Introducción Big Data

La Analítica Business Intelligence (BI) permite conseguir los objetivos empresariales

a partir del análisis de datos.

Este análisis permite mejorar el negocio tanto a nivel interno como a nivel de servicios
o productos nuevos o mejorados que se ofrecen a los usuarios.

 FOCO DE ANÁLISIS: Informes, KPIs, tendencias

 ANÁLISIS: Retrospectivo, descriptivo
 PROCESO DE ANÁLISIS: Comparativo

Limitaciones BI:

 Datos
o Uso de datos internos (y a veces enriquecidos con estudios de mercados
muy genéricos).
o Falta de capacidad para almacenar todos los datos
o Infra-explotación de los datos disponibles (debido a las limitaciones en
términos de procesamiento y tiempo).
 Analítica
o Silos de información, falta de compartición de la información
o Análisis por áreas, no globales.
o Analítica de hechos pasados, no predictivo
 Tecnología
o Procesamientos lentos: procesar cantidades requiere de procesos muy
pesados y lentos
o Alto riesgo en posible fallo de las máquinas: el fallo de una máquina
puede generar una pérdida de la información en caso de que no se
gestione correctamente.
o Almacenamiento centralizado de los datos: único punto de acceso.

Conclusión: Con el BI no basta

BIG DATA
Data Lake: Lago de Datos = Gestión eficiente, Gobernanza, protección y acceso

 Un Lago de Datos facilita datos a una organización para realizar análisis de todo
tipo
 Es posible introducir el análisis en el Lago de Datos para generar conocimiento
adicional de los datos cargados
 Un Lago de Datos gestiona repositorios compartidos de información para
analizarla
 Cada repositorio del Lago de Datos se optimiza para un procesamiento particular

1
  Los datos pueden replicarse en múltiples repositorios en el Lago de Datos y tener
distintos significados/usos

Las V’s del Big Data y la Ciencia del Dato

Volumen: Lago de Datos = Gestión eficiente, Gobernanza, protección y acceso

Velocidad: Decisiones tomadas tarde conllevan a oportunidades pérdidas

Variedad: Diferentes formatos, tipos y estructuras

Valor:

 Mejorar las estimaciones del riesgo de crédito

 Aumentar cartera de clientes
 Aminorar la pérdida de clientes
 Aumentar la satisfacción de los clientes
 Incrementar la eficiencia de los programas de Marketing
 Aumentar las ventas mediante análisis predictivos

Data Science, la ciencia que extrae nuevos insights de cualquier tipo de datos, y generar
nuevo valor para el negocio.
Nuevas estrategias de análisis requeridas por el Big Data
Business Intelligence: Enfoque analítico referido a todos los datos acumulados
(presente, pasado) con datos estructurados y que permiten responder a preguntas
objetivas sobre como es el estado actual o pasado.
Data Science: Enfoque a hacer predicciones, modelos, previsiones etc. Para un futuro a
partir del análisis del pasado.

Predicción: ¿qué harán?

Actitudinal: ¿Por qué?
 Uso App móvil
 Canales: online, social network, stores, etc

2
Interacción: ¿Cómo?
 Contenido Call Center
 Cantidad de la experiencia
Comportamental: ¿Qué?
 Cómo navegan por los canales
 Dónde están nuestros consumidores: Geolocalización
Descriptivo: ¿Quién?
 Productos y Servicios
 ATM Usage

Compañías DATA-DRIVEN (Incorporan la última tecnología)

Transformación Digital (Proceso largo). Consiste en orientar el modelo de la
compañía para que se ajuste a las necesidades del CLIENTE DIGITAL.

