Aplicaciones del Big Data en el sector

privado
El objetivo de esta lectura es conocer algunos casos de Big Data aplicados al
sector privado. Se muestran tres ejemplos sobre cómo el Big Data se está
utilizando hoy para crear valor: la “segmentación de clientes y el motor de
recomendación de aplicaciones”, la “detección de anomalías en tiempo real”
y la “predicción del consumo”.

1
Caso 1: “La segmentación de clientes y el
recomendador de aplicaciones”

Caso 1: el contexto del caso

La atención a los clientes es más eficiente cuando se tiene mayor conocimiento sobre
su comportamiento, pues esto permite personalizar el tratamiento y las ofertas para
ellos. La forma más eficiente de llevar a cabo esta labor es segmentar a los clientes
en grupos que compartan características y, entonces, actuar para cada grupo de
forma más personalizada.

Con Big Data, la posibilidad de analizar grandes volúmenes de datos y nuevos tipos
de datos permite que la segmentación sea más detallada, consiguiendo más
información por grupo y un número de grupos mayor, es decir, Big Data permite hacer
una microsegmentación. De esta forma, las acciones dirigidas a un grupo en particular
serán más efectivas. Veamos un ejemplo con la empresa 1.

Situación de la empresa 1

Una empresa de telecomunicaciones gestiona las conexiones de smartphones a su

red de comunicación e Internet y dispone de datos del uso que hacen sus clientes de
las aplicaciones de la empresa.

Para poder ofrecerles productos a medida de sus necesidades e intereses, la empresa

se plantea construir grupos de clientes, para mejorar su conocimiento sobre los
mismos y, de esta forma, personalizar su oferta de aplicaciones.

Por lo tanto, el principal objetivo de la empresa 1 es segmentar a los clientes en

grupos.

¿Cómo lograr el objetivo?

Para alcanzar su objetivo, la empresa utilizará el análisis de los “logs”. Los “logs”
son el registro de todos los eventos o acciones producidos por los clientes durante la
navegación web o utilización de una aplicación de la empresa. El objetivo del análisis

2
de los logs es detectar las tendencias de consumo de los usuarios (por ejemplo,
consumo bajo y tendencia creciente, consumo alto y tendencia constante) y el tipo de
contenido que consumen (redes sociales, mensajería, multimedia, entre otros).

Una vez realizado el análisis y la segmentación, se pretende desarrollar un “motor

de recomendación sobre aplicaciones”, un programa que sea capaz de filtrar la
información de acuerdo con el perfil (grupo) del usuario y mostrarle solo aquella que
es de interés para él.

Consideraciones técnicas para lograr el objetivo

Con el fin de desarrollar la segmentación para detectar tendencias de consumo y

tendencias del tipo de contenido consumido, la empresa debe ejecutar algoritmos de
diversos tipos.

En el caso de las tendencias de consumo, se utilizan algoritmos de clustering: una

técnica de agrupamiento, en este caso, de clientes, por características similares; como
el momento del día en el que ellos usan una aplicación (según información contenida
en los logs de esta aplicación). Por ejemplo, los algoritmos podrían detectar un grupo
de clientes que realiza uso de la aplicación a primera hora de la mañana y otro grupo
de clientes que lo hace a última hora del día.

En cambio, para segmentar a los clientes en función de los tipos de contenidos que
consumen se utiliza otro algoritmo que, de acuerdo con la información contenida en
los logs, asigna a cada cliente una probabilidad de pertenencia a cada uno de los
tópicos detectados. Por ejemplo, en base al estudio de los contenidos que más
frecuentan los clientes, se podrá categorizar a los mismos en distintos grupos

3
(contenidos musicales, deportivos, culturales, etc.) y realizar un trato personalizado a
cada grupo, con contenidos adaptados a sus preferencias.

