DIAPOSITIVA 6

Integración entre proveedores

Las relaciones de cooperación entre distintos proveedores serán vitales para el
desarrollo del sector logístico en 2016, año en el que las fluctuaciones de la
economía ya demuestran una marcada inestabilidad. Bajo esta lógica, los
principales competidores pueden llegar a convertirse incluso en aliados y
actuar en conjunto para acceder a mercados antes inexplorados. La unión de
fuerzas en una cadena de suministro compartida puede generar resultados
muy positivos como obviar procedimientos que generan costos extra y
consolidar nuevas fuentes de ingresos.

DIAPOSITIVA 7

Explotar el potencial del e-commerce

El comercio electrónico está experimentando un notable ascenso y tiene el
potencial de consolidarse como una pieza vital en la cadena de suministro.
Brindar una mejor experiencia de compra al usuario siempre será una prioridad
y para ello es necesario desarrollar plataformas de pedidos en línea óptimas,
garantizando las condiciones de seguridad necesarias para generar una mayor
confianza en los usuarios; esto sumado al desarrollo de una infraestructura
sólida y amigable para el e-commerce permitirá además alcanzar a aquellas
generaciones que aún se reúsan a confiar sus pedidos a internet. En este
sentido, un mejoramiento progresivo de sistemas de información y rastreo de
pedidos evitará errores sustanciales en la operación y garantizará una mayor
satisfacción de los clientes.

La penetración del comercio electrónico frente a otros canales de venta no

supera 5%, según últimos registros de la Cámara Colombiana de Comercio
Electrónico. Pero las empresas no escatiman esfuerzos para seguir creciendo
en ese segmento, que más que futuro, es el presente.

Hace poco el eCommerce Institute entregó los premios Ecommerce Awards

Colombia para destacar buenas prácticas y el constante trabajo de varias
compañías por posicionar sus ventas en la red. En el listado de nominados
aparecieron empresas del talante de Éxito, Avianca, Olímpica y
Movistar. Finalmente ganaron, en la categoría retail, Jumbo (Cencosud); en
moda y belleza, Mario Hernández (Marroquinera SA); en industria turística,
Despegar; en servicios y soluciones para comercio electrónico, Mercado Pago
de Mercado Libre; en entretenimiento, Cine Colombia; en servicios financieros,
Paymentez y en mejor iniciativa móvil, Rappi.
Otras categorías, como mejor Pyme y mejor agencia, premiaron a Brandilve y
Farmalisto, respectivamente. Para vender en línea no se necesita solo un
‘carrito de compras‘. También las suficientes condiciones de seguridad, la
capacidad de la nube y una experiencia de usuario competitiva centrada en los
intereses del consumidor. De condiciones de este tipo dependerá que más
gente se anime a comprar en internet.

DIAPOSITIVA 8

Durante el mes de enero de 2019 fueron realizadas en Colombia 8 millones de

visitas a páginas web de Comercio Electrónico, 135.000 más que en el mismo
mes de 2018. De estas visitas, 2.6% llegaron al carro de compra, mientras que
en enero del año pasado lo hicieron 2.7%. El promedio de tiempo por visita fue
de 4 minutos y 32 segundos, y un usuario promedio visitó 4.5 páginas por cada
ingreso a la web desde un computador o dispositivo móvil. De hecho, el 57%
del tráfico es realizado través de un dispositivo móvil.

De los consumidores online, el 46% fueron hombres y el 54% mujeres.

Además, los millennials siguen siendo los heavy users del canal ya que el 41%
de los usuarios tienen entre 25 y 34 años de edad. Por último, por cada usuario
único se realizaron 2.2 visitas y la tasa de rebote (usuarios que entraron a la
página web sin interacción alguna) fue del 46.4% vs. el 46.4% en el 2018.

FMCG, del inglés fast moving consumer goods) significa bienes de consumo de

movimiento rápido

DIAPOSITIVA 12

Prepararse para el nearshoring

Países latinoamericanos como Colombia tienen un alto potencial para ofrecer
diferentes servicios nearshoring, una práctica en aumento mediante la cual
grandes compañías transfieren sus negocios a países cercanos, con ubicación
geográfica estratégica, que tienen facilidades arancelarias y manejan cuotas
salariales menores. Una adecuada consolidación de operaciones y
optimización de servicios puede hacer a cualquier empresa atractiva para una
multinacional que desee operar desde otro país; por lo tanto, fortalecer la
calidad de los servicios logísticos puede potenciarse como una oportunidad
para ampliar el espectro de participación en el mercado internacional.

