Professional Documents
Culture Documents
Big Data
Big data es de alto volumen, la velocidad, y una variedad de datos que est
revolucionando la forma en que las organizaciones pueden correr y cambiar
el negocio.
reflejos
Oracle Big Data de descubrimiento permite que cualquiera pueda encontrar,
explorar, transformar y analizar datos en Hadoop. Descubra nuevas
perspectivas, luego compartir los resultados con los equipos de proyectos
de datos grandes y accionistas de la empresa.
Cmo Big Data en Negocios evolucionar en 2015
Los datos son el combustible que pone en marcha las empresas por delante
del resto, a menudo muy por delante. Los que pueden reunir, analizar, y
rpidamente hacer uso de los datos tendr una ventaja competitiva cada
vez mayor. Esa es la promesa de grandes datos.
Pero para que esa promesa una realidad para su negocio, dnde debe
enfocar su atencin en el 2015? Segn los expertos de datos de Oracle, hay
siete reas clave que ofrecen una gran cantidad de oportunidades de este
ao. Estas son las estrategias, capacidades y enfoques que pondrn los
beneficios de los grandes datos ms al alcance de las empresas que estn
dispuestas a tomar ventaja.
1. Salas de juntas de negocios podrn hablar sobre el capital de datos,
los datos no grandes. Datos de propiedad sobre las transacciones del
mercado juegos empresas aparte. Esta es la razn por Netflix tiene
mayores ingresos por empleado que cualquier proveedor de cable, y
por qu Amazon est muy por delante de otros minoristas, segn el
Instituto Global McKinsey. Las empresas que explotan el capital de
datos puede aumentar los beneficios, crecer ms rpido, y generar
mayores ingresos que sus rivales y con una base de capital
tradicional inferior. Incluso las empresas que apenas se conocen
como datos de alto consumo se ven obligados a desarrollar nuevas
plataformas para la captura de datos. El hecho de que la cantidad de
espacio dedicado a la industria del automvil en los Electrnica de
consumo internacional Mostrar ms que duplicado en los ltimos
cinco aos, de 15.000 metros cuadrados para el evento de 2015, es
una ilustracin de esta idea. Salas de juntas sern cada vez ms
mirar a los directores de TI para proporcionar liquidez de datos para
que el negocio pueda analizar y aprovechar cualquier combinacin de
datos de manera casi instantnea. "Estos datos sern completamente
diferentes repositorios-Hadoop, NoSQL, bases de datos relacionales,
lo que los motores que utilizan para manipular sus datos de negocio:
los motores de procesamiento por lotes familiares, que tienen un
tiempo muy valioso para entregar, o sistemas en memoria que
permiten un procesamiento ms rpido, pero requieren una
infraestructura poco familiar. Sistemas de datos grandes modernos,
sin embargo, cerrar esta brecha, al permitir a las empresas a
manipular a la perfeccin los datos en la memoria viva de la
computadora al mismo tiempo por lo que es fcil de almacenar datos
a muy bajo costo. "En el ao que viene, vamos a ver ms empresas
aprovechan en memoria de streaming tecnologas para acceder y
manipular datos en tiempo real", dice Jeff Pollock, Oracle
vicepresidente de gestin de productos. El primer paso es el acceso
de datos, donde Pollock dice que vamos a ver un cambio desde
antiguo por lotes y tecnologas de archivos cntrica y hacia las
tecnologas modernas como Oracle GoldenGate, que realiza rplicas
en tiempo real en el entorno de Hadoop."Ms all del acceso,
transformacin de datos ser la clave", dice. "Estamos viendo un
creciente inters en hacer la transformacin de datos en los patrones
ms rpido y ms interactivos, con capas de tecnologa y de
velocidad en memoria utilizadas tanto para el acceso de datos, as
como manipulaciones de datos."Este es un gran cambio respecto a
hace un ao, cuando la mayora de la gran carga de trabajo de datos
todava se estaba haciendo en MapReduce, una arquitectura lote
impulsados intrnsecamente. "Lo que esto significa para las empresas
es el acceso ms rpido a los anlisis en tiempo real, lo que permite a
los servicios de datos en tiempo real y ms oportunidades de obtener
beneficios econmicos de los datos", dice Pollock. "Para TI, lo que
esto significa es una base tcnica ms eficiente y flexible para
trabajar con grandes volmenes de datos, lo que les permite utilizar
la misma lgica de las transformaciones de datos, tanto en lotes y en
tiempo real."
5. Autoservicio de descubrimiento y herramientas de visualizacin
vendrn a grandes datos. Datos tradicionalmente se ha almacenado y
analizado el uso de herramientas, tales como Hadoop, que slo un
cientfico de datos puede amar. Esto, sin embargo, est empezando a
cambiar."En 2015, Hadoop ser ms til para los empresarios porque
ms productos estarn disponibles que ocultan la complejidad de
usar ese almacn de datos", dice Richard Tomlinson, director de
gestin de producto de Oracle. "Esto suceder tanto porque las
herramientas de inteligencia de negocios existentes sern
capacitados para trabajar en la parte superior de Hadoop, y debido a
la llegada de las nuevas herramientas que dan los analistas de
negocio de extremo a extremo las capacidades para convertir los
datos en bruto en conocimiento." Mientras que los ltimos cinco aos
han sido sobre la recogida de datos, la siguiente fase de grandes
datos ser de capacitar a la empresa a tomar ventaja. "Ms personas
sern capaces de utilizar grandes volmenes de datos en sus puestos
microsoft
como pretendan.
