quieren crecer! Como experimentado, usted sabe que ayudar a otros a crecer y alcanzar sus metas significa que usted también gana.

Resumen

Se espera que los científicos de datos hagan más que simplemente crear algoritmos y administrar grandes conjuntos de datos. El valor de los científicos de datos experimentados proviene no solo de sus habilidades técnicas, sino también de sus habilidades blandas. La información y los algoritmos que los científicos de datos crean impulsarán las decisiones de la alta gerencia. Por lo tanto, cualquier cosa que proporcionen debe ser comprensible para los directores y vicepresidentes que administran millones de dólares en personas, recursos, equipos, proyectos ... y todo lo demás en una empresa. Esto significa que para que un científico de datos crezca en valor a un negocio, debe aprender lo que el negocio encontrará valioso.

Fuente: Benjamin Rogojan. Experto en datos, marketing e IT.

¡Felices fiestas!

.

10 tecnologías de Big Data que debes conocer

A medida que el mercado del análisis de Big Data se expande rápidamente para incluir a los principales clientes, es importante conocer las tecnologías de Big Data que realmente importan.

Todo el mundo habla de la ciencia de datos, con su modelo predictivo, minería de datos y aprendizaje automático (Machine Learning). Pero la mayor parte de esto no sería posible, especialmente a gran escala, sin ingeniería de datos. A continuación se enumeran algunas tecnologías de Big Data que todo ingeniero de datos debe conocer.

1. Análisis predictivo: Esta tecnología, que incluye soluciones de hardware y software, ayudará a su empresa a descubrir, evaluar, optimizar y desplegar modelos predictivos. Esto lo hace mediante el análisis de fuentes de Big Data, mejorando así el rendimiento comercial o mitigando el riesgo.

2. NoSQL Base de datos: En comparación con sus contrapartes RDBMS, las bases de datos NoSQL están disfrutando de un crecimiento exponencial. El tipo de base de datos NoSQL ofrece un diseño de esquema dinámico, que otorga la posibilidad de una mayor personalización, flexibilidad y escalabilidad, que es muy necesario cuando se almacenan grandes volúmenes de Big Data.

3. Descubrimiento de búsqueda y conocimiento: Necesita conocer estas herramientas y tecnologías para la auto extracción de información. El descubrimiento de búsqueda y conocimiento consiste en obtener nuevos entendimientos de grandes repositorios de datos estructurados y no estructurados que residen en fuentes, como sistemas de archivos, flujos de datos, bases de datos, APIs (Application Programming Interface) y otras plataformas y aplicaciones.

4. Análisis de flujo: Necesita agregar, filtrar, enriquecer y analizar un alto rendimiento de datos. El análisis de flujo examina los datos que provienen de fuentes de datos múltiples, dispares, en vivo y en distintos formatos.

5. Tejido de datos en memoria: Esta tecnología proporciona acceso de baja latencia y le permite procesar grandes cantidades de datos. Distribuye datos a través de la memoria de acceso aleatorio dinámica (DRAM), SSD o Flash de un sistema informático distribuido.

6. Almacenes de archivos distribuidos: Una red informática que almacena datos en más de un nodo, a menudo de forma replicada, para ofrecer redundancia y rendimiento.

7. Virtualización de datos: Si necesita información entregada desde varios orígenes de Big Data, como Hadoop y tiendas de datos distribuidos, en tiempo real y casi en tiempo real, la virtualización de datos es su tecnología.

8. Integración de datos: La integración de datos se trata de herramientas que permiten la orquestación de datos en soluciones como Apache Hive, Apache Pig, Amazon Elastic Map Reduce (EMR), Hadoop, Couchebase, MongoDB, Apache Spark, etc.

9. Preparación de datos: Para aliviar la carga de dar forma, limpiar, buscar y compartir conjuntos de datos desordenados y diversos que aceleran la utilidad de los datos para el análisis.

10. Calidad de datos: La tecnología que lleva a cabo la limpieza y el enriquecimiento de datos en grandes conjuntos de datos de alta velocidad. Utiliza operaciones paralelas en bases de datos distribuidas y almacenes de datos.

