El uso del Big Data no es solo para grandes compañías. Cada empresa, a su nivel, puede empezar a extraer valor de sus datos desde el momento en que tiene una pregunta de negocio o una decisión que tomar. Os damos algunos consejos para que, desde mañana, solventéis las excusas para realizar proyectos Big Data y empecéis a plantearos las preguntas de negocio que queréis resolver gracias a vuestros datos.

El Big Data es una de las grandes tendencias en el sector tecnológico desde hace unos años. La gran cantidad de datos disponibles ha cambiado el paradigma de la información dentro de las empresas y es que, hoy en día, no solamente tenemos datos internos disponibles a nuestro alcance, sino que existen múltiples fuentes de información de las que podemos sacar partido: meteorología, redes sociales, open data liberado por administraciones públicas, etc. El término Big Data hace referencia, por un lado, a la tecnología necesaria para tratar toda esta información que está a nuestro alcance y, por otro, a las aplicaciones de negocio donde impacta.

Independientemente de su tamaño, las empresas tienen problemas comunes a la hora de explotar sus datos: a veces, el gran volumen de datos que tenemos hace que su almacenamiento y procesamiento sea un problema tecnológico y que, por lo tanto no podamos analizarlos y extraer valor de ellos. En ocasiones, en las organizaciones hay datos de diferentes fuentes e integrar toda la información es un proceso laborioso y difícil de mantener; muchas otras, no disponemos en nuestros equipos del conocimiento necesario para resolver complicados problemas de negocio con los datos; además, si vemos el precio de las herramientas más conocidas en el mercado de análisis de datos, son inasequibles para muchas de las pequeñas y medianas empresas.


¿Son todas estas barreras insalvables? ¿Esto quiere decir que el Big Data es un coto privado solamente aprovechable por las grandes empresas?


Por supuesto que no y aquí os damos algunos consejos para que, desde mañana, solventéis las excusas para realizar proyectos Big Data y empecéis a plantearos las preguntas de negocio que queréis resolver gracias a vuestros datos.

  1. No tenemos tantos datos como para llamarlo “Big Data”

Quizás, el propio término “Big Data” ha introducido cierta confusión a la hora de afrontar problemas de negocio analizando nuestros datos. Hay circunstancias donde existen datos dentro de las compañías que nos permiten generar valor, aunque, por el volumen total, ello no requiera de grandes infraestructuras para su procesamiento y almacenamiento. Por ejemplo, si queremos predecir la demanda que nuestro negocio va a tener de un determinado producto, construiremos un conjunto de datos con la serie histórica de ventas, información que cabe en un fichero de texto, que ocupa muy pocos megas y que la mayoría de herramientas de gestión de pedidos nos permiten generar con un par de clics.

En otras ocasiones, incluso si nos fijamos en empresas pequeñas, es posible tener un gran volumen de datos que analizar, similar al que una gran compañía puede tener. Por ejemplo, en negocios online, los Tag Managers son herramientas para seguir el rastro digital que cada usuario deja en nuestras plataformas, generan un registro por cada interacción que se produce: se captura lo que el usuario visita, eventos como scrolls, clics en imágenes, visionado de vídeos, búsquedas que realizaron y sus resultados, etc. Si pensamos en un eCommerce, con un número de usuarios relativamente bajo pero con toda la variedad de eventos que podemos registrar, el volumen de datos crece exponencialmente, haciendo necesario el uso de tecnología Big Data.


El análisis de toda esta información nos puede servir para entender mejor el Customer Journey de nuestros clientes -esto es, el viaje o camino que recorre un cliente a lo largo de los diferentes puntos de contacto y relación con una empresa-, las razones por las que convierten o dejan carritos de compra a medias, o cómo optimizar la inversión en Marketing Digital de nuestra compañía.


2. La infraestructura necesaria para almacenar y procesar todos estos datos es muy cara

El paradigma del almacenamiento y procesamiento de datos ha cambiado radicalmente en los últimos tiempos. Tradicionalmente, las empresas solían adquirir grandes mainframes -ordenadores centrales- con gran capacidad de cómputo y memoria, que les permitían abordar tareas muy complejas. Desde hace ya algunos años, surgieron los proveedores de Infraestructura como servicio (IaaS, sus siglas en inglés, Infrastructure as a Service) que nos permiten escalar nuestra infraestructura a la vez que crece nuestro negocio: si nuestra empresa tiene pocos datos tampoco necesitará gran capacidad de procesamiento, pero, si el negocio despega, el tratamiento de la información puede convertirse en un gran problema.

Almacenar datos en este tipo de servicios es realmente barato (guardar 1TB de datos en la nube puede costar en torno a 20 euros al mes) así como utilizar grandes instancias de procesamiento de datos que, en algunos casos, se pueden solicitar bajo demanda y facturan a las empresas por horas consumidas. En la mayoría de los casos, el preprocesamiento de datos, su análisis y agregaciones de los mismos o el entrenamiento de modelos predictivos, son tareas que se pueden realizar de manera puntual o periódica, teniendo levantado instancias de procesamiento durante períodos muy cortos de tiempo y, por tanto, reduciendo los costes al mínimo.

