Business

Intelligence & Big

Data

1
 Business Intelligence y Big Data
Ayuda

Ayuda en la navegación

1. El mercado de continuo movimiento

1.1. Situación de los mercados e impacto de la tecnología en el Marketing analítico

1.2. Ejemplos Apple y Zara

1.3. Ejemplo la tienda de barrio

1.4. Ejemplo de SEUR

1.5. El deber ineludible: comprender al cliente

2. Eficiencia comercial basada en el Data Mining

2.1. Eficiencia comercial basada en el Data Mining

2.2. Generación de resultados

2.3. Ejemplo cambio de proveedor

2.4. Ejemplo bancario

2.5. Análisis de clientes

2.6. Análisis de satisfacción

3. Business Intelligence y Big Data – Historia y características

3.1. Historia del Business Intelligence

3.2. El Big Data

3.3. Las 5 Vs del Big Data

3.4. Tipos de datos en Big Data

Actividades

4. Diferencias entre Big Data y Business Intelligence

4.1. Diferencias entre Big Data y Business Intelligence

4.2. Beneficios del uso de Big Data

4.3. Una ventaja: La combinación híbrida

5. Herramientas BI y Big Data

5.1. Herramientas BI

5.2. Herramientas Big Data

6. Usos del Big Data

2
 6.1. Usos del Big Data

6.2. Primero. Segmentar y entender a los clientes

6.3. Segundo. Optimizar los procesos de negocio

6.4. Tercero. Cuantificar y optimizar el rendimiento personal

6.5. Cuarto. Mejorar la salud

6.6. Quinto. Mejoran el rendimiento deportivo

6.7. Sexto. Optimizando el rendimiento de máquinas y dispositivos

6.8. Séptimo. Mejorar y optimizando las ciudades

Actividades

7. Ejemplos del uso de big data en nuestro día a día

7.1. Ejemplos del uso de big data en nuestro día a día

7.2. Caso Walmart

7.3. En la película Moneyball: Rompiendo las reglas (2011)

7.4. La reelección de Obama

7.5. Otras empresas

Fin de módulo

¡Enhorabuena!

3
Ayuda

Ayuda en la navegación
1. Accede desde el menú principal al
listado de los apartados de la
unidad y sus secciones.
2. Muévete entre las secciones del
apartado utilizando las flechas.
3. Avanza al siguiente apartado con
las flechas laterales.
4. Presta atención a las
instrucciones. Te indicarán cómo
interactuar con los contenidos.
5. No olvides hacer clic en todos los
textos que estén en azul para ver
más información.
6. Haciendo clic en los iconos puedes descargar el pdf con los contenidos del
módulo.

Recuerda revisar todo el contenido de cada módulo.

4
1. El mercado de continuo movimiento

1.1. Situación de los mercados e impacto de la tecnología en

el Marketing analítico

Nos encontramos ante un mercado en continuo movimiento, las situaciones de

crisis vividas recientemente nos han hecho olvidar rápidamente momentos en los
que los crecimientos económicos tenían tasas elevadas y mercados donde tener
un buen producto era garantía de éxito. Hoy en día, los crecimientos económicos y
los márgenes son cada vez más pequeños, por lo que en nuestro trabajo comercial
podemos actuar de dos maneras principalmente:

Diseñando maneras de sacar mayor rentabilidad a nuestros esfuerzos.

Generando cada vez mayor volumen de negocio para que, aunque los
márgenes sean estrechos, las ganancias sean mayores.

En cada caso nos encontramos con que tenemos:

ENFOQUE de MAYOR RENTABILIDAD

compañías basadas en la innovación continua, en el desarrollo permanente de

productos, en la búsqueda de servicios de primer nivel, de elevada calidad y
que generen clientes que estén dispuestos a pagar por algo más que un
simple producto.

ENFOQUE del CRECIMIENTO en VENTAS

empresas más volcadas en expandirse, en llegar a muchos mercados, en

conseguir cada vez más clientes (esto es clave en el lanzamiento de cualquier
negocio, crecer a base de muchos clientes), en basar su crecimiento en un
aumento de sus carteras comerciales y, por tanto, en conseguir cada vez más
ingresos para compensar costes fijos y conseguir mejores resultados a partir
de su tamaño.

5
Ninguno de los dos enfoques es correcto o incorrecto. Es más, la inmensa mayoría
de las compañías de éxito, tienen de manera
permanente, los dos enfoques presentes en todas y
cada una de sus actuaciones, de sus inversiones y de
sus campañas comerciales y de marketing.

6
1.2. Ejemplos Apple y Zara

Con la irrupción de las nuevas tecnologías y la comercialización de productos por

los nuevos canales, como internet en general a través de e-commerce o Redes
sociales como plataformas de encuentro y transacción, el mercado se abre para
grandes y pequeños, pero es importante que sigamos teniendo en cuenta los dos
enfoques porque, como podremos comprobar en los comportamientos
comerciales y de marketing de las compañías líderes en los mercados actuales,
especializarse en un enfoque, no debe significar DESPRECIAR el otro.

- Apple: Podría parecer que busca la rentabilidad, ofreciendo productos de alta

gama, transmisores de un estatus social, símbolo de prestigio... para ser rentables,
aunque vendan menos. Pero la realidad es que tienen de manera permanente los
dos enfoques, quieren tener productos rentables, pero a la vez vender lo máximo
posible.

De hecho, el verdadero éxito de Apple surgió con el lanzamiento del iPod, no

porque fuera un producto de capacidades elevadas y su venta fuera muy rentable
al ser un producto más caro al de sus “iguales”, sino porque, al fi n, Apple
consiguió, con sus productos que siempre habían sido buenos, rentables y
prestigiosos, consiguió llegar a vender muchas unidades en el mercado.

- Zara: Podría parecer que

busca la venta masiva,
cuando la realidad es que
compagina ambos
enfoques, no para de
desarrollar nuevos
productos y a la vez busca
llegar a mucha gente,

7
persigue a la vez crecer en
ventas yen rentabilidad de manera permanente y no solo en rentabilidad.

Dentro de su impulso de la venta online, por ejemplo, desde Zara se han volcado
en tener disponible todos sus productos para el mayor número de clientes posible,
pero a la vez, han ideado metodologías de reducción de costes como son en sí
mismo el e-commerce y como puede comprobarse físicamente en su cultura del
“punto de entrega”, a través del cual evitan costes elevados proponiendo la
recogida en sus tiendas...además de potenciarse así la venta de otros productos
con motivo de la visita.

Hoy tenemos elevados niveles de competencia independientemente del mercado,

por lo que no podemos permitirnos tener productos buenos únicamente, hay que
hacerlos rentables vendiéndolos en el mercado, por lo que hay que cubrir las fases
clave que hacen que un producto y un negocio, sean exitosos, ninguna es
prescindible, hay que conseguir vender y hacerlo además de tal manera que se
generen los máximos ingresos con los mínimos esfuerzos posible, pero para ello es
importante cierto análisis del mercado, de nuestros productos, de nuestros
clientes y de nuestra compañía, todo ello lo veremos en esta asignatura. Y es que,
en épocas como la actual, los Clientes se vuelven cada vez más exigentes, no
perdonan errores porque las compañías hemos conseguido dar facilidades de
acceso, siempre debemos pensar que hay mucha competencia que puede llegar a
hacerlo igual, si se trata de un producto, aunque difícilmente nos igualarán si
conseguimos ser más ágiles, más rápidos y más adaptados a lo que el cliente
quiere. Los clientes buscan en múltiples canales, miran en internet, comparan
productos, comparan precios...estamos en la Sociedad influenciada por la
información accesible, podemos pensar que esto dificulta las cosas, o podemos
trabajar para sacar partido a las nuevas posibilidades que se nos brindan. En esta
asignatura se profundizará en las metodologías que se nos ponen a disposición
para, aprovechando las nuevas tecnologías, hacer de la labor comercial y de
marketing, una función que impulse nuestro negocio. Cada vez el mercado está
más difícil, atrás quedaron los negocios que tenían éxito porque conseguían
reducir su competencia directa. No es que haya llegado el final para los que lo
hacían así, la clave principal es que ha llegado el momento de adaptarse de manera
obligada.