Dos veces ms probabilidades de usar los datos con mucha
frecuencia al tomar decisiones.
Descargar PDF
Impresin
Cuota
competitivos.Risk Solutions LexisNexis lo utiliza para identificar a las personas, incluyendo las
relaciones familiares, ayudando as a las instituciones financieras y otros clientes a reducir el
fraude.
Es, por supuesto, es de datos del Big minera y el procesamiento de valor de la informacin
para obtener informacin sobre el comportamiento del cliente, la eficiencia de la cadena de
suministro, y muchos otros aspectos del rendimiento empresarial petabytes. Decimos, por
supuesto, porque Big Data es difcil pasar por alto estos das. Analistas de la industria de
medios de comunicacin y observadores bombo como la prxima gran cosa para cada
empresa, y muchas empresas se han apresurado a subir a bordo. Pero es la construccin de
una capacidad de anlisis avanzado realmente vale la pena la inversin? Hasta ahora, los
datos para responder a esa pregunta ha sido escasa.
VIDEO
Insights de tres minutos con Rasmus Wegener
Socio Rasmus Wegener explica cmo hacer Big Data realmente funciona para su
empresa.
Un reciente estudio de Bain & Company, sin embargo, debe poner la cuestin al resto. Los
primeros usuarios de la analtica Big Data han ganado una ventaja significativa sobre el resto
del mundo corporativo. Examinando ms de 400 grandes empresas, se encontr que las
personas con las capacidades analticas ms avanzadas estn superando competidores por un
amplio margen (ver Figura 1). Los lderes son:
Dos veces ms propensos a utilizar los datos con mucha frecuencia cuando se toman
decisiones
Esto ayuda a explicar por qu tantas empresas se preguntan cul es su posicin sobre Big
Data vis--vis su rivals- y si estn perdiendo en una herramienta competitiva nueva y esencial.
Para entrar en el juego Big Data, una empresa necesita tres tipos de apuestas de la mesa.La
primera es la propia de datos: grandes cantidades de informacin en un formato que permite un
fcil acceso y anlisis. La mayora de las grandes empresas ya tienen esta, de hecho, por lo
general tienen ms de lo que pueden utilizar. El segundo es avanzado herramientas analticas,
tales como Hadoop y NoSQL. Ambas herramientas y plataformas propietarias y de cdigo
abierto estn ampliamente disponibles estos das- todo lo que necesita son personas capaces
de ponerlos a trabajar. Eso nos lleva a la tercera, y por lo general los ms difciles, juego de
apuestas de la mesa: experiencia. Anlisis avanzados requiere personal con conocimientos del
estado de la tcnica en todo, desde la ciencia a las leyes de privacidad de datos de todo el
mundo, junto con una comprensin de la empresa y las fuentes pertinentes de valor.
Pero apuestas de la mesa por s solo no le ayudar a ganar, porque Big Data no es slo una
ms iniciativa tecnolgica. De hecho, no es una iniciativa de la tecnologa en absoluto;es un
programa de negocios que requiere conocimiento tcnico. As que no se puede simplemente
aadir ms capacidad y experiencia, y esperar que sus funciones de TI o marketing para
empezar a generar ideas basadas en datos. Incluso si lo hicieran, el resto de la empresa sera
poco probable para actuar en esos puntos de vista.
A medida que los lderes de anlisis han descubierto, tener xito con los grandes datos
requiere un enfoque diferente: Es necesario integrar Big Data profundamente en su
organizacin. Es la nica manera de asegurar que la informacin y los conocimientos se
comparten a travs de las unidades de negocio y funciones. Esto tambin garantiza a toda la
empresa reconoce las sinergias y beneficios de escala que una capacidad de anlisis bien
concebido puede proporcionar.
Echemos un vistazo a lo que est involucrado.
Ambicin
Las empresas lderes comienzan el proceso de incrustacin, deletreando su ambicin. Nos
abrazaremos Big Data como una nueva forma de hacer negocios. Incorporaremos analtica
avanzada y conocimientos como elementos clave de todas las decisiones crticas. Una
declaracin como sta desde el equipo directivo es una condicin previa esencial para el tipo
Unidad de negocios llev con soporte central. Las unidades de negocio tomar sus
propias decisiones, pero colaboran en las iniciativas seleccionadas. Google y Progressive son
ejemplos de este enfoque.