Tecnologías de Big Data: A tener en cuenta

Todas estas herramientas contribuyen a la comprensión en tiempo real, predictiva e integrada; y es exactamente lo que Big Data quiere de los clientes ahora. Para obtener la ventaja competitiva que ofrece Big Data, debe infundir análisis en todas partes, explotar el valor en todos los tipos de datos y hacer un diferenciador de velocidad. Todo esto requiere una infraestructura que pueda administrar y procesar volúmenes masivos de datos estructurados y no estructurados. Las tecnologías de Big Data deben admitir los servicios de búsqueda, gobierno, desarrollo y análisis de datos que abarcan desde datos de transacciones y aplicaciones hasta datos de máquinas y sensores, datos geo espaciales, sociales y de imágenes.

Fuente: Naveen Joshi. Fundador y CEO de Allerin. Experto en Big Data, IoT, AI y Blockchain.

5 consejos para implementar Business Intelligence

Obtener la correcta estrategia de Business Intelligence, es mucho más que crear un almacén de datos.

Martin Draper, director de tecnología en el retail Liberty, dice que su gran prioridad para 2017 es el Business Intelligence. La empresa recopila información de diversas fuentes y Draper desea crear una estrategia basada en datos que ayude a los ejecutivos de la empresa, a tomar decisiones más inteligentes de forma rápida y efectiva.

A lo largo de su carrera, Draper ha estado ansioso por impulsar la transformación a través de la información. Pasó una década dirigiendo su propia consultora de Business Intelligence antes de convertirse en CIO (Chief Information Officer) retail, ayudando a las organizaciones de todos los sectores a convertir los datos en información.

Draper, basándose en su experiencia, proporciona cinco consejos de mejores prácticas para ejecutar una estrategia de BI exitosa:

1. Vea su iniciativa como un enfoque cultural generalizado

Los analistas están dispuestos a hablar sobre la inversión continua en BI y analytics. Gartner dice que el 48% de las empresas, en el 2016, invirtió en Big Data un 3% más que en el 2015. Mientras tanto, IDC (International Data Corporation) espera que el gasto global en Big Data y Business Analytics crezca de $ 130.1 billones en 2016 a más de $ 203 billones en 2020.

Sin embargo, Draper dice que la tecnología es solo un elemento de un fuerte enfoque de BI. Él dice que el éxito en BI es mucho más que la suma de herramientas y procesos. Demasiados CIO aún no reconocen que el elemento cultural es esencial. "He ganado una buena vida con los tecnólogos que construyen plataformas de datos y luego veo que la realización del beneficio no se ha materializado", dice, refiriéndose a su experiencia previa como consultor de BI.

"Tienes que tener la tecnología correcta y una hoja de ruta de arquitectura de datos clara, pero también debes tener una organización que pueda consumir información y desarrollar conocimientos. Ese es absolutamente el consejo número uno: Si no ves tu proyecto de BI como un enfoque cultural generalizado para las empresas, es mejor que no te molestes en comenzar".

2. Obtenga respaldo de alto nivel para sus objetivos a largo plazo

Draper dice que los CIO deben reconocer que una iniciativa analítica es mucho más que lograr objetivos a corto plazo. "La inteligencia empresarial es para siempre", dice. "Si va a hacerlo correctamente, debe comprender todos los aspectos de su organización y planificar una hoja de ruta para la implementación hasta donde pueda ver".

Los CIO, dice Draper, deberían ver su proyecto de BI como un programa, en lugar de un solo golpe. "Puede llevar años crear un programa de BI en algunos casos", dice. La naturaleza prolongada (y, a veces, costosa) de una iniciativa analítica significa que el soporte de alto nivel es esencial.

"Asegúrese de que la persona número uno es su organización, es el patrocinador clave de su programa de BI", dice Draper. "La idea de usar los datos para decir la verdad y tomar decisiones significa que el apoyo del director ejecutivo es absolutamente clave".

3. Utilice la capacidad de un especialista para desarrollar ganancias tempranas para el negocio

Mientras que Draper cree que BI debe ser visto como un "programa para siempre", también reconoce que las ganancias rápidas pueden ayudar a demostrar los beneficios de sus ideas a los escépticos, particularmente en los primeros días de una iniciativa. Estas ganancias tempranas pueden ayudar a dictar la dirección futura.