8
1.3. Ejemplo la tienda de barrio

La tienda de barrio ha tenido siempre varias cualidades que la han hecho superior
a otros establecimientos: Conveniencia, cercanía física, comodidad, servicio
cercano y agradable...todo esto sigue teniendo valor, pero hay que adaptarse, si
seguimos haciendo lo mismo será difícil que sobrevivan y, sin embargo, tienen
mayores capacidades que otros para escuchar al cliente y adaptarse a él. Ese trato
directo, ese producto adaptado a la demanda del mercado, esa cercanía ha sido la
base del marketing analítico, pero hay que escuchar, comprender, analizar,
estudiar...y actuar.

Ejemplo: Metodologías históricas para hacerse hueco en el mercado:

Tener un producto innovador

Llegar a un público exclusivo
Estar geográficamente en un lugar prioritario
Acceder a costes reducidos
Mejorar el producto de otros
Dar un servicio mejor que la competencia.

Todo lo anterior han sido metodologías que, por sí mismas, hacían que un negocio
tuviera éxito, pero la realidad del mercado actual es que son necesarias todas y
además hacerlas, centradas en el cliente. Para ser justos con todos los grandes
profesionales que cada día se emplean a fondo en mejorar sus productos, habría
que decir que la mejora de producto es una labor imprescindible y que forma
parte de la adaptación al cliente.

Lo importante pues, no es la adaptación en sí, la innovación para tener productos

mejores, la sofisticación para que nuestro producto tenga mayores capacidades...
la clave está en orientar todo ello al mercado, que es quien va a ser juez sobre
nuestra propuesta. Hay que empezar a olvidarse de estrategias centradas en
nosotros para pasar a diseñar e implantar estrategias centradas en el cliente.

9
1.4. Ejemplo de SEUR

Cuando entramos en servicios con una componente elevada de atributos

operativos, puede dar la impresión de que las “percepciones” no van con nosotros.
La realidad es que la percepción del cliente SIEMPRE es lo más relevante, aunque
nuestro producto sea sencillo y operativo, es importante que sepamos lo que el
cliente visualiza en él. Para los comerciales de servicios de transporte urgente,
grandes profesionales de la venta de servicios, está claro, si preguntamos a
cualquier persona que significa un servicio de entrega como el SEUR 10 (entrega
antes de las 10 de la mañana del día siguiente, muchos pensarán que la percepción
de todos es la misma porque el producto es bien sencillo. La realidad es que, cada
cliente, visualiza nuestros productos y servicios en función de la relación que
tenga con nosotros, debemos tenerlo en cuenta a la hora de exponer,
promocionar, comunicar y por supuesto vender nuestros servicios, la visión del
cliente suele ser distinta a la que tenemos nosotros desde dentro de la compañía.

Para una compañía como SEUR, entregar antes de las 10 de la mañana, supone un
elevado coste porque debe tener vehículos que recorran largas distancias por la
noche, personal en las naves para la asignación de rutas, costes de reparto a
primera hora, muchas rutas por si los destinatarios están a mucha distancia los
unos de los otros...

El argumento de venta y marketing de un servicio tan sencillo nunca debería

basarse en “lo que nos cuesta”, ni en “la cantidad de furgonetas que hemos tenido
que preparar para llevar todo a tiempo” ni en “lo costosas que son nuestras naves
para hacer el cross docking de paquetería”.

El argumento del cliente no quiere saber lo que nos cuesta, quiere que su envío se
entregue en hora y entiende que mayores exigencias horarias, tienen mayor coste.
Esto tiene una lectura negativa y otra positiva:

Lectura negativa: Cuando nuestro producto tenga un coste, no podremos

imputarlo de manera directa y sin mucha justificación, al cliente, sin la
debida explicación, antelación y más propio de empresas que negocian con
empresas, no muy habitual en el B2C.
Lectura positiva: Cuando, independientemente de los costes, podamos

10
 ofrecer mayor valor a un cliente, hagámoslo saber, lo de menos es lo que
nos haya costado, si conseguimos que el cliente aprecie que le estamos
aportando valor, lograremos entrar en el mundo de la generación de la
venta y el marketing centrado en el cliente.

No se trata pues de hacer las cosas mejor desde nuestro punto de vista (es
bastante obvio que entregar a las 04:00 de la madrugada es “más rápido” que
entregar a las 10:00, pero también es bastante probable que el cliente perciba
mayor valor recibiendo su entrega cuando ya está en su puesto de trabajo y no
recibiéndola a una hora tan poco “centrada en el cliente” como las 04:00.

11
1.5. El deber ineludible: comprender al cliente

El marketing de producto siempre ha sido importante, el marketing promocional

ayuda, pero nos encontramos ante una necesidad imperiosa de migrar hacia el
marketing de cliente, donde las estrategias se centren en él y en sus necesidades.

Por todo ello, lo primero que debemos concluir es que, es realmente importante
conocer las necesidades de los clientes, para ello hay muchas herramientas del
marketing modernos que nos van a ayudar, mucho más en entornos digitales,
donde la información se ha logrado que sea accesible y analizable de una manera
sencilla y al alcance de todos.

En marketing digital, nos encontramos con numerosas herramientas que nos

facilitan en análisis de datos para la toma de decisiones, pero no nos olvidemos, se
trata de centrar nuestras estrategias en el cliente, no se trata de tener mucha
información ni grandes informes con clasificaciones de clientes y segmentaciones,
se trata de saber utilizarla entendiendo cómo se comporta el cliente. Es
importante que comprendamos a nuestro cliente porque, habitualmente, no tiene
la misma visión que el propietario de la compañía. Hay que averiguar cómo se
relaciona con nuestros servicios... y adaptarnos.

Ojo, no se trata de hacer lo que el cliente diga, sino que se trata de entender lo
que motiva su comportamiento y ser consecuente con nuestra adaptación.

12
2. Eficiencia comercial basada en el Data Mining

2.1. Eficiencia comercial basada en el Data Mining

Ante la situación de las relaciones con el cliente con la que nos encontramos a día
de hoy, disponemos sin duda de numerosas capacidades a la hora de conocer,
analizar y extraer información de clientes, potenciales...

Lo primero que debemos hacer es tener claro que los análisis de las Bases de
Datos son un medio y no un fin. En ocasiones nos encontramos con grandes
Compañías en las que, por disponer de un área especializada en las labores de
Data Mining, tenemos el riesgo de convertir la generación de informes en el fin de
esta función.