La construccin de un Centro de Excelencia slido desde cero puede llevar tiempo. El centro
necesita un liderazgo experimentado y un plan claro para estar conectado con el negocio. Debe
tener una estrategia diseada para garantizar el aprendizaje continuo, por lo que mantiene la
capacidad del estado de la tcnica. Dotacin de personal puede ser un desafo particular. Un
CoE requiere no slo los cientficos de datos a nivel de doctorado cualificados, sino tambin
Analytics ingenieros, gerentes de empresas para identificar y priorizar las oportunidades y
talento jurdico de asesoramiento sobre las normas para la privacidad y seguridad de
datos. Encontrar a los jefes de equipo y la identificacin de socios para completar la dotacin
de personal del centro puede tomar entre seis y 12 meses, con la ampliacin que requiere otros
12 a 18 meses.
Empezando
Muchas empresas ya estn sumergiendo sus pies en aguas Big Data. Sin embargo, dada la
complejidad que hemos discutido, en particular, la necesidad de anclar capacidades de anlisis
en la organizacin de los pies desnudos no es probable que produzcan importantes
conocimientos. Es por eso que slo unos pocos de seleccin, hasta ahora, se han hecho
progresos sustanciales. En este momento, muchos de estos lderes estn tirando an ms lejos
por delante de los competidores, para que otros usuarios estn jugando el juego necesario de
ponerse al da.
Pero no es demasiado tarde. Un buen primer paso es comparar su industria y determinar la
posicin actual de su empresa en anlisis y capacidades Big Data, en comparacin con la de
sus principales rivales. Este ejercicio le ayudar a determinar la inversin necesaria para
mejorar su posicin relativa. Si est muy por detrs de la competencia, tendr el tipo de quema
de la plataforma, que a menudo se requiere para crear y sostener el cambio. A continuacin,
puede comenzar a experimentar, probar hiptesis para saber dnde y cmo la analtica
avanzada es ms probable que ayudar a su negocio. Este tipo de revisin le ayudar a
determinar su ambicin Big Data, incrustar una cultura de anlisis y decidir dnde sede
organizativa de grandes volmenes de datos debe ser.
Travis Pearson es socio de Bain & Company y ubicado en la oficina de San Francisco de la
firma. Rasmus Wegener es un socio de Bain con sede en Atlanta.
Descargar PDF
Impresin
Cuota
Proveedores de soluciones de datos grandes hacen grandes promesas. Slo tiene que
conectar sus datos en nuestra solucin, dicen. Vamos a entregar una corriente de ideas que
permitan mejoras en la productividad del marketing, la calidad experiencia del cliente y la
eficiencia de las operaciones de servicio. Va a ser muy fcil para usted y su equipo; nuestra
tecnologa y sus cientficos de datos harn todo el trabajo pesado.
Sintete como ya has visto esta pelcula antes? Si usted fue atrapado en la euforia inicial de la
revolucin de gestin de relaciones con clientes (CRM), a continuacin, usted lo hizo. A partir
de la dcada de 1990, muchas empresas han comprado en el bombo y la tecnologa, slo para
terminar con bases de datos inutilizables, los equipos de ventas rebeldes y los presupuestos de
capital agotados.
Desde entonces, la industria de CRM ha madurado, y no hay duda de que las soluciones de
CRM pueden ahora ofrecer un valor real para muchas organizaciones. Como prueba, CRM fue
la sexta herramienta de negocios ms popular en 2015 Herramientas de administracin de Bain
& encuesta Tendencias. Y el gasto global de CRM totaliz $ 20.4 mil millones en 2014, frente a
los $ 18 mil millones el ao anterior, segn la investigacin de Gartner.
Sin embargo, las tasas de fracaso de CRM siguen siendo altos. Un informe de 2014 del C5
Insight encontr que ms del 30% de todas las implementaciones de CRM a prueba de
implementaciones y segundo y tercero de CRM en las mismas empresas tuvieron tasas de
fracaso slo ligeramente inferiores. Y esto es de 20 aos en la "revolucin"!
Vemos Big Data bajando un camino similar, haciendo grandes promesas sobre el impacto al
cliente y la creacin de valor predicada sobre grandes inversiones en tecnologa y
experiencia. En un reciente informe, Gartner predijo que "hasta el 2017, el 60% de los
proyectos de Big Data no podr ir ms all de pilotaje y la experimentacin y ser
abandonado." Por qu se repite la historia? No es por falta de inters, el esfuerzo o la
inversin. En cambio, refleja la dificultad de generar valor a partir de existente del cliente,
vamos-datos operativos y el servicio solo las grandes cantidades de datos no estructurados,
internos y externos generados a partir de los medios sociales, dispositivos mviles y actividad
en lnea.
Las empresas estn bajo una creciente presin para aprovechar Big Data y analtica
avanzada. Los clientes exigen ms de las organizaciones con las que hacen negocios. La
competencia se intensifica, especialmente en industrias maduras como Servicios financieros,
retail, telecomunicaciones y medios de comunicacin. Empresas basadas en datos siguen
perturbar el statu quo. Perturbadores viejo y nuevo incluyendo Progresista, Capital One,
Amazon, Google, Uber y Zappos, por nombrar unos pocos, han creado modelos de negocio
basados en datos que se aplican una visin profunda para ofrecer productos y servicios a
medida que ganan en el mercado.