"No prediga el clima antes de subirse al barco. La belleza de la capacidad y tecnología actual es que las personas experimentadas, ya sea interna o externamente, pueden ayudar a su negocio a obtener algunos beneficios de BI bastante rápido", dice Draper.

"Siempre debe pensar en términos de objetivos a largo plazo, pero también puede lograr el éxito a corto plazo rápidamente, si crea un equilibrio efectivo entre la tecnología, la capacidad de IT (Information Technology), el talento comercial y la arquitectura de datos. Reconozca que el mundo es un conjunto de procesos de negocios: Nuestro trabajo en tecnología es automatizar tantos de esos procesos como podamos y dejar los elementos creativos a los expertos humanos".

4. Enganche de nuevo a la demanda de la organización de forma continua

Draper dice que los CIO deben definir qué aspecto tiene el éxito en términos de BI. Para algunas personas, el éxito se trata de informes comerciales. Para otros, podría implicar autoservicio, capacidades analíticas avanzadas o una versión única de la verdad.

"La realidad es que, dependiendo de la audiencia, puede ser todos esos elementos o solo uno", dice Draper. "Darse cuenta de que BI es un facilitador para mejorar la toma de decisiones y definir lo que necesita entregar para permitir esa visión es absolutamente crítico".

Las expectativas ejecutivas en torno al poder potencial de la analítica siguen siendo altas. Draper dice que los requisitos comerciales pueden flexibilizarse y cambiar, por lo que los CIO deben asegurarse de que sus programas de BI coincidan con la capacidad técnica con conocimiento comercial. "Tendrá que conectarse de nuevo al negocio de forma continua, y para siempre", dice Draper.

"BI no se trata solo de construir un almacén de datos SQL Server, sino de crear beneficios en un punto definible más adelante. De lo contrario, es solo otra plataforma, y ​​su empresa no verá el valor de su inversión".

5. Intente una comprensión matizada de la información que proporciona

Draper advierte a los ejecutivos que no se centren únicamente en la representación visual de los datos. La verdadera percepción, dice, proviene de un nivel más detallado de comprensión.

"A menos que su organización pueda mirar el tablero y entender cómo convertir el indicador rojo en naranja y verde, entonces las ganancias serán pequeñas", dice. "El nuevo enfoque en Big Data y en tiempo real es potencialmente brillante. Pero si su organización no puede reaccionar a la información, entonces la información no tiene sentido".

Draper dice que los jefes de finanzas le enseñaron al principio de su carrera que la conversación en torno a los datos siempre debe centrarse en los objetivos. "La gran inteligencia de negocios se trata de entender lo que usted y sus colegas van a hacer de manera diferente mañana debido a la visión que tiene hoy", dice.

"A menos que pueda decidir y actuar, todos los análisis brindan un número en la pantalla. Por lo tanto, definir qué éxito y ejecución son las claves es muy fácil. Es muy fácil generar números y opiniones, es muy difícil de ejecutar".

Fuente: Mark Samuels. Periodista de negocios especializado en temas de liderazgo de IT.

Los mitos del Big Data y el marketing

Big Data se ha convertido en una gran industria, promovido como cura para todo lo que aflige el marketing. Sin embargo, tenemos un largo camino por recorrer antes de que Big Data proporcione su potencial. Consideremos un par de ejemplos. Me registro en Facebook desde Lausana en Suiza. Ya estuve registrado hace un par de años en el mismo ordenador portátil, usando el sitio social en idioma inglés. Sin embargo, lo que veo es la página de registro de Facebook en alemán. Tal vez, la ubicación supera la dirección IP del portátil. Sin embargo, incluso si se basa en la ubicación, en Lausana, la página de registro debería estar en francés. De manera similar, recientemente me mudé a Singapore Management University y ahora veo numerosos anuncios para inscribirse en varios programas de esta universidad.

A pesar de ser un creyente en Big Data, necesitamos tener expectativas realistas de Big Data. Como vendedores, estamos en el comienzo de un viaje muy largo.