Ventajas de compañías DATA-DRIVEN

1. Genera experiencias nuevas al cliente
2. Mejora eficiencia operativa
3. Generación de nuevas fuentes de ingresos
4. Capacidad de respuesta rápida ante los cambios en el mercado
5. Crear una ventaja competitiva para la organización
6. Impulsa la cultura de la innovación dentro de la organización
7. Mejora la colaboración interna
8. Toma de decisiones basadas en datos (Big Data)

3
Las empresas que quieran evolucionar hacia enfoques data-driven deben incorporar los
siguientes perfiles y capacidades

Big Data Architect

Perfil encargado del diseño, despliegue y gestión de la arquitectura Big Data.
Rol: Desarrolla, construye, prueba y administra arquitecturas Big Data. Crea sistemas de
gestión integrados para centralizar, proteger y mantener fuentes de datos.
Mindset: Apasionados por el diseño de arquitecturas de datos.
Languages: SQL, Hive, Cassandra, Hadoop, Mongo DB, Python, Spark y Java.
Skills & Talent:
 Gestión de bases de datos
 Data modelling
 Desarrollo de arquitecturas de bases de datos
Big Data Engineer
Perfil responsable del flujo de información end-to-end desde un punto de vista técnico.
Rol: Desarrolla, construye, prueba bases de datos y sistemas de procesamiento de datos
a gran escala.
Mindset: No hay reto que no pueda superar.
Languages: SQL, MapReduce, Hadoop, Hive, Mongo DB, Cassandra, Java, Spark y Python.
Skills & Talent:
 Data APIs
 Extracción, transformación y carga (ETL), hojas de cálculo y herramientas de BI
Data Scientist
Perfil encargado de la extracción de valor y conocimiento de los datos.
Rol: Recopila, procesa y presenta informes estadísticos.
Mindset: Adicto a los datos con un alto grado de ingenio.

4
Languages: K-means Clustering, Decision Trees, Random Forest, Naïve Bayes, Lineal
RegresionSQL, MapReduce, Cassandra, R, Spark y Python.
Skills & Talent:
 Sistema de Bases de Datos
 Hojas de cálculo
 Comunicación y visualización
 Estadística, matemáticas, machine learning
Data Visualization Specialist
Perfil responsable del diseño y creación de visualizaciones de datos de gran impacto.
Rol: Desarrollo con métodos de visualización más adecuados para extraer los insights en
la explotación de los datos.
Mindset:

 Visión analítica y exploratoria en datos

 Rápida capacidad de aprender nuevas librerías y frameworks
Languages: Javascript, Typescript, PHP, Java, HTML, CSS, D3, etc.
Skills & Talent:

 Conocimiento de arquitecturas Webs

 Desarrollo de APIs
 Conocimiento Front & Back end, DB y herramientas comerciales de visualización
 Conocimiento de frameworks Front & Back & servers
Big Data Business Consultant
Perfil responsable de la interlocución directa con negocio.
Rol: Diseño de la estrategia para la implementación de tecnología Big Data, e
identificación de necesidades de negocio susceptibles de ser resueltas con analítica
avanzada.
Mindset: De los grandes datos, a la mejora del negocio, y más allá.
Languages: No requiere conocimientos en lenguaje de programación, pero sí en idiomas,
indispensable el inglés.
Skills & Talent:

 Conocimiento del sector y del negocio

 Tendencias del mercado
 Conocimiento técnico sobre tecnología Big Data, analítica avanzada y datos
internos y externos
 Técnicas de negociación y comunicación

5
Chief Data Officer
El líder de la organización responsable de crear y ejecutar estrategias de data y analítica
para crear valor de negocio a la compañía.
Roles:

 Define la visión, estrategia, procesos y metodología por el que la empresa

adquiere, almacena y gestiona sus datos y su calidad.
 Coordina todos los proyectos de gestión de datos y analítica de cualquier
departamento.
 Identifica y explota nuevas oportunidades de negocio
Skills:
• Habilidades técnicas, conocimiento de negocio y gestión de personas
• Extraordinarias habilidades comunicativas y de relaciones personales
• Habilidoso en política interna de la empresa
Chief Analytics Officer
Perfil responsable de generar un valor estratégico de los datos a través de la analítica.
Roles:
• Lidera la analítica de la organización
• Gestiona los equipos de analistas y data scientists
• Coordina y supervisa los proyectos analíticos de los diferentes departamentos
de la empresa
Skills:
• Habilidades de negocio y analítica de datos
• Evangelizador del valor de negocio de los datos
• Pragmático y orientado a resultados

ASPECTOS LEGALES Y ÉTICOS

Protección de datos (LOPD)

Es un derecho fundamental de todas las personas que se traduce en la potestad de control sobre
el uso que se hace de sus datos personales.