DIAPOSITIVA 19

DIAPOSITIVA 21

Big Data es la posibilidad de explotar comercialmente una gran cantidad de

datos para crear nuevos servicios comerciales. En el mundo se acumulan cada
vez más datos en formato digital pero el problema es que estos datos son en
general poco estructurados y en cantidades ingentes. 

Big Data es un término que describe el gran volumen de datos, tanto

estructurados como no estructurados, que inundan los negocios cada día. Pero
no es la cantidad de datos lo que es importante. Lo que importa con el Big Data
es lo que las organizaciones hacen con los datos. Big Data se puede analizar
para obtener ideas que conduzcan a mejores decisiones y movimientos de
negocios estratégicos.
1. ¿Qué es Big Data?

Cuando hablamos de Big Data nos referimos a conjuntos de datos o

combinaciones de conjuntos de datos cuyo tamaño (volumen), complejidad
(variabilidad) y velocidad de crecimiento (velocidad) dificultan su captura,
gestión, procesamiento o análisis mediante tecnologías y herramientas
convencionales, tales como bases de datos relacionales y estadísticas
convencionales o paquetes de visualización, dentro del tiempo necesario para
que sean útiles.

Descárgate nuestra Guía sobre Big Data

Aunque el tamaño utilizado para determinar si un conjunto de datos

determinado se considera Big Data no está firmemente definido y sigue
cambiando con el tiempo, la mayoría de los analistas y profesionales
actualmente se refieren a conjuntos de datos que van desde 30-50 Terabytes a
varios Petabytes.

La naturaleza compleja del Big Data se debe principalmente a la naturaleza no

estructurada de gran parte de los datos generados por las tecnologías
modernas, como los  web logs, la identificación por radiofrecuencia (RFID), los
sensores incorporados en dispositivos, la maquinaria, los vehículos, las
búsquedas en Internet, las redes sociales como Facebook, computadoras
portátiles, teléfonos inteligentes y otros teléfonos móviles, dispositivos GPS y
registros de centros de llamadas.

En la mayoría de los casos, con el fin de utilizar eficazmente el Big Data, debe
combinarse con datos estructurados (normalmente de una base de datos
relacional) de una aplicación comercial más convencional, como un ERP
(Enterprise Resource Planning) o un CRM (Customer Relationship
Management).

2. ¿Por qué el Big Data es tan importante?

Lo que hace que Big Data sea tan útil para muchas empresas es el hecho de
que proporciona respuestas a muchas preguntas que las empresas ni siquiera
sabían que tenían. En otras palabras, proporciona un punto de referencia. Con
una cantidad tan grande de información, los datos pueden ser moldeados o
probados de cualquier manera que la empresa considere adecuada. Al
hacerlo, las organizaciones son capaces de identificar los problemas de una
forma más comprensible.

La recopilación de grandes cantidades de datos y la búsqueda de tendencias

dentro de los datos permiten que las empresas se muevan mucho más
rápidamente, sin problemas y de manera eficiente. También les permite
eliminar las áreas problemáticas antes de que los problemas acaben con sus
beneficios o su reputación.
 El análisis de Big Data ayuda a las organizaciones a aprovechar sus datos y
utilizarlos para identificar nuevas oportunidades. Eso, a su vez, conduce a
movimientos de negocios más inteligentes, operaciones más eficientes,
mayores ganancias y clientes más felices. Las empresas con más éxito con Big
Data consiguen valor de las siguientes formas:

 Reducción de coste. Las grandes tecnologías de datos, como Hadoop y

el análisis basado en la nube, aportan importantes ventajas en términos de
costes cuando se trata de almacenar grandes cantidades de datos, además
de identificar maneras más eficientes de hacer negocios.
 Más rápido, mejor toma de decisiones. Con la velocidad de Hadoop y la
analítica en memoria, combinada con la capacidad de analizar nuevas
fuentes de datos, las empresas pueden analizar la información
inmediatamente y tomar decisiones basadas en lo que han aprendido.
 Nuevos productos y servicios. Con la capacidad de medir las
necesidades de los clientes y la satisfacción a través de análisis viene el
poder de dar a los clientes lo que quieren. Con la analítica de Big Data, más
empresas están creando nuevos productos para satisfacer las necesidades
de los clientes.
 Turismo: Mantener felices a los clientes es clave para la industria del
turismo, pero la satisfacción del cliente puede ser difícil de medir,
especialmente en el momento oportuno. Resorts y casinos, por ejemplo,
sólo tienen una pequeña oportunidad de dar la vuelta a una mala
experiencia de cliente. El análisis de Big data ofrece a estas empresas la
capacidad de recopilar datos de los clientes, aplicar análisis e identificar
inmediatamente posibles problemas antes de que sea demasiado tarde.
 Cuidado de la salud: El Big Data aparece en grandes cantidades en la
industria sanitaria. Los registros de pacientes, planes de salud,
información de seguros y otros tipos de información pueden ser difíciles
de manejar, pero están llenos de información clave una vez que se
aplican las analíticas. Es por eso que la tecnología de análisis de datos
es tan importante para el cuidado de la salud. Al analizar grandes
cantidades de información - tanto estructurada como no estructurada -
rápidamente, se pueden proporcionar diagnósticos u opciones de
tratamiento casi de inmediato.
 Administración: La administración se encuentra ante un gran desafío:
mantener la calidad y la productividad con unos presupuestos ajustados.
Esto es particularmente problemático con lo relacionado con la justicia.
La tecnología agiliza las operaciones mientras que da a la
administración una visión más holística de la actividad.
 Retail: El servicio al cliente ha evolucionado en los últimos años, ya que
los compradores más inteligentes esperan que los minoristas
comprendan exactamente lo que necesitan, cuando lo necesitan. El Big
Data ayuda a los minoristas a satisfacer esas demandas. Armados con
cantidades interminables de datos de programas de fidelización de
clientes, hábitos de compra y otras fuentes, los minoristas no sólo tienen
una comprensión profunda de sus clientes, sino que también pueden
predecir tendencias, recomendar nuevos productos y aumentar la
rentabilidad.
  Empresas manufactureras: Estas despliegan sensores en sus productos
para recibir datos de telemetría. A veces esto se utiliza para ofrecer
servicios de comunicaciones, seguridad y navegación. Ésta telemetría
también revela patrones de uso, tasas de fracaso y otras oportunidades
de mejora de productos que pueden reducir los costos de desarrollo y
montaje.
 Publicidad: La proliferación de teléfonos inteligentes y otros dispositivos
GPS ofrece a los anunciantes la oportunidad de dirigirse a los
consumidores cuando están cerca de una tienda, una cafetería o un
restaurante. Esto abre nuevos ingresos para los proveedores de
servicios y ofrece a muchas empresas la oportunidad de conseguir
nuevos prospectos.
 Otros ejemplos del uso efectivo de Big Data existen en las siguientes
áreas:
o Uso de registros de logs de TI para mejorar la resolución de
problemas de TI, así como la detección de infracciones de
seguridad, velocidad, eficacia y prevención de sucesos futuros.
o Uso de la voluminosa información histórica de un Call Center de
forma rápida, con el fin de mejorar la interacción con el cliente y
aumentar su satisfacción.
o Uso de contenido de medios sociales para mejorar y comprender
más rápidamente el sentimiento del cliente y mejorar los
productos, los servicios y la interacción con el cliente.
o Detección y prevención de fraudes en cualquier industria que
procese transacciones financieras online, tales como compras,
actividades bancarias, inversiones, seguros y atención médica.
o Uso de información de transacciones de mercados
financieros para evaluar más rápidamente el riesgo y tomar
medidas correctivas.

3. Desafíos de la calidad de datos en Big Data

Las especiales características del Big Data hacen que su calidad de datos se
enfrente a múltiples desafíos. Se trata de las conocidas como 5 Vs: Volumen,
Velocidad, Variedad, Veracidad y Valor, que definen la problemática del Big
Data.