EL MITO DE BIG DATA

El mito más grande es que hay algo llamado Big Data. En realidad, la construcción de una base  útil de datos, requiere unir muchos datos pequeños de múltiples fuentes. Esto es lo que hace que sea un trabajo duro.

• ¿Cuántas fuentes diferentes se pueden unir para capturar todas las rutas digitales de un cliente. Y, ¿Qué es lo que simplemente se nos escapa en la atmósfera?

• ¿Cómo combinar los datos de varias fuentes, cada uno con su propio enfoque para recopilar, mantener y actualizar los datos, y vincularlo a un individuo único?

A medida que uno mejora en esto, permite una mayor integración a través de los diferentes puntos de contacto donde los clientes experimentan la marca.

MÁS DATOS ES MEJOR

Los vendedores, motivados por el interés propio, siguen empujando la idea de que mientras más granular sean los datos es mucho mejor. Pero Big Data es como los granos de arena, pueden crear una tormenta de arena y puede cegarte y desorientarte. Hay un viejo beduino diciendo que seis minutos en una tormenta de arena, es suficiente para hacer que un hombre se vuelva loco.

• Al principio de una investigación, aprende que siempre hay demasiados datos y no suficientes datos simultáneamente. Una gran cantidad de los datos que inicialmente parece agradable tener es innecesario para resolver el problema en cuestión. Además, siempre hay más datos que uno quisiera, pero no están disponibles.

• Los datos, en sí mismos, no tienen ningún valor. Es sólo un costo hasta que se unió con la analítica para extraer información accionable. Las decisiones clave son qué mantener y qué ignorar. El agua en un vaso es manejable, pero en una inundación, es abrumadora.

Para que los marketeros exploten Big Data, deben aprender a vivir con ambigüedad. En lugar de simplemente buscar más y más datos, la tecnología y la comprensión para utilizar los datos disponibles es quizás más importante.

LOS DATOS EN TIEMPO REAL SON MEJORES

Parece obvio que los datos que se actualizan lo más cerca posible del tiempo real son mejores. Si bien esto puede ser cierto en algunos casos, pero el acompañamiento "ruido" puede conducir a una mayor confusión y errores. A menudo, en lugar de una respuesta rápida, es mejor tomar el tiempo para reflexionar. Sólo después de limpiar los datos, entender el problema y mejorar el modelo, se debe pasar a la acción.

No importa, la forma en que los datos son en tiempo real, son datos pasados ​​y uno está tratando de predecir el comportamiento futuro.

Para que los modelos sean útiles, los gerentes de marketing deben adoptar lecciones del antiguo movimiento japonés de calidad de mejora continua. Pero esto requiere la prueba de modelos rigurosamente. Antes de aceptar un modelo, uno debe tener la disciplina para utilizar muestras de espera y experimentos aleatorios.

CONCLUSIÓN

La mayoría de las cosas en la vida que son importantes y que valen la pena son difíciles de hacer. Big Data no es una excepción. Los modelos puestos en práctica no pueden simplemente ser exteriorizados a analistas de datos o algoritmos de máquinas. Los vendedores tienen que ensuciarse las manos y lidiar con la obtención de una comprensión más profunda de lo que entró en la elaboración del modelo y la calidad de los datos que se utilizaron. Si los modelos basados en Big Data se convierten en una "caja negra" para los vendedores, será una continuación de las prácticas de un marketing pasado, "basadas en la fe".

Fuente: Nirmalya Kumar. Lee Kong Chian Profesor de Marketing

¿Por qué ninguna empresa debe iniciar un proyecto de Big Data en este momento?

Si este año, una de sus metas es comenzar un proyecto de Big Data, es posible que desee pensarlo de nuevo. Ninguna empresa debe comenzar un gran proyecto de datos en este momento. Pero déjame ser claro. No es porque predigo un descenso importante en la economía o una innovación increíble que cambiará la forma en que se debe ejecutar un proyecto de datos. Es muy simple. Si planea un gran proyecto de datos, le falta el aspecto más importante. Y no debe tratarse de los datos, sino sobre su negocio.