Este control permite evitar que, a través del tratamiento de nuestros datos, se pueda llegar a
disponer de información sobre nosotros que afecte a nuestra intimidad y demás derechos
fundamentales y libertades públicas. (artículo 18 Constitución Española)

Objetivos del nuevo Reglamento Europeo

Este Reglamento de Protección de Datos pretende:

6
 • Devolver a los ciudadanos el control sobre sus datos personales en un mundo dominado
por los teléfonos inteligentes y las redes sociales y donde la banca por Internet y el
comercio online están a la orden del día.
• Mejorar la seguridad en cuanto a la legislación para las empresas que operan dentro de
la Unión Europea, con el fin de impulsar la innovación y el desarrollo futuro del mercado
único digital, y también se aplicará a las empresas fuera de Europa que se dirijan a los
consumidores de la Unión Europea.

Datos de carárter personal: Cualquier información que identifique o permita identificar a

personas físicas.

En especial:

● Nombre ● Dirección ● DNI

● Religión ● Afiliación sindical ● Partido político

● Nº Tlf ● Información médica ● Nº Cuenta bancaria

● IP ● Estado Civil ● Imagen

Principio de la Finalidad de los datos:

Las finalidades deben ser determinadas, explícitas y legítimas para las que se hayan obtenido.

Los datos de carácter personal objeto de tratamiento no podrán usarse para finalidades
incompatibles con aquellas para las que los datos hubieran sido recogidos.

 No se pueden recoger y almacenar datos que no sean necesarios para la finalidad

previamente establecida.
 El juicio de necesidad incluye los criterios de idoneidad y proporcionalidad.

Los datos deben ser recogidos para una FINALIDAD concreta

Aplicación del BIG DATA

Estructuración de los Casos de Uso en tres ejes estratégicos:

Encargado de mejorar el
Encargado de la optimización de la Encargado de la
conocimiento del cliente para
operativa de la empresa extracción de valor
mejorar la oferta de producto
servicio ● OPERATIVA Y PROCESOS económico de tu dato
poniéndolo a disposición
 CUSTOMER INSIGHTS ● GESTIÓN DEL RIESGO O FRAUDE de terceros.
 SMART MARKETING 7
Tipología de proyectos BIG DATA

Assestment Inicial – Evaluación Inicial

8
 Necesidades
Propuesta Proyectos
del cliente

1. Necesidades del cliente: Detección y análisis de las necesidades o requerimientos del

potencial cliente
a) Me gustaría ser una compañía data-driven, ¿qué necesito? ¿por dónde
empiezo?
b) He hecho mi incursión en big data, ¿Qué pasos hay que dar?
c) ¿En qué nivel de madurez tecnológico se encuentra mi negocio?
1. ¿Cómo extraer mayor valor para mi negocio con analítica avanzada?

Análisis de la situación – Reuniones constantes – Contacto directo con el cliente

2. Propuesta. Proceso de elaboración de propuestas

a) Entender requerimientos
b) Personalizar los servicios y proyectos a medida del cliente
c) Propuesta
3. Proyectos: Implementación del proyecto
a) Project Management
b) Equipos
c) Resultados

Proyecto Analítico Big Data

Fases

9
Equipo

Ejemplo (Iberia Express)

Reto

 Diseñar campañas y productos de forma personalizada.

 Mejorar la eficiencia de las interacciones con el cliente para aumentar en la ratio de
conversión click-to-sell, así como la retención y satisfacción de los clientes.

La solución

• Plataforma Big Data y algoritmos de Machine Learning para la clusterización de clientes

y posterior segmentación de campañas.
 Identificación y aprovisionamiento de fuentes al Data Lake: campañas de captación,
web, encuestas, compras realizadas por día, BB.DD. externas, redes sociales, etc.
 Nuevas variables a partir de: emails, origen del dato, Facebook, Linkedin, histórico de
vuelos e información del canal de venta.
 Nuevas segmentaciones en base a las nuevas variables.