Lo importante no es conocer al cliente, aunque el mero hecho de conocerle es

útil. Lo importante de estas funciones de Data mining es generar valor. Por
ello, deberíamos orientar toda nuestra labor de análisis en la búsqueda de
generación de Valor para nuestra compañía. Adicionalmente y como manera
de generar valor, las compañías crecen a base del crecimiento con clientes,
por lo que el Data Mining debe hacer análisis que hagan crecer a los clientes,
vendiéndoles productos adaptados, incrementando la venta cruzada y en
definitiva, haciendo que nuestros clientes crezcan en valor. Un buen análisis a
través de Data Mining, es aquel que hace que nuestro cliente pase a ser más
rentable para nosotros, que nos compre más, que sea más fiel..., que tenga
mayor valor.

Y es que hay muchas maneras de generar valor en nuestro cliente, no siempre se

trata de conseguir mayores ventas, sino de conseguir que la fórmula del valor
proporcionado por ese cliente, le haga aportarnos cada vez mejores resultados.

13
2.2. Generación de resultados

Las labores de Data Mining deben estar orientadas a la generación de resultados

en la compañía, que conseguiremos si analizamos a los clientes y conseguimos,
mediante la atención personalizada, la oferta a medida o la gestión comercial
eficiente. De esta manera, conseguiremos que los análisis se traduzcan en
acciones que nos traigan beneficios.

Generamos más valor en un cliente, además de cuando conseguimos que nos

compre:

Cuando conseguimos, mediante la adaptación de la oferta, venderle

nuevos productos que generen rentabilidad

No cualquier producto a cualquier precio sino productos que aporten.

Cuando conseguimos una mejora en volumen o en precio

Porque vemos que el cliente admite subidas, porque le ofrecemos descuentos

por volumen para ser los únicos elegidos...

Cuando conseguimos gastarnos menos en un cliente

potenciando la recogida en fábrica, distanciando las visitas comerciales...este

tipo de acciones no se pueden hacer sin analizar antes la tipología y el
comportamiento del cliente, ya que podemos estar ante clientes que nos
compran una vez cada dos años (y, por tanto, no conviene visitarles
semanalmente por ejemplo) y clientes que a lo mejor nos compran
semanalmente y a los que tenemos que visitar o llamar varias veces en
semana o bien procedimentar los pedidos para ahorrarnos esas visitas.

Con el correcto uso de los sistemas de información, los CRM y las labores de
análisis de datos (Data mining) debemos plantear el objetivo de lograr acceder no
al conocimiento de lo que hace el cliente sino más bien al conocimiento de lo que
va a hacer, ya que estos sistemas de Información generan algoritmos de
comportamiento, los cuales pueden llegar a definir modelos de propensión.

14
2.3. Ejemplo cambio de proveedor

Cuando un cliente cambia de proveedor, lo normal es que lo haga muchas veces

con comportamientos difícilmente detectables por las personas en grandes
compañías.

Primero, comenzarán a reducir sus compras.

En ese momento comenzarán a probar a la competencia.
Más tarde, espaciarán su frecuencia de compra.
Después comenzarán a no hacer compras extraordinarias.
Luego, nos utilizarán con productos, quizás poco rentables, pero en
cualquier caso residual.
Más tarde, ya estarán en la competencia y será difícil recuperarlos porque,
la realidad es que no se fueron ayer, sino que han estado yéndose durante
tiempo.

El análisis de información debe prevenir estos comportamientos y, cuando vea

indicios, proponer actuaciones para evitar la fuga, potenciar la venta sobre el
cliente en fase de fuga, y conseguir revertir la situación.

15
2.4. Ejemplo bancario

Un cliente con ahorros en un banco primero empieza a hacer transferencias de sus

ahorros, luego deja de utilizar nuestra tarjeta de pago, más tarde dejamos de
recibir su nómina, empiezan a entrar menos recibos...y se marcha a la
competencia.

Los Aplicativos CRM y las estructuras de minería de datos, deben facilitar la

detección de estos comportamientos, por ejemplo, en el CRM de un banco se
suele definir la variación de saldos que puede disparar una alarma de posibilidad
de fuga (por ejemplo, propone una actuación comercial sobre un cliente cuando
ha bajado un 20% en la realización de movimientos, o si el consumo de su tarjeta
ha bajado un 30% respecto de la media anual).

Ya no se trata pues de generar nueva venta, sino también de proteger el negocio

actual.

La generación de resultados a través de Data Mining y CRM debe venir por las dos
vías:

Generación de nuevos ingresos basados en rentabilidad.

Freno a la salida de actuales clientes que sean rentables.

Analizando bien al cliente, a partir de su comportamiento, tendremos sus

propensiones, pero se trata habitualmente y sobre todo en mercados masivos, de
un análisis que hay que automatizar para que sea práctico.

Como orientación principal, debemos siempre

plantearnos el análisis teniendo una orientación a la
acción, analizamos para sacar información, y sacamos
información para actuar, generar negocio rentable y
conseguir mejores resultados gracias a ese
conocimiento del cliente y del mercado.

Los Sistemas de análisis de clientes analizan habitualmente la cartera de clientes,

aunque también pueden cargarse los sistemas con bases de datos de “potenciales
clientes" sobre los que establecer paralelismos con los actuales para saber o intuir
sus comportamientos y poder actuar comercialmente de una manera más dirigida.

La base de datos de nuestros clientes son la base de nuestro negocio presente y

nuestro futuro, hay que analizarla para que sirva como base para la toma de
decisiones, es importante que estemos pendientes de nuestro cliente, ya que los
estudios más analíticos indican que cuesta 7 veces más ingresar lo mismo con un
“no cliente” que hacerlo con un “ya cliente”.

Habitualmente, nos encontramos Compañías en el mercado que lastran o

16
perjudican su marca no atendiendo debidamente a sus clientes, los conocen, les
venden, ya han llegado a cierto hábito...y los olvidan.
En ocasiones incluso, tratan mejor a los “no clientes” en
un afán por conseguir crecer.

17
2.5. Análisis de clientes

Analizar a nuestros clientes significa tratar de buscar la mejor manera de generar

valor a partir de lo que ya los conocemos.

Ejemplo: Producto

Conocer a un cliente nos ayuda a definir productos adecuados a sus necesidades,

muchas veces porque forma parte de un segmento con ciertos hábitos y muchas
otras veces porque su comportamiento nos indica que va a necesitar el producto.

Ejemplo: Precio

Siempre que analicemos a nuestros clientes, conviene revisar si sus precios están
alineados con su aportación de valor.

No se trata únicamente de sacar argumentos para subir precios, se trata de

reflexionar si un cliente está cumpliendo, por ejemplo, con su compromiso de
volumen de compras que firmó para conseguir un buen precio...

El análisis de los clientes y sus precios suele ser una de las materias de análisis más
complicadas por entrar en el centro de las negociaciones, pero a la vez es la que
mayor valor aporta a las compañías. No se trata de marcar los niveles de precios
que más beneficio nos dejen, sino de articular fórmulas de servicio-producto-
volumen-precio, que dejen las negociaciones fundamentadas en datos objetivos.

El estudio de la cartera de clientes es primordial, nos debe ayudar a tomar

decisiones y asignar recursos, ya que son la base para la existencia de la empresa y
una auténtica plataforma para su desarrollo, cuando analizamos la cartera de
clientes en función de su rentabilidad, luego podemos saber qué cantidad de
recursos podemos aplicar a cada cliente, cuanto nos debemos esforzar en
mantenerlo y, sobre todo, cuanto NO nos merece la pena ofrecer.