La aseguradora de automviles Progresista, por ejemplo, utiliza el plug-in de dispositivos para
rastrear el comportamiento del conductor. Minas progresivos los datos a los micro-objetivo de
su base de clientes y determinar un precio especial. Capital One, una compaa de servicios
financieros de Amrica, se basa principalmente en el anlisis de datos avanzados para dar
forma a sus programas de fidelizacin de clientes de puntuacin y riesgo. Con este fin, Capital
One explota mltiples tipos de datos de los clientes, incluyendo texto y de voz avanzadas de
anlisis. Mientras tanto, el gigante minorista Amazon datos minas cliente intensamente para
crear experiencias de compra en lnea personalizados. Amazon utiliza historiales de compra y
haga clic en arroyos para crear un motor de recomendacin sofisticado que se presenta en las
pginas Web personalizadas.En el frente de la logstica, Amazon tambin ha sido un lder en la
aplicacin de anlisis de datos para optimizar la distribucin de inventario y reducir los tiempos
de envo.
Los principales usuarios de grandes volmenes de datos generan un gran obstculo para el
xito. Han montado bancos profundas del talento analtico y procesos creados que permiten a
sus organizaciones para recopilar informacin til de anlisis avanzados. Ellos han construido
plataformas tecnolgicas que ofrecen los datos y puntos de vista, cuando y donde se necesitan
en la organizacin oportunas. Muchos tambin han creado culturas de innovacin continua en
base a rigurosos "prueba y aprender" metodologas.
Entonces, cmo puede su empresa de lucro Big Data? El primer paso es aprender a distinguir
el potencial real de las afirmaciones extravagantes. Gran parte de la publicidad en curso se
apoya en tres promesas fallidas: La primera es que la tecnologa Big Data identificar
oportunidades de negocio por s mismo. La segunda es que la cosecha de ms datos generar
automticamente ms valor. La tercera es que los cientficos de datos de expertos pueden
ayudar a cualquier beneficio de la empresa de Big Data, no importa lo que la empresa pasa a
ser organizado.
A continuacin se identifican peligros asociados a cada una de estas tres promesas, y
presentan ejemplos de empresas que han superado cada uno en el camino hacia la creacin
de valor real a partir de anlisis de clientes avanzados.
Promesa: La tecnologa va a identificar oportunidades de negocio por s mismo.
Peligro: el retorno de la inversin limitada a pesar de grandes gastos de dinero y tiempo.
Despliegues de tecnologa fallidas suelen comenzar con la suposicin de que la nueva
herramienta brillante generar valor por s mismo. Las empresas que aprovechan con xito el
poder de las soluciones Big Data tienden a comenzar aplicando anlisis avanzados para
resolver un pequeo nmero de problemas de negocio de alto valor con los datos en la casa
antes de invertir en tecnologa. En el proceso aprenden cmo implementar soluciones
organizativamente. Tambin obtienen una idea de los desafos operacionales y llegan a
comprender las limitaciones de sus datos y la tecnologa. Entonces pueden definir los requisitos
para su solucin de tecnologa Big Data basado en la comprensin de sus necesidades reales
(ver Figura 1).
Por ejemplo, una gran compaa de seguros se centr recientemente su programa de anlisis
de datos sobre el fraude. La compaa estaba viendo un aumento en las reclamaciones
fraudulentas, y estaba incurriendo en costos significativos para investigar estas afirmaciones. El
programa dirigido a reducir la conducta fraudulenta a un costo menor. Con este fin, la empresa
construy un algoritmo de minera de texto que gener puntuaciones de propensin de
fraude. Este algoritmo ayud a la compaa a alcanzar un aumento del 20% en el nmero de
calificaciones fraudulentos que detecta. El resultado fue un menor nmero de casos que se
investigan y cerca de $ 30 millones en ahorros.Habiendo demostrado el valor de la analtica
avanzada, la compaa est aumentando sus inversiones en tecnologa y capacidad.
Promesa: La recoleccin de ms datos generar automticamente ms valor.
Peligro: sobreinversin en las fuentes de datos no comprobados y la falta de atencin a las
fuentes de datos valiosos ms cerca de casa.
La tentacin de adquirir y minas nuevos conjuntos de datos se ha intensificado con la explosin
de los medios sociales y los dispositivos mviles. Y sin embargo, muchas organizaciones
grandes que ya se estn ahogando en datos, gran parte de ella a cabo en silos donde no se
puede acceder fcilmente, organizado, vinculado o interrogado. Hemos encontrado que
exitosas jornadas Big Data tienden a empezar por explotar plenamente los datos existentes de
la organizacin.
Desde una perspectiva analtica, por lo general es ms fcil trabajar con los datos que tiene un
poco de historia de lo que es para atacar a los conjuntos de datos nuevos. Una gran empresa
de telecomunicaciones de Estados Unidos tom poco este enfoque. La empresa se enfrenta a
la creciente competencia y quera crear un programa para aumentar sistemticamente el valor
de su base de clientes existente. Para lograr este objetivo, se combina ms de 200 elementos
de datos de 15 comercializacin, servicio y bases de datos de operaciones para crear retratos
de "alta definicin" de todos sus clientes. La compaa utiliz estos retratos para desarrollar
programas de abordaje especfico, venta cruzada y compromiso con el cliente.