Mientras que los datos y la analítica están revolucionando nuestro mundo y cambiando la manera en que vivimos y trabajamos, son las ideas que proporcionan que los hacen poderosos. Por lo tanto, a menos que sepa qué preguntas de negocios necesita responder y qué problema de negocio desea resolverse, no debe iniciar un proyecto de datos.

Todavía veo demasiados proyectos de Big Data que no tienen metas de negocio claramente definidas y resultados mensurables, por lo que no es sorprendente que tantos proyectos de Big Data fallen. Cuando ayudo a las empresas a identificar las maneras más estratégicas de cómo los datos y la analítica pueden transformar su negocio, enlazamos cada proyecto con prioridades estratégicas e identificamos KPIs de negocios que ayudan a medir el éxito de estos proyectos.

Tomemos Citibank como un buen ejemplo, cada proyecto de datos comienza con requisitos de negocio específicos. Antes que cualquier proyecto de datos sea aprobado, tiene que ser validado a través de pruebas de conceptos y será monitoreado usando métricas de rendimiento empresarial.

Lo mismo ocurre con Caterpillar, donde cada proyecto de datos está vinculado a un problema empresarial y se mide con KPIs de negocios, lo que a su vez ayuda a mostrar rendimientos impresionantes en sus proyectos de datos.

Usos clave de datos en los negocios

Existen cinco áreas clave que pueden ayudar a identificar las aplicaciones más estratégicas de datos en cualquier negocio:

1. Mejorar la toma de decisiones: Armados con datos precisos, los líderes empresariales pueden tomar decisiones de negocios más inteligentes. Pueden determinar qué preguntas necesitan ser contestadas para impulsar su compañía al éxito.

2. Entender a los clientes: Cuando los datos se recopilan y analizan adecuadamente, ayudan a las empresas a entender quiénes son sus clientes y por qué compran, así como las principales tendencias de los clientes que están en el horizonte.

3. Mejorar la oferta del cliente: Los datos también ayudan a las empresas a ofrecer un mejor producto o servicio a sus clientes e integran datos y análisis en sus ofertas de clientes.

4. Mejorar las operaciones: Los datos y análisis pueden ayudar a las empresas a optimizar sus operaciones, producción y procesos.

5. Crear una nueva corriente de ingresos cuando los datos se monetizan: Los datos pueden crear un flujo de ingresos adicional para muchas empresas cuando venden sus datos a otras empresas que lo valoran. Los datos también se consideran un activo en la valoración de las empresas.

Comience con una estrategia de datos

Una vez que las empresas han identificado las áreas que quieren abordar con los datos, el primer paso es identificar el verdadero problema de negocio para que ellos conduzcan los proyectos de datos con las preocupaciones del negocio en lugar de los datos. Una buena estrategia de datos se determina por lo que su empresa desea lograr y cómo los datos pueden ayudarle a llegar allí.

Desarrollar medidas de éxito

A continuación, debe desarrollar KPIs o métricas de éxito que deben vincular a los objetivos de negocio de nivel superior, tales como el aumento de los beneficios y los ingresos, o metas intermedias, como ganar cuota de mercado, la satisfacción del cliente, mejorar la utilización de la capacidad o aumentar la participación del personal. Aquí hay una lista de 25 métricas empresariales de nivel superior que puede usar.

El poder de Big Data no es lo mucho que reúne, sino la forma en que utiliza la información que recopila de los datos que clasifica. Con el fin de obtener la participación de los líderes y empleados de su empresa, tendrá que ayudarles a entender los beneficios tangibles del negocio que su proyecto puede dar a su organización y cómo los datos le ayudarán a obtener esos beneficios. Es imprescindible ayudar a su gente a ver cómo va a utilizar los datos para trabajar más inteligentemente y hacer mejores negocios para que puedan apreciar en lugar de temerlo.

No base sus proyectos de Big Data sobre los datos o la tecnología, asegúrese proyectos empresariales para lograr una meta estratégica, medidos por métricas empresariales.




Fuente: Bernard Marr es un autor best-seller y orador principal de negocios, tecnología y Big Data. Su nuevo libro es Estrategia de Datos.