El análisis ABC de clientes sirve para segmentar la cartera de clientes y conocer

cómo se estructura el riesgo de la empresa, ya que habrá clientes tipo A con los
que habrá que tener cuidado porque perderlos supone un riesgo, porque forman
nuestra base, garantizan nuestra estructura, asumen costes fijos y son al fin y al
cabo los que nos ayudan a mantener nuestro modelo de negocio.

El análisis ABC de clientes tiene en cuenta la rentabilidad, aunque no es el objetivo

que se persigue, ya que puede haber clientes muy rentables pero que significan
poco para la compañía, por volumen o por impacto cualitativo. El ABC sirve sobre
todo para analizar cómo se generan los resultados dentro de cada bloque de
clientes. A efectos de asignación de recursos comerciales y de marketing, son el
termómetro que nos ayudará a repartir los recursos de los que disponemos, de la
manera más eficiente posible.
18
Y como el CRM y los análisis comerciales, son al final los que impulsan las
actuaciones de nuestra red comercial, debemos tener en cuenta que la
implantación de estos sistemas que, en cierta medida automatizan procesos
comerciales, debe contar con sus usuarios finales, Los Comerciales.

El CRM debe ayudar a la venta, no tiene sentido implantar un CRM si los

comerciales no lo usan. Hablamos de marketing y muchas veces se nos olvida la
importancia del mercado interno, el cual al final va a ser el motor de nuestro
negocio; es un mercado más, tan importante o a veces incluso más que el externo,
experiencias de fracaso muy habituales han tenido sus errores en montar
estructuras de análisis de datos y CRMs sin contar con los comerciales, con sus
procesos habituales, con sus exigencias, y más en concreto, con todo aquello que
pueda ayudarles a vender más y mejor.

Cliente Usuario: Los Comerciales

El mercado interno debemos analizarlo con valentía, sin temer preguntas ni

respuestas, sometiendo cada iniciativa en materia comercial a quienes van al final
a llevarlas al mercado. En la implantación de CRMs en redes comerciales, habrá
que ir adaptando el lenguaje y sobre todo facilitando siempre información sobre lo
que se hace, para que vean que se utilizan sus comentarios y aportaciones, hay
que preguntar aquello sobre lo que se está dispuesto a actuar, pero sobre todo
hay que estar dispuesto a asumir errores y trabajar para mejorarlos.

Cliente Destino: Los Clientes

La satisfacción de clientes hay que medirla, pero sobre todo hay que saber qué es
lo que está generando esa satisfacción porque aumentando el número de clientes
satisfechos, podremos luego construir acciones que persigan su fidelización y
como último paso, conseguir su recomendación para que sean nuestros
embajadores. Los análisis de información de nuestras bases de datos deben
orientarnos para introducir planes de acción que contribuyan a la aceleración del
ciclo relacional de los clientes:

Nivel 1: Nuevo cliente.

19
 Nivel 2: Cliente satisfecho.
Nivel 3: Cliente fiel.
Nivel 4: Cliente leal.
Nivel 5: Cliente que nos recomienda.

Una de las variables más olvidadas de los Data Minings son los grados de
satisfacción de la clientela, ya que suelen llevarse en estudios aparte y se pierde
esa información que nos ayude a generar negocio. No nos interesan
especialmente los clientes satisfechos porque el objetivo de un negocio sea la
“satisfacción en el mundo”. Los negocios persiguen clientes satisfechos en tanto
en cuanto esa satisfacción puede convertirse en fidelización y lealtad a la marca,
sobre todo porque estos estados de relación hacen al cliente más propenso a las
propuestas que les enviemos y más resistentes a la fuga.

Y finalmente, queremos clientes satisfechos porque solo así serán fieles y será
imprescindible que estén satisfechos para que luego nos recomienden, que es el
estado máximo de relación con un negocio y es al que debemos orientar nuestros
esfuerzos.

Si analizamos bien nuestra base de datos e implantamos modelos de Data mining

y de CRM bien orientados a la generación de negocio, iremos sabiendo qué es lo
que tenemos que hacer sobre cada segmento de clientes en cada momento, para
aumentar su satisfacción, por eso es conveniente que la carga de datos de los
estudios de satisfacción, estén realizadas en los CRM.

20
2.6. Análisis de satisfacción
Queremos saber cómo de satisfechos están los
clientes, pero... ¿cómo y a quién preguntamos? Lo más
importante de los análisis de satisfacción es que sean
lo más realistas posible, para ello, evitemos algunos
errores comunes:

Evitemos que nuestro propio personal pregunte

por su servicio al cliente, que un vendedor de
una tienda pregunte físicamente o que un
telefonista pregunte por teléfono es igual de
nocivo que dejar a un comercial que rellene el
cuestionario en casa del cliente. Ante estas situaciones y salvo desacuerdos
graves, el cliente sesgará sus respuestas favoreciendo a nuestros
empleados, por lo que el estudio no será real.
Evitemos utilizar solo una metodología, por ejemplo, la encuesta. Tratemos
de combinar con otros criterios que complementen justifiquen o ayuden a
interpretar resultados.
Evitemos no tener en cuenta datos de calidad de servicio y datos objetivos
del cliente. Es importante que sepamos que un cliente ha tenido dos
productos averiados en el año y que por eso su valoración ha sido mala, no
porque le hayan tratado mal desde la red comercial sino por calidad del
producto.

En definitiva, evitemos aislar, condicionar o sesgar los resultados, preguntemos

adicionalmente y de manera exhaustiva a todo el personal que tiene trato con el
cliente para tratar luego de hacer un análisis más cualitativo que pueda traducirse
en planes de acción concretos.

La satisfacción debe analizarse de manera segmentada porque cada segmento

puede percibir una cosa, no es TAN importante lo que ofrezcamos desde nuestra
compañía como la percepción que les genera a nuestros clientes lo que les
ofrecemos, ellos no valoran nuestro producto sino lo que les resolvemos con
nuestros productos y servicios.

Y, posteriormente, sobre todo en el caso de grandes clientes, hagamos planes de

acción personalizados e instauremos la figura del KAM (los Key Account
Manager), que son profesionales que se encargarán de clientes concretos porque
estos tienen una cifra importante de negocio y un riesgo para la empresa que
justifica que haya un profesional en exclusiva dedicado a ellos, analizando sus
tendencias, anticipándose a sus necesidades y tratándoles de tal forma que les
saquemos el máximo partido. Cuando vamos a masas de clientes y no tenemos
clientes especialmente grandes, no suele haber entonces Key Account Manager,
sino que CRM propone actuaciones comerciales por segmentos.

21
3. Business Intelligence y Big Data – Historia y
características

3.1. Historia del Business Intelligence

Cuando los dedos y la memoria no eran
suficientes apareció la invención del
ábaco que supuso un empuje en el
cálculo y análisis, y las primeras
bibliotecas representaron además un
primer intento de almacenar datos. En la
actualidad, todo lo que deja un rastro
digital que se puede utilizar y analizar;
los avances en tecnología, junto a la
expansión de Internet y el
almacenamiento en la nube, han
provocado que crezca la cantidad de
datos que podemos almacenar.