Finalmente, una vez que ya se ha hecho el análisis de logs mediante los algoritmos,
se elabora el sistema de recomendación. Para ello, se utiliza la técnica de
collaborative filtering. Esta técnica permite hacer predicciones automáticas (por lo
general, en tiempo real) sobre los intereses de un usuario mediante la recopilación de
las preferencias de muchos usuarios. Por ejemplo, gracias a esta técnica, se pueden
realizar predicciones de consumo de los clientes y realizar recomendaciones de
contenidos nuevos que en base al comportamiento histórico que han mostrado éstos,
muestran una alta probabilidad de generar interés. Por ejemplo, un grupo de clientes
categorizado como amante de los contenidos deportivos, podrá ofrecer predicciones
automáticas sobre contenidos relacionados con actividades de ocio realizadas al aire
libre, debido a las similitudes que ofrecen los dos tipos de actividades.

¿Cuál es el valor de esta solución para el negocio de la empresa?

La microsegmentación realizada en este caso de uso trata de obtener el máximo valor

de los logs de navegación para mejorar el conocimiento que la empresa tiene sobre
sus clientes y sus comportamientos. Los últimos estudios de mercado (por ejemplo,
el “2017 Telecommunications Trends Report” de la consultora PwC) indican que los
usuarios hablan, chatean, navegan y consultan información utilizando su acceso a
datos, disminuyendo progresivamente su tráfico tradicional de voz y SMS. Por lo tanto,
el valor de negocio no es sólo mejorar el conocimiento del cliente, sino también
abarcar el análisis de los logs de navegación como la fuente más importante de la
información del cliente.

Además, gracias a estos datos, la empresa podrá realizar ofertas personalizadas a

sus clientes en el momento y lenguaje más adecuados, permitiendo materializar sus
beneficios como un aumento en las ventas y en la fidelización de los clientes (por
ejemplo, una oferta en los planes de la compañía de telecomunicaciones,
seleccionada en base a los intereses y comportamiento del cliente; tendrá mayor
capacidad para sorprenderle y satisfacer sus necesidades frente a la competencia,
que no posee este conocimiento de sus clientes).

4
Caso 2: “Analítica avanzada hacia la detección de
anomalías en tiempo real”

Caso 2: el contexto del caso

Las empresas que disponen de tecnología, ya sea propia o manejada por un

contratista externo, suelen experimentar fallos en sus componentes, lo que puede
causar la interrupción del servicio. Disponer de la información del fallo en el menor
tiempo posible ayuda a minimizar el impacto en los usuarios y reducir su tiempo sin
servicio; ya sea notificándoles de la situación o enviando técnicos con mayor rapidez
para que solucionen el problema.

Una mala gestión de estas incidencias puede causar mala imagen y desconfianza,
por ejemplo, ventas perdidas por falta de reposición de inventario en los puntos de
venta en empresas de distribución, o pérdidas de clientes en empresas de
telecomunicaciones porque el servicio se interrumpe con frecuencia. Además de las
pérdidas que esto supone, se añaden otros problemas, como indemnizaciones a los
usuarios y/o multas del regulador por incumplimiento del servicio.

Veamos un ejemplo con la empresa 2.

Situación de la empresa 2

La Empresa 2 necesita contar con toda la información sobre la prestación de sus

servicios en el mínimo tiempo posible y esto supone la implementación de tecnologías
Big Data que permitan disponer, con garantías, de todos los datos e información
posibles, para poder cumplir con el objetivo de detectar rápidamente las incidencias y
actuar en el menor tiempo posible.

¿Cómo lograr el objetivo?

El éxito del caso reside en habilitar información clave en el tiempo mínimo; y ponerla
a disposición de la empresa en un “panel de control” que permita la visualización
online y una monitorización constante de la plataforma. El objetivo es que la empresa
cuente con un panel de control de fallos, que incluya las siguientes herramientas:

5
 • Alarmas: indicación en el panel de control de ocurrencia de anomalía en una
variable determinada, la desviación que provocó la anomalía, validación y
registro de comentarios del controlador, o persona de la compañía encargada
de la revisión de esas variables. Por ejemplo, la alarma indicará que el fallo
proviene de la maquina principal, causado por un tipo de avería frecuente (corte
de luz), que ha sido validado por el controlador y registrado (corte de luz y
reactivación de máquina).

