Sep

Por

Speaker del próximo Seminario Internacional Analítica Web & Big Data Chile Digital 2014, a realizarse el 6 de Noviembre en SOFOFA. Más info.

Realmente, el Big Data es matemáticas. Son la matemáticas de la efectividad, ya que si tenemos muchos y diversos datos y los combinamos con las reglas adecuadas, podremos encontrar los patrones, los valores atípicos que nos ayudarán a gestionar de forma potente nuestra estrategia de negocio. La fuerza del Big Data está en optimizar procesos muy complejos, cuanto mayor es el sistema, mayor valor podrá aportar. Y de esto trata esta entrega de Big Data en el blog, de sacarle partido a estos datos.

El resumen del marco de trabajo para sacar partido a los datos se centra en partir siempre de preguntas e hipótesis para poder determinar qué datos vamos a necesitar en base al negocio. Tendremos una cantidad ingente de datos y hemos de saber qué indicadores y segmentos van a ser los que directamente tienen que ver con lo que necesitamos para actuar.

Es muy importante no cerrarnos, hay que construir la infraestructura flexible y escalable para que vaya creciendo a nuestra medida. Por lo que no hay que almacenar por almacenar, solamente lo que nos sea útil teniendo en cuenta siempre nuestros objetivos.

Marco de trabajo Big Data

Quiero hacer énfasis sobre este tema. Normalmente pasamos de una gran cantidad de datos y basamos nuestro tiempo en conseguir muchos y de diversa índole. ERROR. Lo que hemos de hacer es empezar con una serie de datos que tengan mucho impacto en el negocio. Dar la vuelta a la forma de hacer las cosas, ir aportando datos según nos los vaya pidiendo el sistema, según lo que nos vayamos encontrando por el camino.

¿Entonces?

Entonces, partimos de datos desestructurados, a partir de los objetivos establecidos y la estrategia conceptualizamos los datos, evaluamos el esfuerzo y el beneficio que nos dará cada uno de los datos, seleccionamos la herramienta, la configuramos y realizamos el control de calidad para saber si los datos son precisos. Y nos lanzamos a analizar. ¡Big Data entendido como que no se trata de los datos sino del impacto que tiene en el negocio!

Camino a Big Data

El mayor reto es implementar sistemas de inteligencia que permitan a los datos contar la historia, no para profundizar en datos fragmentados buscando la historia.

La pregunta clave es “Cómo lo hacemos?”.

Un primer paso del análisis puede ser usar datos pasados para predecir la posibilidad de qué va a pasar después. También el utilizar los datos del presente por medio de realtime para poder hacer un análisis predictivo potente en base a lo que ya conocemos. Es decir, conectar el pasado, el presente y el futuro de forma que podamos optimizar las decisiones en base al valor.

La idea es tener un sistema que aprenda a la vez que nosotros, que nos pueda sugerir cambios en modelos y análisis: esto es a lo que vamos. Por lo que necesitamos que toda la tecnología trabaje en paralelo con nosotros para lograr el conocimiento global para tomar decisiones.

Muchos dicen que el Big Data Analytics es lo mismo que el Data Mining, la base es la misma, proveer de una metodología para conseguir inteligencia desde nuestros datos desde una perspectiva tecnológica. Se trata de encontrar los patrones, los perfiles, los modelos, las relaciones dentro de nuestros datos que nos permitan optimizar al máximo nuestro negocio.

La anticipación y la pronta alerta será más y más importante para ganar ventaja competitiva. Estamos en un mundo en el que la ganancia marginal es la clave que nos diferencia de la competencia. Los datos son parte importante en esta carrera al éxito.

Cómo lo hacemos? Vamos buscando correlaciones hasta encontrar la causalidad, y nos lanzamos de lleno al análisis predictivo.

La idea es no solamente describir el qué está pasando, sino predecir qué puede pasar en el futuro, porque esto será lo que nos aportará valor. Podemos empezar por ejemplo con el CLV (Customer Lifetime Value), qué tipo de clientes son más propensos a dejarnos o podemos empezar por hacer pruebas para ver el precio que más se adecua a nuestro público sin salir de nuestros márgenes de beneficio, o saber qué inversión necesitaríamos hacer para alcanzar nuestros objetivos de negocio. Hay muchas combinaciones que nos van a ayudar a entender qué puede pasar y poder adelantarnos para realizar los cambios necesarios en nuestra estrategia en base a esta previsión.

Para realizar un análisis predictivo es necesario tener un historial de datos lo suficientemente importante como para que las previsiones sean sólidas. A partir de aquí la metodología que propongo es básicamente la que he propuesto siempre para la analítica digital:

Empezamos teniendo claros los objetivos que queremos alcanzar, para establecer las métricas que nos van a ayudar a saber cuán cerca o lejos estamos de cumplirlos. Teniendo claras estas métricas podremos determinar el historial que tenemos de éstas para saber si realmente podemos generar el análisis predictivo. Si la respuesta es afirmativa, vamos a por ello!

Sacamos los datos y realizamos un análisis de correlación, para entender qué métricas están relacionadas entre sí. Cuando encontramos las correlaciones, establecemos una hipótesis.

Imaginemos que encontramos una correlación entre la tasa de conversión y la tasa de rebote para uno de nuestros canales. Cuanto más baja sea la tasa de rebote más alta es la tasa de conversión. Entonces nuestra hipótesis sería que al bajar un 24% la tasa de rebote de este canal en las páginas afectadas, lograríamos incrementar la tasa de conversión un 5% lo que nos da una subida de ingresos del 11%.

Antes de emocionarnos del todo por encontrar una correlación que parece causal, hay que probarlo en los datos de nuevo. Tomamos LA MITAD de los datos y validamos el modelo con la otra mitad para ver si la hipótesis se cumple. Esto me lo enseñó un lector de este blog hace un tiempo, me pareció una muy buena práctica y ahora lo hago constantemente ?

A partir de aquí podemos aplicar distintas acciones, podemos usar la regresión (lineal o logarítmica) para construir relaciones lineales y poder determinar qué valores tendrán las métricas en el futuro en base al histórico que manejamos. Así, podremos saber qué podemos esperar de las métricas si no cambiamos la forma de hacer las cosas. De dónde partimos, dónde tenemos que incrementar esfuerzos para poder recoger más de lo esperado, no quedarnos ahí, seguir optimizando estrategias.

O aplicamos clusters o clasificaciones, para encontrar grupos o segmentos de clientes con comportamientos parecidospara poder determinar qué características definen a cada uno de los grupos. Por ejemplo, clasificar a los clientes en base al número de compras que realizan en un periodo de un año. Así podremos intentar entender qué tienen en común los clientes esporádicos, o lo que une a los clientes que realizan pocas compras pero cuando lo hacen tienen un importe alto, o qué grupo de clientes tienen comportamiento similar en compras e importes, o encontrar el tipo de promoción ante el que tienen más correlación con un aumento de gasto en un cluster determinado (los clientes que compran una segunda vez han utilizado el cupón descuento del 70% en el segundo producto).

El problema que veo en mi entorno es que se hacen los análisis predictivos pero no se acompañan de las hipótesis para tomar acción. Se utilizan para entender comportamientos, para entender cómo funcionan nuestros esfuerzos, pero no como base de las acciones. Es mi lucha diaria, el poder cambiar la cultura de las empresas y que se tomen decisiones basadas en datos.

¿Pasaremos del entender a la acción? Confío en que sí 🙂