La Historia del Business Intelligence

1956
IBM inventa las unidades de disco duro, que llegaron a
particulares y empresas de la mano de los PC.

1958
El investigador de IBM, Peter Luhn, utiliza el concepto
Business Intelligence. Sus investigaciones fueron
cruciales para entender el potencial del análisis de

22
datos para mejorar las decisiones de negocio. Se le
considera el padre del término inteligencia de negocio.

Década de 1970
SAP y otras empresas desarrollan aplicaciones de
negocio que facilitaban la introducción de datos en
base de datos.

Década de 1980
Las bases de datos evolucionan y permiten almacenar
datos de diversas fuentes en una única base de datos.

Década de 1990
Se empiezan a desarrollar y comercializar más
herramientas de inteligencia de negocios, algunas
empresas pioneras empezaron a darse cuenta del
potencial y empiezan a utilizarlas.

Finales de los 90 y principios del año

2000
Fue cuando realmente se empezó a entender el
potencial del uso de los softwares de Business
Intelligence. El mercado tuvo un auge de fabricantes y
proveedores de este tipo de herramientas.

2007
Por primera vez en la historia, se generó más
información en un año de lo que se había producido en
los cinco mil años anteriores -el período transcurrido
desde la invención de la escritura-.

23
El problema de las primeras herramientas de BI (década de los 90) es que eran
poco intuitivas y difíciles de usar. Además, para generar informes y acceder a la
información, un usuario sin conocimiento específico debía recurrir a los servicios
del departamento de IT.

Estas soluciones empezaron a mejorar a finales de los 90 y principios del 2000,

haciéndose cada vez más intuitivas para cualquier profesional, y no era necesario
tener conocimientos informáticos. Para recopilar y analizar la información sin
tener que recurrir al departamento de IT. El reto que surgió en ese momento es
que fuesen capaces de proporcionar información segura y confiable.

En los últimos años, el desarrollo y el uso de este tipo de herramientas han

crecido. Teniendo en cuenta que las fuentes de datos se han multiplicado, ha
aumentado la complejidad para extraer conocimiento relevante de la información.
Las herramientas de Business Intelligence se han ido haciendo más sofisticadas y
son hoy en día muy potentes, capaces de analizar y procesar infinidad de datos, de
infinidad de fuentes y de ayudar a las empresas a extraer conclusiones para
mejorar sus cifras de negocio.

24
3.2. El Big Data

El Big Data son conjuntos de datos o combinaciones de conjuntos de datos cuyo

tamaño, velocidad de crecimiento y complejidad dificultan su gestión y análisis
mediante herramientas convencionales (bases de datos relacionales y estadísticas
convencionales). Tras recabar esta información procedemos a su análisis para
encontrar información oculta, patrones recurrentes, nuevas correlaciones, etc...
Nos permite obtener un conocimiento en tiempo real. Actualmente, el tamaño
para almacenar todo el proceso ha ido aumentando para poder recopilar e integrar
toda la información.

Big Data es un término que describe el gran volumen de datos, tanto

estructurados como no estructurados, que inundan los negocios cada día. Lo que
importa del Big Data es lo que las organizaciones hacen con los datos. Big Data lo
utilizan para obtener ideas que permiten tomar mejores decisiones y movimientos
de negocios estratégicos.

25
3.3. Las 5 Vs del Big Data

Volumen - Velocidad - Variedad - Veracidad - Valor

Volumen

Volumen. Captar y organizar toda la información que nos llega

para tener registros completos y actualizados y que las
conclusiones de esta información nos permitan optimizar
nuestra toma de decisiones. Es el Business Intelligence que
todos conocemos, pero con mayor volumen de datos.

26
Velocidad

Velocidad. Es importante el tiempo si afrontamos tanto la

necesidad de generar información (gran volumen de datos)
como de analizarla. Necesitamos reaccionar de inmediato el
proceso hay que agilizarlo para extraer valor de negocio a la
información que se estudia y que no se perdamos la
oportunidad frente a nuestros competidores.

Variedad

Variedad. Hay que unificar toda la información, los datos van a

ser heterogéneos. Una de las fortalezas del Big Data reside en
poder cruzar y combinar cada tipo de información y su
tratamiento específico para alcanzar una información más
homogénea.

Valor

Valor. El uso del Big Data sirve para aportar valor a la sociedad,
las empresas, y al país, en conclusión, a las personas; este
proceso de ayudar al desarrollo, la innovación y la
competitividad, además mejora la calidad de vida de los
habitantes.

Veracidad

Veracidad. Es la calidad del dato y su disponibilidad. Hay que

encontrar herramientas para confirmar la información recibida
las tecnologías son imprescindibles y eficientes para afrontar
los retos.

27
3.4. Tipos de datos en Big Data

Se dividen en dos categorías, para su análisis: estructurados y no estructurados.

Datos estructurados
Son datos que tienen longitud y formato, y que pueden ser almacenados
algunos ejemplos son: los censos de población, las encuestas, los datos de
transacciones bancarias, las compras en tiendas online, etc.

Tipos de datos estructurados:

1. Creado

Las empresas de datos generan mucha información para la investigación de

mercados. Un ejemplo puede consistir en elaborar encuesta a clientes.
También pueden ser otros métodos (p. e., un programa de fidelización que
recopila información de los consumidores).

2. Provocado

Las personas expresan sus opiniones y generan un gran volumen de datos (p.
e., cuando el cliente valora un restaurante o la experiencia de compra).

3. Tramitado

Las empresas recogen datos sobre todas las transacciones completadas, si la

compra se ha completado a través de un carrito de la compra online o
directamente en el punto de venta (p. e., cliente hace clic en un anuncio del
Home o un banner en Google que les conduce a las páginas del producto que
van a comprar).

4. Experimental

Cuando las compañías experimentan con distintas acciones de marketing y

mensajes para ver cuáles son los más efectivos hacia los consumidores. Son
una combinación de datos creados y transaccionales.

28
 Datos no estructurados
Son datos que no son almacenados en una base de datos tradicional. La
información no estructurada no puede ser almacenada en estructuras de
datos relacionales predefinidas.

Se pueden clasificar en dos:

1. Datos no estructurados y semiestructurados.

Datos que no residen de bases de datos relacionales. No se incluyen

fácilmente ni en filas, columnas, ni campos y se podría decir que no tienen una
estructura rígida. Pero, presentan una organización interna que facilita su
tratamiento (documentos XML y en bases de datos NoSQL).

2. Datos de tipo texto y no-texto.

Son datos de tipo, no estructurados en formato texto (datos generados en las

redes sociales, foros, e-mails, ...). Los datos no-texto son ficheros: de imágenes
JPG, ficheros de audio mp3 o ficheros de video tipo flash.

Web y redes sociales

Incluye contenido web e información que es obtenida de las redes sociales
como Facebook, Twitter, LinkedIn, etc.

Otros tipos de datos en Big Data:

1. Machine-to-Machine (M2M)

Son tecnologías que permiten conectarse a otros dispositivos. Se produce, un

intercambio de información o comunicación de datos entre 2 máquinas
remotas. También llamada IoT (Internet of things). Un ejemplo de esto son las
aspiradoras inteligentes, que puedes programar desde tu móvil, para que
limpien la casa mientras tú estás fuera.

29
2. Biométricas

Son los datos biométricos. Como pueden ser las huellas digitales,
reconocimiento facial, etc. Los datos biométricos han sido información
importante para las agencias de investigación y seguridad. Un ejemplo en
nuestro día a día puede ser el desbloqueo del iPhone mediante huella dactilar.

