¿El data analytics es exclusivo de grandes empresas? No, es exclusivo de las empresas exitosas. ¿Puede una pyme latinoamericana tener la inteligencia de negocios que posee Netflix o Amazon? Sí, por supuesto. De hecho, muchas de las herramientas son accesibles, y sólo se utilizan por tiempo de uso, en el
cloud.
El secreto pasa por entender
qué data se necesita,
cómo acceder a ella, y
cuál es la mejor herramienta para entender los patrones y poder modelarla. Créanme que las empresas pueden innovar mucho si entienden y modelan la data en forma correcta, y creativa.
De hecho, son muy pocas las empresas que se preguntan ¿cómo una empresa como Amazon puede publicar ofertas instantáneas que le pueden interesar, al mismo tiempo que está viendo otro producto?, ¿cómo hace Netflix para recomendarle películas y acertar en sus gustos?, ¿cómo una entidad financiera es capaz de hacer una proyección y darle respuesta a su solicitud de préstamo casi en tiempo real? Y son menos las que comprenden que la respuesta está en el aprendizaje automático o
machine learning.
Y son menos empresas aún las que desarrollan conocimiento sobre las herramientas de data analytics. Hoy, cualquier set de datos se puede visualizar en Tableau o en PowerBI para entender cómo se comportan las variables. Esto brinda una idea de si existe, a primera vista, “algo” detrás de los datos. Una vez que se ha visto, o encontrado, algo que no es “evidente” cuando se ven los datos en una planilla de Excel (por ejemplo), el siguiente paso es tratar de encontrar patrones de comportamiento.
Y son muchísimas menos las que convierten esos patrones en algoritmos de conocimiento dinámico a través de herramientas como AzureML o SAS EM.
Pero las pocas empresas que han tenido éxito son las que han podido entender dos cosas antes de pensar siquiera en tecnología:
a) Qué datos tiene la base que vamos a estudiar.
b) Qué preguntas le puedo hacer a la base.
Para este último cuestionamiento, en lo que profundizan las empresas es en el
behavioral economics (si quieren entender comportamiento, deben conocer de comportamientos).
Por ejemplo, ¿por qué Netflix puede desarrollar modelos predictivos tan robustos, con estimaciones casi exactas de la realidad? Porque ha diseñado un modelo de acceso a datos estratégicos para su empresa, entendiendo lo que busca, lo que implica que la mitad del problema esté solucionado (la otra parte es modelarlo óptimamente). Éstos son los datos que dispone Netflix para modelar nuestro comportamiento:
- Cuándo se pausa una película. Cuándo se retrocede y cuándo se pasa rápido.
- Qué días ves qué contenido (Netflix descubrió que la gente mira series los días de la semana y películas en los fines de semana).
- La fecha exacta de cuándo se mira televisión.
- La hora exacta en la cual se mira cada contenido.
- El lugar exacto en donde se mira (a través del zip code).
- Qué dispositivo se usa para mirar los diferentes contenidos (¿miran películas en la tele?, ¿miran seriales en el iPad?, etc.?).
- Cuándo se deja en pausa el contenido y cuándo se reanuda (y si se reanuda en algún momento).
- Los ratings de cada contenido (aproximadamente 4 millones de calificaciones por día).
- Búsquedas (aproximadamente 3 millones de búsquedas por día).
- El comportamiento exacto en los proceso de browsing y scrolling.
Con esta información es lógico que pueda diseñar películas que ganen el Oscar, o clientes fieles que pasan todo el fin de semana frente al televisor.
Por lo tanto, cuando en la próxima reunión de tecnología le hablen de data analytics sepa que no se trata de tecnología, que no es Internet de las Cosas (IoT). Data analytics se trata de tomar decisiones, de modelos dinámicos que aprenden comportamientos, de estrategia. Se trata de negocios. Se trata de crear, apropiar y articular valor, no de ciencia de datos.
Contacto:
Correo:
[email protected]
Twitter:
@diego_vallarino
LinkedIn: diegovallarinonavarro
Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México. 