• Gráfica de líneas temporal: representación visual de la evolución temporal de

la variable sobre la que se está estudiando la anomalía. Por ejemplo, en el caso
de averías en maquinaría por las condiciones atmosféricas del entorno, la
gráfica mostrará el comportamiento de las mismas, en el tiempo en relación a
la temperatura, humedad y viento.

• Indicadores: medida, dato o información que sirve para conocer o valorar las
características y la intensidad sobre los elementos que componen el sistema.
Por ejemplo, se mostrarán todos los fallos asociados a cada máquina y su
evolución con el objetivo de poder visualizar cuáles tienen, por ejemplo, mayor
influencia en un paro técnico.

• Informes gráficos estadísticos: por ejemplo, podrán reflejar la evolución de

distintas máquinas para comparar marcas de distintos proveedores o para
determinar su obsolescencia.

Consideraciones técnicas para lograr el objetivo

Para poder implementar la plataforma tecnológica y el panel de control de fallos, se

requiere de las siguientes tecnologías y técnicas:

6
 • Creación de un data lake o lago de datos, es decir, la creación de un repositorio
donde se almacenan los datos de la compañía), mediante la implementación
de una plataforma de ingesta de datos tipo streaming y offline; que incorpora
hasta 14 fuentes diferentes de datos. La ingesta en streaming se realiza en
tiempo real, según los datos están siendo generados, y la ingesta offline se
realiza en momentos concretos según la frecuencia deseada: diaria, semanal,
mensual, etc.).

• Análisis de datos para predecir y detectar anomalías. Por ejemplo, predecir

cuándo fallará el motor en un camión de transporte en base a su historial de
uso, información de sus mantenciones y sensores a bordo.

• Visualización de los diferentes KPIs (indicadores del desempeño)

geolocalizados, con la finalidad de visualizar estas anomalías y reportar cuándo
y dónde se han producido; mediante una aplicación web con varias
funcionalidades.

¿Cuál es el valor de esta solución para el negocio de la empresa?

El valor de negocio de implementar un panel de control de fallos y las tecnologías

relacionadas al mismo, se resume en los siguientes aspectos:

• La nueva disponibilidad de información sobre averías permitirá a la empresa 2

optimizar los procesos de gestión de mantenimiento reactivo y, además,
mejorar el mantenimiento preventivo, a fin de evitar el reactivo que es más caro
y tiene pérdidas asociadas discutidas previamente.

• El rápido acceso habilitado con el panel permite reducir los tiempos sin servicio,
al acelerar la asignación de tareas u órdenes de trabajo a los técnicos
responsables de realizarlas.

• El servicio ofrecido mejora: por una tolerancia mayor a fallos, consigue clientes
satisfechos.

7
Caso 3: “Segmentación de clientes y predicción
consumo y demanda de servicios”

Caso 3: el contexto del caso

Una gran compañía de telecomunicaciones se plantea utilizar los datos de consumo

de sus clientes, los que provienen del uso que ellos hacen de sus teléfonos móviles,
para configurar tipos de productos y/o servicios y tarifas que se adapten mejor a la
demanda de sus clientes.

Veamos un ejemplo con la empresa 3.

Situación de la empresa 3

Para que la empresa 3 de telecomunicaciones pueda adaptar sus servicios de mejor

manera a sus clientes, necesita entender en qué actividades sus clientes consumen
más datos de sus teléfonos móviles. Esto les ayudará a comprender su
comportamiento y necesidades (por ejemplo, en relación al “volumen de llamadas” y
“navegación web”), con el fin de mejorar el servicio.

En este caso, la empresa tiene como objetivo identificar los patrones principales de
consumo de los clientes en los siguientes aspectos:

• Horarios de llamadas. Por ejemplo, puede haber un grupo de usuarios que

suele llamar a su familia antes de regresar del trabajo a casa. Este es un patrón
que es útil conocer, podría permitir a la empresa ofrecer tarifas especiales para
esa hora de llamada en particular.