Uno de sus nuevos programas de abordaje centrado en los clientes que mostraban signos de
compromiso bajo, con productos de la compaa. Los datos mostraron que la baja participacin
fue vinculado a una mayor rotacin de clientes. En lugar de enviar mensajes de marketing de
ventas centrada a estos clientes, la compaa comenz a enviarlos conocimiento del producto y
los mensajes de compromiso que fueron diseados para estimular el uso del producto. El
resultado: el uso del producto aumentado, churn etapa temprana disminuy y ms de estos
clientes actualizar sus servicios. En paralelo, la compaa aument su comercializacin la venta
cruzada a los clientes ms comprometidos ya que los datos mostraron que estos clientes
tenan ms probabilidades de mejorar. Esto dio lugar a un aumento de 2,5 veces en las ventas
cruzadas y un retorno mucho mayor la inversin en marketing. En total estos programas
generan muchos millones en ingresos anuales incrementales.
Esta compaa ahora est incorporando nuevos conjuntos de datos que mejorarn an ms
sus ricos retratos de los clientes. Para complementar los conocimientos generados por los
datos histricos, se est diseando campaas de marketing experimentales que inyectan
varianza a futuro (por ejemplo, precios nuevos, promociones y ofertas) en su sistema.
Promesa: Los buenos cientficos de datos encontrarn valor para usted.
Peligro: Su organizacin existente no est listo para darse cuenta del valor de los datos.
Con el fin de beneficiarse consistentemente de Big Data, es necesario crear un modelo
operativo que aprovecha el poder de los datos y el anlisis avanzado de una manera
repetible. Empresas basadas en datos exitosas alinear sus organizacin, procesos, sistemas y
capacidades para tomar mejores decisiones de negocio basadas en las ideas de sus datos y de
anlisis de los equipos (ver Figura 2).
datos, se da cuenta de cmo incorporar nuevas tecnologas, como los lagos de datos, gestiona
los conjuntos de datos cada vez mayores y define las polticas y normas que los rigen.
Uno de los primeros retos de la empresa de telecomunicaciones abordado con este nuevo
modelo de sociedad centrado en la mejora de la economa de los clientes que destruyen
valor. En este caso, el equipo de ventas y marketing define la cuestin especfica para el
equipo de inteligencia de negocios, que luego trabaj con el equipo de TI para consolidar y
fusionar dos aos de pena de datos de clientes de marketing y de bases de datos
operacionales para identificar las causas profundas del valor comportamientos
-destroying.Trabajando juntos, los tres equipos definen un conjunto de estrategias de clientes
objetivo que podran convertir a estos clientes que destruyen valor en clientes rentables. El
resultado: millones de dlares en ingresos adicionales.
Conclusin
La revolucin Big Data ya ha perturbado muchas industrias. Ciertas empresas basadas en
datos han capturado un valor significativo de esta revolucin, pero muchas empresas
tradicionales estn jugando a ponerse en marcha. Tecnologa por s sola no puede cerrar esta
brecha. Las empresas que se dan cuenta de la promesa de la analtica de datos de clientes
tienden a seguir tres reglas:
1.
Demostrar su organizacin puede solicitar anlisis avanzados para resolver algunos
problemas de negocio de alto valor antes de invertir en soluciones de tecnologa de Big
Data.
2.
Crear valor a partir de sus datos en la casa antes de expandirse a nuevas fuentes de
datos. Luego use prueba y aprender mtodos para inyectar conjuntos de datos a futuro
en sus datos histricos.
3.
Alinear su modelo operativo para permitir a su organizacin, en particular la lnea del
frente, actuar rpidamente y con confianza en las ideas de sus equipos de analtica
avanzada.
Las empresas que siguen estas reglas estarn mejor posicionados para el xito en la era del
Big Data.
Eric Almquist es socio en la oficina de Boston de Bain. l es un lder de la prctica avanzada
Analytics y miembro de la Estrategia de Cliente y la prctica de Marketing. John Senior es un
socio en la oficina de Sydney y un lder en la tecnologa, las telecomunicaciones y los medios
de comunicacin, as como las prcticas de estrategia al Cliente y Marketing. Tom Springer es
un socio en la oficina de Boston y co-lder de la prctica avanzada Analytics.
3 Productos comerciales
4 Vase tambin
5 Referencias
6 Enlaces externos
JasperReports
Palo:
Pentaho
SpagoBI:
Productos comerciales[editar]
ACE*COMM
Actuate
ApeSoft (http://www.apesoft.es)
Applix
BIRT Analytics
CA Oblicore Guarantee
CODISA BI
IBM Cognos
ComArch
CyberQuery
Crystal Reports
DataCyCle Reporting
Dimensional Insight
dLife (Apara)
dVelox (Apara)
Information Builders
InetSoft Technology
LiteBI
LogiXML
Mpex Dynamics
Microsoft Excel
MicroStrategy
Nucleon BI Studio
NiMbox
OutlookSoft
Panorama Software
Pentaho BI_SW
Prelytis
Proclarity
QlikView
Jedox
SAS Institute
Siebel Systems
Smile-Sotware
Spotfire
StatSoft
SPSS
Synerplus
Tableau
Telerik
Teradata
Qu es Business Intelligence?