3. El coste del software de análisis de datos es demasiado elevado

En todo el mundo tecnológico y científico, el coste de las licencias software siempre ha sido un problema: requiere una gran inversión y tomamos la decisión con conocimiento parcial sobre las herramientas que contratamos por lo que, muchas veces, decidir qué tecnología usar se convierte en una decisión empresarial como lo es contratar una hipoteca en el ámbito personal. La buena noticia es que este paradigma, también ha cambiado.


Hoy en día existen tecnologías Open Source que nos permiten analizar los datos y extraer valor de ellos de muy diferentes maneras, dependiendo del nivel de expertise del usuario que los esté analizando.


Por ejemplo, una de las tecnologías más utilizadas hoy en día por los Data Scientists, es el lenguaje de programación R, que contiene miles de bibliotecas con algoritmos muy sofisticados disponibles para todo el mundo. Si el objetivo es prototipar o explorar posibles aplicaciones de los datos basados en aprendizaje automático, herramientas como Weka o Rapid Miner Community Edition nos pueden ayudar en esta tarea, con coste cero para nuestra empresa.

En cambio, si lo que queremos es integrar diferentes fuentes de datos y almacenarlas para su explotación, tecnologías ETL (Extracción, Transformación y Carga) como Pentaho, son libres y permiten desarrollar procesos muy complejos. Antes de contratar licencias y “casarnos” con una tecnología muy costosa, debemos explorar si existe alguna tecnología Open Source que lo soluciona y evaluarla.

4. No tenemos el conocimiento experto para analizar los datos

Lo más importante a la hora de abordar un proyecto con datos es conocer la pregunta de negocio que queremos solucionar. Los datos son un reflejo de lo que ocurre en nuestra empresa, tanto interna como externamente, y tienen la respuesta a muchas de las preguntas que las empresas se hacen día a día y, si somos capaces de formular un problema de negocio correctamente, seguro que podemos utilizar los datos para que nos ayuden.

Sin embargo, no siempre estas preguntas están claras y, aunque lo estén, muchas empresas no tienen la capacidad de explotación de datos. El estado más habitual en las empresas hoy en día se resume en “Tengo muchos datos, pero no sé cómo extraer valor de ellos”. En este sentido, encontrar al partner ideal para llevar a cabo este tipo de proyectos, que nos acompañe en este camino, resulta fundamental para desarrollar estos proyectos y hacer tangible el retorno que a todas estas aplicaciones se le suponen. Por supuesto, adicionalmente a este conocimiento del negocio, es necesario el conocimiento técnico que escasea hoy en día. Dentro del mundo del Big Data han surgido diferentes perfiles profesionales que se han especializado en diferentes puntos del ciclo de vida del dato. Por ejemplo, los Data Engineers son los perfiles profesionales que focalizan en el proceso de captura, integración y almacenamiento de los datos, desarrollando los programas informáticos que se conectan a fuentes de datos y normalizan la información; otro perfil diferente son los Data Scientists, profesionales capaces de tomar la información de las bases de datos y resolver preguntas de negocio con ellas mediante el análisis estadístico, la extracción de patrones o la utilización de algoritmos predictivos que resuelva problemas concretos.

Cada empresa en su escala, puede empezar a extraer valor de sus datos desde el momento en que tiene una pregunta de negocio que contestar. ¿Estás dispuesto a encontrar el tesoro que esconden tus datos?

 

Sobre el autor

Alejandro Llorente Pinto es cofundador y data scientist en PiperLab. Durante los últimos 5 años, ha trabajado en la aplicación de técnicas de Data Science a procesos de marketing y ciclo de vida del cliente, especialmente en el entorno de redes sociales y grandes volúmenes de datos. También es profesor es distintas escuelas de formación y negocios como el Instituto de Empresa, The Valley o AFI. Además, es Doctor en Ingeniería Matemática por la Universidad Carlos III de Madrid donde ha investigado cómo las trazas digitales describen la movilidad humana y sus implicaciones en procesos económicos.

 


Has añadido este artículo a tus favoritos.

Consulta en Mis favoritos tu selección de contenidos o accede desde tu menú de usuarios como te mostramos en la imagen.



Aceptar

Has eliminado este artículo de tus favoritos.

Consulta en Mis favoritos tu selección de contenidos o accede desde tu menú de usuarios como te mostramos en la imagen.



Aceptar

¿Te ha gustado?

Crea tu cuenta o inicia sesión para añadirlo a tu lista de favoritos.

Crear cuenta

Ya casi te has registrado. Falta solo un paso.

Necesitamos que confirmes tu dirección de correo electrónico. Para completar el proceso de suscripción, haz clic en el vínculo del mensaje que acabamos de enviarte a tu correo.

Cerrar

Descarga el archivo

Puedes iniciar la descarga del archivo desde el siguiente enlace. Muchas gracias.

Descargar

Suscríbete para descargar el archivo

Para poder descargar este archivo, debes estar suscrito a nuestra newsletter. Rellena los campos y podrás descargarlo.

*Campos obligatorios
Al hacer clic en “Suscríbete” se aceptan las Condiciones de Uso y Política de privacidad