• Cantidad de llamadas. Por ejemplo, si la empresa identifica que en general los

clientes no realizan muchas llamadas telefónicas; podría interpretarse que tal
vez existe una tendencia de comunicación mediante otra vía, por ejemplo,
mensajería instantánea.

• Destino de las llamadas. Por ejemplo, identificar clientes que tienden a realizar
llamadas internacionales puede denotar un interés en viajes y actividades
turísticas.

8
 • Duración de las llamadas. Por ejemplo, llamadas largas en horario laboral
indica tendencia a comunicarse por teléfono en reuniones del ámbito
profesional.

• Cantidad de mensajes de texto. Por ejemplo, conocer la cantidad de mensajes

enviados por un usuario permite inferir si el usuario tiende a comunicarse más
a través de aplicaciones de mensajería instantánea, o no.

• Consumo de datos. Por ejemplo, un consumo relativamente elevado de datos

en redes móviles frente al consumo en redes fijas indica la preferencia del
usuario a navegar y reproducir contenidos en dispositivos portátiles (tablets,
teléfonos, etc.)

¿Cómo lograr el objetivo?

Para encontrar los patrones en horarios de llamada, cantidad de llamadas, destinos,

etc., la empresa debe analizar los registros de llamada y registros de conexión de
datos de las líneas de teléfono móvil de clientes específicos. Una vez realizado el
análisis y descubierto los patrones, la empresa podrá categorizar a los clientes en
grupos y luego, incluso, predecir el consumo que harán en sus teléfonos móviles y la
demanda de servicios en los mismos.

Consideraciones técnicas para lograr el objetivo

Dentro del alcance del caso, la empresa determina las siguientes acciones:

• Identificar el destino de la llamada o proveedores de servicios que se han

consumido a través de las conexiones de datos.

9
 • Realizar analítica predictiva sobre las variables relevantes como coste,
duración de las llamadas y consumo de datos en bytes.

• Segmentar las líneas de teléfono acorde a sus comportamientos.

¿Cuál es el valor de esta solución para el negocio de la empresa?

El valor de negocio al segmentar clientes y realizar analítica predictiva de datos se

resume en los siguientes aspectos:

• Entender los diferentes usos de las líneas. Por ejemplo, si es una línea que
sólo se utiliza para navegar y no llamar o viceversa.

• Identificar grupos de clientes con comportamientos parecidos. Por ejemplo,

segmentar a mis clientes por edad, puesto que no harán el mismo uso del
teléfono jóvenes de entre 18-25 años que los mayores de 65 años.

• Predecir futuros usos de servicios y costes. Por ejemplo, poder conocer de

forma anticipada qué servicio necesitará mi cliente en base al comportamiento
pasado del mismo.

• Recomendar tarifas ajustadas a las necesidades de los clientes. Por ejemplo,

ofrecer tarifas con descuentos en horarios, cuando los clientes llaman menos
o navegan menos.

10
Conclusiones

A través del estudio de estos ejemplos y gracias al Big Data, vemos como las
empresas pueden afrontar nuevos retos y dar respuesta a las nuevas necesidades de
negocio, mejorando los procesos de la toma de decisiones y adaptándose a un
consumidor cada vez más exigente.

Estos casos de uso Big Data y las técnicas de analítica avanzada, ayudan a alcanzar
los objetivos de cada empresa y que estos a su vez aporten valor a su negocio,
ayudándoles a adquirir una ventaja competitiva en el mercado.

Referencias

• El-Darwiche, B., Péladeau, P., Rupp, C. & Groene, F. (2017). 2017

Telecommunications Trends Report. Recuperado de:

https://www.strategyand.pwc.com/trend/2017-telecommunications-industry-
trends

Esta obra está sujeta a la Licencia Reconocimiento-NoComercial-SinObraDerivada 3.0 España de Creative Commons. Para ver una copia
de esta licencia, visite http://creativecommons.org/licenses/by-nc-nd/3.0/es/ o envíe una carta Creative Commons, PO Box 1866, Mountain
View, CA 94042, USA.

11