Business Intelligence es la habilidad para transformar los datos en informacin, y la
informacin en conocimiento, de forma que se pueda optimizar el proceso de toma
de decisiones en los negocios.
En
definitiva,
una
solucin
BI
completa
permite:
Observar qu est ocurriendo?
Comprender por qu ocurre?
Predecir qu ocurrira?
Colaborar qu
debera
hacer
el
equipo?
Decidir qu camino se debe seguir?
http:// http://www.sinnexus.com/business_intelligence/
de
Business
Intelligence
ms
enfocadas
la
direccin
departamental. El CMI requiere, por tanto, que los directivos analicen el mercado y
la estrategia para construir un modelo de negocio que refleje las interrelaciones
entre los diferentes componentes de la empresa (plan estratgico). Una vez que lo
han construido, los responsables de la organizacin utilizan este modelo como
mapa para seleccionar los indicadores del CMI.
en
cuatro
reas
perspectivas:
financiera,
cliente,
interna
aprendizaje/crecimiento.
La perspectiva financiera incorpora la visin de los accionistas y mide la
creacin de valor de la empresa. Responde a la pregunta: Qu indicadores
tienen que ir bien para que los esfuerzos de la empresa realmente se
transformen en valor? Esta perspectiva valora uno de los objetivos ms
relevantes de organizaciones con nimo de lucro, que es, precisamente,
crear valor para la sociedad.
La perspectiva del cliente refleja el posicionamiento de la empresa en el
mercado o, ms concretamente, en los segmentos de mercado donde quiere
competir. Por ejemplo, si una empresa sigue una estrategia de costes es
muy posible que la clave de su xito dependa de una cuota de mercado alta
y unos precios ms bajos que la competencia. Dos indicadores que reflejan
este posicionamiento son la cuota de mercado y un ndice que compare los
precios de la empresa con los de la competencia.
La perspectiva interna recoge indicadores de procesos internos que son
crticos para el posicionamiento en el mercado y para llevar la estrategia a
buen puerto. En el caso de la empresa que compite en coste, posiblemente
los indicadores de productividad, calidad e innovacin de procesos sean
importantes. El xito en estas dimensiones no slo afecta a la perspectiva
interna, sino tambin a la financiera, por el impacto que tienen sobre las
rbricas de gasto.
La perspectiva de aprendizaje y crecimiento es la ltima que se plantea
en este modelo de CMI. Para cualquier estrategia, los recursos materiales y
las personas son la clave del xito. Pero sin un modelo de negocio
apropiado, muchas veces es difcil apreciar la importancia de invertir, y en
pocas de crisis lo primero que se recorta es precisamente la fuente primaria
Pese a que estas cuatro son las perspectivas ms genricas, no son "obligatorias".
Por ejemplo, una empresa de fabricacin de ropa deportiva tiene, adems de la
perspectiva de clientes, una perspectiva de consumidores. Para esta empresa son
tan importantes sus distribuidores como sus clientes finales.
Una vez que se tienen claros los objetivos de cada perspectiva, es necesario definir
los indicadores que se utilizan para realizar su seguimiento. Para ello, debemos
tener en cuenta varios criterios: el primero es que el nmero de indicadores no
supere los siete por perspectiva, y si son menos, mejor. La razn es que
demasiados indicadores difuminan el mensaje que comunica el CMI y, como
resultado, los esfuerzos se dispersan intentando perseguir demasiados objetivos al
mismo tiempo. Puede ser recomendable durante el diseo empezar con una lista
ms extensa de indicadores. Pero es necesario un proceso de sntesis para disponer
de toda la fuerza de esta herramienta.
No obstante, la aportacin que ha convertido al CMI en una de las herramientas
ms significativas de los ltimos aos es que se cimenta en un modelo de negocio.
El xito de su implantacin radica en que el equipo de direccin se involucre y
dedique tiempo al desarrollo de su propio modelo de negocio.
Clarifica cmo las acciones del da a da afectan no slo al corto plazo, sino
tambin al largo plazo.
Una vez el CMI est en marcha, se puede utilizar para comunicar los planes
de la empresa, aunar los esfuerzos en una sola direccin y evitar la
dispersin. En este caso, el CMI acta como un sistema de control por
excepcin.
Si los indicadores no se escogen con cuidado, el CMI pierde una buena parte
de sus virtudes, porque no comunica el mensaje que se quiere transmitir.
Existe el riesgo de que lo mejor sea enemigo de lo bueno, de que el CMI sea
perfecto, pero desfasado e intil.