Resultados

 +237% de clientes para campañas personalizadas vía mailing.

• Nuevas variables para 840k clientes y potenciales
• +200k nuevos clientes personalizados (+55%).
 Nuevas segmentaciones: clientes de más valor, unidades sociales extendidas, etc.

Caso de Uso: Predicción de la Fuga de Clientes

Descripción

Para optimizar la retención de los clientes y reducir el churn, en este entregable se plantean dos Commented [MÁES1]: Churn Rate: Tasa de cancelación
Casos de Uso independientes: de clientes. Número de clientes y suscriptores que han
dejado de seguir a una compañía. Porcentaje de abandono
de tu web.

10
 • Scoring de churn: Este Caso de Uso tiene como finalidad calcular el score de fuga del
segmento objetivo, con el fin de identificar aquellos clientes con un score más alto y,
con ello, mayor probabilidad de fuga.
• Path-to-churn: Este Caso de Uso permite detectar el comportamiento previo al
abandono de la compañía de los individuos analizados, con el fin de determinar
patrones de comportamiento típicos al fenómeno del churn.

Una mejora en el segmento objetivo sobre el que aplicar las diferentes acciones de retención,
lo que permitirá:

• Plantear acciones de retención personalizadas y aumentar el porcentaje final de los

clientes retenidos.
• Revertir la tendencia de fuga de los clientes.
• Retener es más rentable que captar.

La identificación de patrones de comportamiento, lo que permitirá:

• Identificar las diferentes sendas de desvinculación.

• Generar nuevas estrategias de actuación o mejorar las actuales
• Optimizar los planes de retención al saber cuándo un cliente está a punto de irse y los
motivos correspondientes

Fuentes de datos

Fuentes internas:

● Altas / Bajas ● ARPU ● Saldos ● Antenas ● KPI Red ● Atención al cliente

● Codificación llamadas ● KPI Atención ● IVR ● Reclamos ● Quejas / Incidencias

● Bolsas ● Intentos compra bolsas ● Recargas ● Intentos recargas

● Consulta saldo ● Intentos consulta ● CDR / XDR ● DPI / WebLogs ● Planes / Tarifas

● Promociones ● Campañas ● Competencia ● Parque Recargador

Fuentes externas:

OpenData

● Facebook ● Sociodemográficas ● Linkedin ● OpenData ● Twitter

Caso de Uso: Análisis del carro de la compra y recomendación de productos en tiempo real

Descripción

• Recomendación de acciones o productos en el momento de la compra a partir del

análisis de la información del cliente
• Estudio de los productos adquiridos por el cliente en la compra actual y compras
pasadas para identificar relaciones entre los propios productos o entre productos y
otros parámetros.
• Recomendación en tiempo real de aquellos productos establecidos como
complementarios a los productos ya adquiridos, según parámetros externos.

11
Beneficios:

Personalización de la experiencia de compra.

• Adaptación a las necesidades del cliente en el momento concreto.

• Aumento del ticket medio.
• Aumento del índice de satisfacción del cliente y fidelización.

Fuentes de datos

Datos internos:

● Productos y familias de productos ● Histórico de compras ● Precios productos

● Factura media ● Descuentos

Datos externos:

● Datos meteorológicos

● Calendario (donde aparezcan datos relativos a eventos importantes)

La dataficación permite maneras totalmente nuevas de generar valor

UBER: Red de transportes privada a través de su software de aplicación móvil, que conecta los
pasajeros con los conductores según la distancia y el destino final.

Netflix: Plataforma que proporciona contenido multimedia bajo demanda que funciona en
base a un motor de recomendación de contenido personalizado.

Airbnb: Marketplace para publicar y reservar viviendas privadas entre particulares, basando la
recomendación de la búsqueda en el perfil del usuario.

Amazon: Marketplace

12