30
Actividades

Actividad

Selecciona de cada desplegable la opción que hace el enunciado

completo correcto.

Nos encontramos ante una necesidad imperiosa de migrar hacia el

marketing de promoción , donde las estrategias se centren en

el cliente y en sus necesidades.

Actividad

Generamos más valor en un cliente, además de cuando conseguimos

que nos compre, cuando... (Selecciona todas las respuestas correctas.)

Conseguimos, mediante la adaptación de la oferta,

venderle nuevos productos que generen rentabilidad.

Cuando conseguimos vender más aunque gastemos más

en un cliente.

Cuando conseguimos una mejora en volumen o en precio.

Actividad

Relaciona ambas columnas según verdad:

31
Volumen Es la calidad del dato y
su disponibilidad.

Valor
Captar y organizar toda
la información que nos
Veracidad
llega para tener
registros completos y
actualizados y que las
conclusiones de esta
información nos
permitan optimizar
nuestra toma de
decisiones.

El uso del Big Data sirve

para aportar valor a la
sociedad, las empresas,
y al país, en conclusión,
a las personas; este
proceso de ayudar al
desarrollo, la innovación
y la competitividad,
además mejora la
calidad de vida de los
habitantes.

32
4. Diferencias entre Big Data y Business Intelligence

4.1. Diferencias entre Big Data y Business Intelligence

Big Data y BI son tecnologías que se usan para analizar datos y ayudar a nuestra
empresa en la toma de decisiones, pero existen diferencias entre estos términos, y
es que son distintos tanto en el proceso, como en los datos que se analizan.

El BI se basa en el proceso de agrupar todos los datos empresariales en un

servidor central. Los datos los analizan de manera off-line, después se
almacena esta información en un entorno denominado Data Warehouse
(almacén de datos).
En Big Data los datos se almacenan en un sistema de ficheros distribuido,
en lugar de en un servidor central. Es mucho más seguro y flexible.

Sin embargo, el Big Data:

El Big Data lleva las funciones de proceso a los datos, en lugar de los datos
a las funciones. Al estar el análisis centrado en torno al dato, esto permite
manejar cantidades más grandes de información de forma más ágil.
Big Data puede analizar datos en diferentes formatos (estructurados y no
estructurados). El volumen de datos no estructurados (aquellos no
almacenados en una base de datos tradicional) está creciendo a niveles más
que los datos estructurados. Las soluciones de Big Data los solventan
permitiendo un análisis global de distintas fuentes de información. Los datos
procesados por las soluciones de Big Data pueden ser históricos o provenir
de fuentes en tiempo real.
La tecnología de Big Data emplea conceptos de procesamiento paralelo
masivo (MPP), lo cual mejora la velocidad en el análisis, muchas
instrucciones se ejecutan a la vez al final se unen y se presentan los
resultados de forma global. El beneficio es que analizas grandes volúmenes
de información de forma rápida. Por ejemplo, les permite eliminar las áreas
problemáticas antes de que afecte a sus beneficios o su reputación.
Además, ayuda a las empresas a aprovechar sus datos y utilizarlos para
identificar nuevas oportunidades (negocios inteligentes, operaciones
33
eficientes, mayores ganancias y clientes más felices).

34
4.2. Beneficios del uso de Big Data

Reducción de costes y mejorar la eficiencia. Almacenan grandes cantidades

de datos, además de identificar maneras más eficientes de hacer negocios.
Planes estratégicos de Marketing. Se puede tanto analizar como predecir el
comportamiento que van a tener nuestros usuarios en la red. También nos
permite conocer qué piensan los clientes de nuestra marca o un producto
específico. Y sobre todo cuáles son sus necesidades reales, para podernos
adelantar a nuestra competencia.
Nos permite tomar mejores decisiones, y de una manera más rápida.
Capacidad de analizar nuevas fuentes de datos. Las empresas pueden
analizar la información de forma inmediata en tiempo real, y tomar
decisiones basadas en lo aprendido.
Nuevos productos y nichos de mercado. Al medir las necesidades de los
clientes y la satisfacción a través de los análisis y sus datos, tenemos el
poder de anticiparnos a lo que los clientes quieren. Con la analítica de Big
Data, más empresas están creando nuevos productos para satisfacer las
necesidades de los clientes. Además de la creación de nuevos nichos de
mercado, que antes no tenían esa necesidad.

En la actualidad, tenemos una información adicional que ya no se encuentra

dentro de los dominios de la empresa. Esa información, viene de los datos
generados, por ejemplo, con comentarios o likes en rrss, datos estadísticos de
terceros, etc. Estos datos nos van a dar una información fiable, que nos permite
saber si nuestros productos funcionan o no.

35
4.3. Una ventaja: La combinación híbrida

En la actualidad, los sistemas basados en soluciones híbridas son muy comunes,

puede tratarse de un período de transición como resultar conveniente para
satisfacer las necesidades de la empresa. A la hora de implementar tecnologías de
Big Data junto con herramientas de Business Intelligence y almacenes de datos
convencionales. Como, por ejemplo, optimizar los procesos dentro de la
organización, conocer mejor al cliente y tomar mejores decisiones.

36
5. Herramientas BI y Big Data

5.1. Herramientas BI

Ventajas de los programas de Business Intelligence:

Analizan información interna y externa de diferentes fuentes y sistemas.

Amplían la capacidad de análisis y de reporting.
Realizan proyecciones de futuro fiables en base a datos reales.

Herramientas de BI

1. IBM Cognos

Son accesibles a través de una interfaz web. Tiene una amplia gama de
productos de Business Intelligence. Esta especialmente indicado para análisis
de datos en el front-end, su Report Studio es muy bueno.

2. Microsoft Power BI

Tiene una extraordinaria integración con otras herramientas de la propia

marca. Permite el trabajo mediante voz con Cortana, con datos alojados en
Azure, pasando por SQL Server o Excel, donde podremos ampliar los gráficos
y diagramas habituales de este programa de una forma masiva. Además, su
versión gratuita es sencilla para cualquier usuario.

3. Tableau

Pueden crearse dashboards visuales y responder preguntas de negocio de

forma sencilla, agrupan datos de distintas fuentes y puede cargar
descripciones emergentes con información adicional, excluir valores atípicos o
visualizar datos en varias dimensiones geográficas al mismo tiempo.

37
4. Pentaho

Tiene un procesamiento de datos en tiempo real. Es una herramienta de

código abierto, puede proporcionar una gran flexibilidad y recientemente se
convirtió en una nueva empresa comercial que podría producir soluciones aún
más robustas.

5. Tibco

TIBCO Spotfire es una herramienta de BI bastante versátil y con una gran

comunidad online. Su principal ventaja se encuentra en el análisis de los
procesos de ventas y la experiencia de cliente.

6. Azure Analysis Services

Pertenece a Microsoft. Es de uso exclusivo en la nube, permite visualizar los

datos con distintas herramientas de datos (por ejemplo, Power BI),
caracterizándose por su gran velocidad y disponibilidad, así como por su
capacidad para conectar datos operativos en tiempo real con DirectQuery.

7. Oracle

posee una solución de BI específica para cada caso de uso y que integra
muchas de estas funcionalidades en sus principales soluciones de negocio.
Especialmente recomendado para análisis de datos en bases de datos SQL.