Plan estratgico
Plan operativo anual (POA)
Sistemas de Soporte a la Decisin (DSS)
Sistemas de Informacin Ejecutiva (EIS)
http://www.sinnexus.com/business_intelligence/cuadro_mando_integral.aspx
para
el
anlisis
de
grandes
volmenes
de
informacin
entre
todos
los
sistemas/departamentos
de
la
Otra diferencia fundamental radica en los usuarios a los que estn destinadas las
plataformas DSS: cualquier nivel gerencial dentro de una organizacin, tanto para
situaciones estructuradas como no estructuradas. (En este sentido, por ejemplo, los
CMI estn ms orientados a la alta direccin).
Por ltimo, destacar que los DSS suelen requerir (aunque no es imprescindible)
un motor OLAP subyacente, que facilite el anlisis casi ilimitado de los datos para
hallar las causas raices de los problemas/pormenores de la compaa.
de
informacin
gerencial
(MIS)
de
informacin
ejecutiva
(EIS)
expertos
basados
en
inteligencia
artificial
(SSEE)
Sistemas
de
apoyo
decisiones
de
grupo
(GDSS)
http://www.sinnexus.com/business_intelligence/sistemas_soporte_decisiones
.aspx
http://www.sinnexus.com/business_intelligence/sistemas_informacion_ejecut
iva.aspx
04/05/2015
Datamart
Un Datamart es
una
base
de
datos
departamental,
especializada
en
el
estar
montada
sobre
una
base
de
datos
OLTP,
como
el
propio
Datamart
OLAP
Se basan en los populares cubos OLAP, que se construyen agregando, segn los
requisitos de cada rea o departamento, las dimensiones y los indicadores
necesarios
de
cada
cubo
relacional.
El
modo
de
creacin,
explotacin
Datamart
OLTP
Datawarehouse
Sistemas de Soporte a la Decisin (DSS)
Bases de datos OLTP y OLAP
Datamining
http://www.sinnexus.com/business_intelligence/datamart.aspx
Datawarehouse
Un Datawarehouse es una base de datos corporativa que se caracteriza por
integrar y depurar informacin de una o ms fuentes distintas, para luego
procesarla permitiendo su anlisis desde infinidad de pespectivas y con grandes
velocidades de respuesta. La creacin de un datawarehouse representa en la
mayora de las ocasiones el primer paso, desde el punto de vista tcnico, para
implantar una solucin completa y fiable de Business Intelligence.
La ventaja principal de este tipo de bases de datos radica en las estructuras en las
que se almacena la informacin (modelos de tablas en estrella, en copo de nieve,
cubos relacionales... etc). Este tipo de persistencia de la informacin es homognea
y fiable, y permite la consulta y el tratamiento jerarquizado de la misma (siempre
en un entorno diferente a los sistemas operacionales).
El trmino Datawarehouse fue acuado por primera vez por Bill Inmon, y se traduce
literalmente como almacn de datos. No obstante, y como cabe suponer, es mucho
datawarehouse,
elaboracin
de
programas
de
extraccin
de
la
ltimo,
destacar
que
para
comprender
ntegramente
el
concepto
de
http://www.sinnexus.com/business_intelligence/datawarehouse.aspx
sistemas
OLTP
son
bases
de
datos
orientadas
al
procesamiento
de
transacciones. Una transaccin genera un proceso atmico (que debe ser validado
con un commit, o invalidado con un rollback), y que puede involucrar operaciones
de insercin, modificacin y borrado de datos. El proceso transaccional es tpico de
las bases de datos operacionales.
http://www.sinnexus.com/business_intelligence/olap_vs_oltp.aspx
explorar
grandes
bases
de
datos,
de
manera
automtica
del
modelo. Se
comienza
realizando
unos
anlisis
Datamart
Datawarehouse
Cuadro de Mando Integral
Sistemas de Soporte a la Decisin (DSS)
Sistemas de Informacin Ejecutiva (EIS)
http://www.sinnexus.com/business_intelligence/datamining.aspx
Plan director
El plan director es un documento formal en el que se intenta plasmar, por parte de
los responsables de una compaa (directivos, gerentes, empresarios...) cual ser la
situacin de la misma dentro un perodo de tiempo, generalmente de 5 a 10 aos.
El plan director es cualitativo: define las futuras cualidades (no las cantidades) de
la compaa, finalista: indica lo que se quiere conseguir, pero no cmo conseguirlo,
yatemporal: no establece plazos para alcanzar lo propuesto, a excepcin de la
propia vigencia del plan.
El plan director recoge tres puntos principales:
Productos y servicios: describe el catlogo de productos y/o servicios que
ofrecer la compaa a sus clientes, y en los que deben basarse sus ingresos en
el medio y en el largo plazo. Esta enumeracin debera ser visionaria, completa y
realista.
Mercado potencial: describe el perfil de los clientes que tendrn acceso a
los productos que ofrece la compaa (pblico final, empresas...), indicando el
segmento ms aproximado y sus caractersticas principales.
Ventajas competitivas: describe las caractersticas que deben situar a la
compaa en una situacin ventajosa con respecto a su competencia. Estas
ventajas deben ser, ante todo, difciles de imitar y sostenibles en el tiempo.