8. SAP Business Objects

permite convertir datos (financieros y procedentes del ERP de la firma) en

información útil, distribuyéndola a los ejecutivos que la necesiten. Además,
permite completar esos datos con otras fuentes externas y consumir los
resultados desde cualquier dispositivo. Dispone de un completo panel de
control muy completo, pero su uso no es sencillo. Es el más completo a la hora
de examinar procesos de negocio.

38
5.2. Herramientas Big Data

Hadoop

Es la herramienta de Big Data más utilizada, la utilizan compañías como

Facebook o The New York Times. Es una de las herramientas más habituales
para procesar datos, es capaz de gestionar y analizar grandes volúmenes de
información. Fue la primera plataforma que se creó y ha servido como modelo
a seguir por las demás.

Apache Storm

Es una herramienta de Big Data open-source que puede ser usada con
cualquier lenguaje de programación. Permite analizar flujos constantes de
información con gran rapidez. Es capaz de procesar millones de datos en
cuestión de segundos, y las empresas la utilizan para obtener la información
que se genera en las redes sociales o para conocer cómo los usuarios están
utilizando los servicios que ofrece la empresa.

Python

Su principal ventaja es que está destinada a cualquier usuario con nociones

mínimas de informática. Es una herramienta muy eficiente porque en torno a
ella se crea una gran comunidad de usuarios, aunque su principal
inconveniente es que el proceso de ejecución es más lento que el de otros
programas similares.

Elasticsearch

Este sistema procesa grandes cantidades de datos a gran escala en tiempo real
y con información de cualquier tipo. Además, ayuda a entender mejor los
datos mediante diversos tipos de gráficos que evolucionan en tiempo real,
usando aquellos que mejor se adapten para encontrar las respuestas a las
preguntas que se plantean.

Apache Spark

Motor de procesamiento de datos de código abierto que funciona con gran

rapidez. Se considera el primer software open source. Se pueden programar
aplicaciones usando diferentes lenguajes como Java, Scala, Python o R.

39
MongoDB

Pertenece a las bases de datos NoSQL y está orientada a entornos que

requieren escalabilidad. Se está convirtiendo en una alternativa para
almacenar los datos de las aplicaciones de los usuarios.

Lenguaje R

R es un entorno y lenguaje de programación enfocado mayormente al análisis

estadístico, ya que es muy parecido al lenguaje matemático; aunque también
se emplea para el análisis de Big Data. Cuenta con una extensa comunidad de
usuarios, por lo que hay disponible una gran cantidad de librerías. R es muy
usada por estadistas y data miners.

40
6. Usos del Big Data

6.1. Usos del Big Data

En la actualidad los aspectos más cotidianos de nuestras vidas se ven afectados

por el Big Data. Cuando utilizamos modo aleatorio el reproductor streaming de
Spotify o Netflix, cuando usamos el GPS en Google Maps o pedimos un Cabify,
cuando Amazon nos presenta las recomendaciones de compra en base a nuestros
gustos, en Twitter nos muestra los trending topics.

1. Segmentar y entender a los clientes

2. Optimizar los procesos de negocio
3. Cuantificar y optimizar el rendimiento personal
4. Mejorar la salud
5. Mejoran el rendimiento deportivo
6. Optimizando el rendimiento de máquinas y dispositivos
7. Mejorar y optimizando las ciudades

Veamos ahora con detenimiento estos usos.

41
6.2. Primero. Segmentar y entender a los clientes

El marketing y ventas son las áreas de mayor aplicación de big data. Se usan para
comprender mejor a los clientes, sus preferencias y comportamientos de compra.
Las empresas amplían los centros de datos tradicionales con las de redes sociales.
El objetivo principal es crear modelos predictivos. Incluso las campañas
electorales pueden optimizarse gracias a big data analytics. Un ejemplo de esto es
que las elecciones presidenciales en varios países las han ganado los partidos con
mayor capacidad de entender y aplicar el análisis de datos para buscar las
preferencias de votantes y llegar a ellos por sus canales preferidos (redes sociales).

42
6.3. Segundo. Optimizar los procesos de negocio

Las empresas de retail están optimizando su stock basándose en predicciones

generadas gracias a datos de redes sociales (influencers) tendencias de búsquedas
en la web y predicciones meteorológicas. Se puede realizar un seguimiento de las
mercancías y vehículos de reparto, optimizando las rutas, integrando datos de
tráfico en tiempo real. Los procesos de recursos humanos también están siendo
optimizados por el análisis del big data. Desde la detección y adquisición de
talento, como en la película Moneyball, hasta la medición de la cultura empresarial
y la involucración de la plantilla gracias a herramientas de big data.

43
6.4. Tercero. Cuantificar y optimizar el rendimiento personal

No solo es para empresas y para instituciones públicas. Como consumidores

finales nos beneficiamos de los datos generados por dispositivos wearables como
smartwatch o pulseras de actividad. Estos dispositivos registran automáticamente
datos de consumos de calorías (Fitbit), niveles de actividad y condición física
(Google Fit, Apple Watch), o patrones de sueño. Aunque a nivel particular ya nos
desvelan información interesante, el verdadero valor reside en analizar el conjunto
de datos de todo el colectivo. Una de estas empresas, Jawbone, recoge en torno a
60 años de datos de sueño cada noche. Analizando estos volúmenes de datos
desvelarán insights que beneficiarán a todos los usuarios.

44
6.5. Cuarto. Mejorar la salud

La capacidad de procesamiento de plataformas de análisis de Big Data nos permite

ya descodificar cadenas enteras de ADN en cuestión de minutos y permitirá
encontrar nuevos tratamientos y comprender mejor las enfermedades, sus
desencadenantes y los patrones de propagación. Los ensayos clínicos del futuro
no tendrán que estar limitados a muestras pequeñas, sino que todo el mundo
podrá formar parte.

Las técnicas de big data ya se emplean, por ejemplo,

para monitorizar bebés en la unidad de neonatos de un
hospital en Toronto. Graban y analizan latidos y el
patrón de respiración de cada bebé, la unidad ha
desarrollado unos algoritmos que pueden predecir
infecciones 24 horas antes de que los primeros
síntomas aparezcan. De esta manera, el equipo médico
puede intervenir y salvar vidas en un entorno en el que cada hora cuenta.

El análisis de datos masivos también se utiliza a la hora de controlar y predecir la

evolución de las epidemias y de enfermedades. Otras aplicaciones científicas
prácticas llevan más tiempo: reconocimiento del habla, procesamiento imágenes
en el cerebro para ciegos..., pero es con el big data cuando los resultados están
consiguiendo avances significativos.

45
6.6. Quinto. Mejoran el rendimiento deportivo

Los deportistas de élite están ya adoptando técnicas de análisis de grandes

volúmenes de datos. En tenis por ejemplo se utiliza la herramienta se usa en los
torneos más importantes del mundo (Wimbledon, Roland Garros, Open de
Australia). La plataforma lleva registrados más de 8 años de datos de Grand Slams
(unos 41 millones de data points) para determinar patrones y estilos de jugadores
ganadores.

46
6.7. Sexto. Optimizando el rendimiento de máquinas y
dispositivos

El análisis de big data está ayudando a máquinas y dispositivos a ser más

inteligentes y autónomos. Un ejemplo que ya es una realidad, el coche sin piloto
de Google.