Aprenda ms sobre ventajas competitivas aqu.
En la prctica, el plan director se suele condensar en un documento escrito
(generalmente de menos de 10 pginas) que no es ms una instantnea del futuro
que los directivos quieren para su compaa.
El plan director es, por tanto, el eje central sobre el que se articularn otros
documentos de vital importancia para la empresa, como el plan estratgico o
el plan operativo anual.
http://www.sinnexus.com/business_intelligence/plan_director.aspx
Plan estratgico
El plan estratgico es un documento formal en el que se intenta plasmar, por parte
de los responsables de una compaa (directivos, gerentes, empresarios...) cual
ser la estrategia de la misma durante un perodo de tiempo, generalmente de 3 a
5 aos.
El plan estratgico es cuantitativo: establece las cifras que debe alcanzar la
compaa,manifiesto: describe el modo de conseguirlas, perfilando la estrategia a
seguir, ytemporal: indica los plazos de los que dispone la compaa para alcanzar
esas cifras.
El plan estratgico recoge tres puntos principales:
Objetivos: un objetivo es un hecho que no depende directamente de la
compaa, y que est formado por la ecuacin: cantidad a alcanzar + plazo para
conseguirlo. El verbo asociado a un objetivo es siempre conseguir:
- Conseguir una facturacin de 1.000.000 antes de 2.010.
- Conseguir incrementar la rentabilidad econmica un 10% durante 2.008.
- Conseguir una cuota de mercado del 40% antes de Noviembre de 2.007.
Los objetivos del tipo: "Optimizar los recursos empleados" o "Maximizar el
beneficio durante este ao" no son vlidos, ya que no indican una cantidad a
alcanzar y un plazo para conseguirlo. Tampoco sera correcto el objetivo: "Gastar
10.000 en renovar el equipamiento informtico durante Febrero", ya que eso
depende directamente de la compaa.
Polticas: una poltica es una conducta que marca la compaa, y que sirve
para describir su actitud, continuada en el tiempo, a la hora de enfrentarse a
situaciones de diversa ndole. El verbo asociado a una poltica es
siempre establecer:
- Establecer una poltica de cobros a 30 das y de pagos a 90 das.
- Establecer una poltica de contratacin para titulados con al menos 2 aos de
experiencia.
- Establecer una poltica retributiva basada en un 80% de retribucin fija y 20%
retribucin variable.
El
plan
operativo
anual
debe
estar
perfectamente
alineado
con
el plan
ejemplo,
para
el
caso
del
objetivo:
Mes
POA Acumulado
Real Acumulado
Desviacin
Enero
15.000
16.292
1.292
Febrero
30.000
26.488
-3.512
Marzo
50.000
41.351
-8.649
Abril
70.000
60.134
-9.866
Mayo
85.000
74.011
-10.989
Junio
100.000
88.506
-11.494
Julio
120.000
Agosto
150.000
Septiembre
170.000
Octubre
180.000
Noviembre
190.000
Diciembre
200.000
(-)
(-)
Esto es preciso hacerlo, naturalmente, para cada objetivo anual de cada entidad.
Lo ms importante de este modelo es que, mediante un correcto seguimiento del
plan operativo anual, se puede hallar no slo las desviaciones en el plan, sino
tambin el motivo de su origen. La herramienta de Business Intelligence dedicada a
este fin es una de las ms implantadas en las empresas modernas: el Cuadro de
Mando Integral oBalanced Scorecard.
http://www.sinnexus.com/business_intelligence/plan_operativo_anual.aspx
eliminar
las
conjeturas
la
ignorancia
en
los
ambientes
cash-flow,
etc
Con
el
business
intelligence,
todos
los
http://www.sinnexus.com/business_intelligence/inversion.aspx
No
N/a
No
N/a
No
N/a
Dedica
S
No
horas
No
N/a
extras
analizar
documentos
informes?
N/a
No
N/a
No
N/a
de
su
sector?
No
N/a
http://www.sinnexus.com/business_intelligence/test_empresa.aspx
Inteligencia de Negocios
La Inteligencia de Negocios es el conjunto de productos y servicios que
permiten a los usuarios finales acceder y analizar de manera rpida y
http://www.idensa.com/
Un ejemplo de esto podra ser un supervisor de ventas que utiliza una hoja de clculo para
monitorear el cumplimiento de las cuotas de ventas de los vendedores a su cargo, una de las
columnas tendra una informacin fija (la cuota de ventas) y a su lado podra estar una columna
que diariamente extraiga el total de ventas para se vendedor en particular. El supervisor de
ventas a su vez podra aplicar frmulas tomando en cuenta la columna de cuota y la columna
de venta real sin necesidad de tener que introducirlas de manera manual.
http://www.idensa.com/component/content/article/13-uncategorised/25nivel-operativo.html
http://www.idensa.com/component/content/article/13-uncategorised/24nivel-tactico.html
http://www.idensa.com/component/content/article/13uncategorised/23-nivel-estrategico.html