47
6.8. Séptimo. Mejorar y optimizando las ciudades

Mejorar aspectos de nuestras ciudades y países. La tecnología permite optimizar

los flujos de tráfico basándose en datos que llegan en tiempo real del tráfico, de
las redes sociales y del tiempo meteorológico. Smart Cities, donde la
infraestructura de transportes y los procesos de suministros trabajan juntos.
Ejemplos de esto es un autobús espera a salir por el retraso de un avión, las
señales de tráfico y semáforos actúan automáticamente para minimizar atascos.

48
Actividades

Actividad

Selecciona "verdadero" o "falso" según forme un enunciado correcto.

El BI se basa en el proceso de agrupar todos los datos empresariales

en un servidor central. Y en Big Data los datos se almacenan en un
sistema de ficheros distribuido, en lugar de en un servidor central.

Verdadero Falso
La tecnología de Big Data emplea conceptos de procesamiento
paralelo masivo (MPP), lo cual mejora la velocidad en el análisis.

Verdadero Falso
Un inconveniente del uso de Big Data es el aumento de costes.

Verdadero Falso

Actividad

¿Cuál de todas las opciones NO es un uso del Big Data? Selecciona la

única respuesta incorrecta.

Segmentar y entender a los clientes.

Mejorar la salud.

No poder optimizar el rendimiento de máquinas.

49
7. Ejemplos del uso de big data en nuestro día a día

7.1. Ejemplos del uso de big data en nuestro día a día

El big data es una de las herramientas con más potencial de futuro y con una
presencia más variada y de crecimiento elevado en las empresas del presente. Los
consumidores son seres complejos y las empresas están decididas a desentrañar
sus misterios y, para ello, echan mano de todo lo que ya saben de ellos para
establecer qué son y qué quieren. Los datos son un elemento de valor cada vez
mayor y su presencia es cada día más elevada. Para muchos, sin embargo, el big
data sigue siendo un concepto que se asocia a las empresas de nuevas
tecnologías, como si para triunfar en su uso hubiese que ser realmente techie y
como si sus aplicaciones no pudiesen salir de ese mercado. Nada más lejos de la
realidad: algunos de los grandes casos de éxito en la aplicación del big data llegan
desde compañías que nada tienen que ver con el mercado de las nuevas
tecnologías.

50
7.2. Caso Walmart

Así, por ejemplo, la gran cadena de supermercados que se convirtió en pionera en

el uso de big data y de las herramientas de análisis, consiguió por ello estar más
preparada para el huracán Katrina que las autoridades de Nueva Orleáns o las de
Estados Unidos. Mientras ellos no sabían muy bien qué hacer, la cadena de
supermercados tenía la lista de la compra de los consumidores para situaciones
similares clara y preparada para ser atendida.

Hay que olvidar, por tanto, que el big data es una

cuestión que solo funcionará para un perfil concreto de
empresas, ya que en realidad son muchas las que
pueden aprovecharse del mismo para afinar su
estrategia de producto. Diseñar qué se le va a ofrecer
al consumidor, adelantarse a sus peticiones o
convencerlos de que compren más son algunas de las aplicaciones que las grandes
empresas están dando ya a estas herramientas.

51
7.3. En la película Moneyball: Rompiendo las reglas
(2011)

Ocurrió en la pretemporada de 2002 en Oakland Athletics, en la liga de Béisbol de

los Estados Unidos. El gerente deportivo Billy Beane, revolucionó la historia del
club y del deporte al fichar a un joven economista, Peter Brand, que traía nuevas
ideas. Juntos contrataron jugadores infravalorados, pero económicamente
rentables, con un criterio de selección muy diferente. La intuición de los ojeadores
es sustituida por las conclusiones de los análisis de estadísticas y números
acumulados a la hora de establecer las necesidades del equipo y los jugadores que
mejor se adaptan a estas. Los equipos de la NBA ya tienen implantado el uso de
datos a la hora de preparar la estrategia en partido, mientras que la NFL tiene una
plataforma que ayuda con sus aplicaciones a tomar las mejores decisiones en base
a la analítica de datos: desde el estado de la superficie del césped, a las
condiciones climatológicas...todo está registrado y todo puede servir para sacar
conclusiones. Por ejemplo, prevenir lesiones en jugadores. Además, analiza las
preferencias de los aficionados gracias a su aplicación NFL Now, que ofrece la
posibilidad de que estos creen su propio canal con contenido variado de la NFL:
vídeos, divertidos, cheerleaders preferidas, información por equipos, por
jugadores, etc. Facilita para establecer acciones de marketing.

52
7.4. La reelección de Obama

El presidente Barack Obama, decidió utilizar Big Data para su reelección en 2012.
Un centenar de personas trabajaron en el departamento de analítica de la
campaña. 50 estaban fijos en las oficinas centrales, otros 30 se movilizaron en las
distintas sedes del país, y 20 estaban única y exclusivamente centrados en la
interpretación de los datos recibidos. Tras un primer análisis, los esfuerzos de la
campaña se enfocaron en tres aspectos: registro (recoger datos de los votantes
convencidos), persuasión (dirigirse a los dudosos de una forma eficaz) y voto del
electorado (asegurarse de que los partidarios fueran a ejercer el voto sí o sí.
Trabajaron con una estrategia unificada con los respectivos datos de cada uno.

53
7.5. Otras empresas

BBVA impulsa el uso de Big data

En Barcelona en 2012, se hizo la medición del impacto económico del Mobile

World Congress. Para ello, se extrajeron datos de las transacciones realizadas con
tarjetas de crédito, tanto la semana antes como la semana en que tuvo lugar el
evento.

La empresa T-Mobile

Ha reducido su número de portabilidades hasta un 50% analizando los datos de

quejas y conversaciones en redes sociales. Conocen a sus clientes hasta el punto
de asignarle a cada uno de ellos un valor en función de sus expectativas de
negocio y permanencia. Se hacen envíos de marketing personalizados para
ofrecerle lo que necesitara antes de que cause baja.

Netflix

Es otro ejemplo de ventaja competitiva gracias al big data. Con el uso del análisis
de datos, consiguió recabar los gustos de sus usuarios y con ellos creó la serie
House of Cards.

Zara

Como dejaba claro un perfil elaborado hace un par de años por The New York
Times, parte del secreto de Zara (más allá de fabricar en proximidad una parte de
su colección para conseguir que esté en tres semanas en el mercado) está en
conocen muy bien cómo funciona el mercado. Establecen gracias a los datos que
consiguen sus observadores y sus peticiones de venta (es decir, aquello que
reclama el consumidor) las tendencias de consumo globales y las específicas
locales. Pero no solo funciona a un nivel informal (sus vendedores saben qué
quieren los consumidores) sino también a uno más formal. Zara ha colaborado con
la UCLA o el MIT (centros de conocimiento altamente tecnológicos) para
encontrar soluciones inteligentes a sus problemas de negocio. Así, pues, la marca
emplea tecnología predictiva para establecer los precios de sus productos en los
períodos de rebajas o usa el análisis de datos para gestionar inventario y para
saber qué tiendas van a necesitar más stock de un producto.

Además de para conocer mejor los hábitos de los consumidores, según un informe
de Accenture, ‘’el 65% de las empresas usan la tecnología big data para optimizar
su logística, mientras que hoy en día solo un 29% es capaz de usar esta tecnología
a nivel meramente predictivo. Un 49% desea que el big data le ayude a crear
nuevas oportunidades de negocio”.

54
Fin de módulo

¡Enhorabuena!

Has finalizado el módulo.

55