Estas 5 características del big data provocan que las empresas

tengan problemas para extraer datos reales y de alta calidad, de conjuntos de
datos tan masivos, cambiantes y complicados.

Hasta la llegada del Big Data, mediante ETL podíamos cargar la información
estructurada que teníamos almacenada en nuestro sistema ERP y CRM, por
ejemplo. Pero ahora, podemos cargar información adicional que ya no se
encuentra dentro de los dominios de la empresa: comentarios o likes en redes
sociales, resultados de campañas de marketing, datos estadísticos de terceros,
etc. Todos estos datos nos ofrecen información que nos ayuda a saber si
 nuestros productos o servicios están funcionando bien o por el contrario están
teniendo problemas.

Algunos desafíos a los que se enfrenta la calidad de datos de Big Data son:

1. Muchas fuentes y tipos de datos

Con tantas fuentes, tipos de datos y estructuras complejas, la dificultad de

integración de datos aumenta.

Las fuentes de datos de big data son muy amplias:

 Datos de internet y móviles.

 Datos de Internet de las Cosas.
 Datos sectoriales recopilados por empresas especializadas.
 Datos experimentales.

Y los tipos de datos también lo son:

1. Tipos de datos no estructurados: documentos, vídeos, audios, etc.

2. Tipos de datos semi-estructurados: software, hojas de cálculo, informes.
3. Tipos de datos estructurados

Solo el 20% de información es estructurada y eso puede provocar muchos

errores si no acometemos un proyecto de calidad de datos.

2. Tremendo volumen de datos

Como ya hemos visto, el volumen de datos es enorme, y eso complica la

ejecución de un proceso de calidad de datos dentro de un tiempo razonable.

Es difícil recolectar, limpiar, integrar y obtener datos de alta calidad de forma

rápida. Se necesita mucho tiempo para transformar los tipos no estructurados
en tipos estructurados y procesar esos datos.

3. Mucha volatilidad

Los datos cambian rápidamente y eso hace que tengan una validez muy corta.
Para solucionarlo necesitamos un poder de procesamiento muy alto.

Si no lo hacemos bien, el procesamiento y análisis basado en estos datos

puede producir conclusiones erróneas, que pueden llevar a cometer errores en
la toma de decisiones.

4. No existen estándares de calidad de datos unificados

En 1987 la Organización Internacional de Normalización (ISO) publicó las

normas ISO 9000 para garantizar la calidad de productos y servicios. Sin
embargo, el estudio de los estándares de calidad de los datos no comenzó
hasta los años noventa, y no fue hasta 2011 cuando ISO publicó las normas de
calidad de datos ISO 8000.

Estas normas necesitan madurar y perfeccionarse. Además, la investigación

sobre la calidad de datos de big data ha comenzado hace poco y no hay
apenas resultados.

La calidad de datos de big data es clave, no solo para poder obtener ventajas
competitivas sino también impedir que incurramos en graves errores
estratégicos y operacionales basándonos en datos erróneos con
consecuencias que pueden llegar a ser muy graves

4. Cómo construir un plan de Data Governance en Big data

Gobernabilidad significa asegurarse de que los datos estén autorizados,

organizados y con los permisos de usuario necesarios en una base de datos,
con el menor número posible de errores, manteniendo al mismo tiempo la
privacidad y la seguridad.

Esto no parece un equilibrio fácil de conseguir, sobre todo cuando la realidad

de dónde y cómo los datos se alojan y procesan está en constante movimiento.

A continuación veremos algunos pasos recomendados al crear un plan de Data

Governance en Big Data.

1. Acceso y Autorización Granular a Datos

No se puede tener un gobierno de datos efectivo sin controles granulares.

Se pueden lograr estos controles granulares a través de las expresiones de

control de acceso. Estas expresiones usan agrupación y lógica booleana para
controlar el acceso y autorización de datos flexibles, con permisos basados en
roles y configuraciones de visibilidad.

En el nivel más bajo, se protegen los datos confidenciales, ocultándolos, y en la

parte superior, se tienen contratos confidenciales para científicos de datos y
analistas de BI. Esto se puede hacer con capacidades de enmascaramiento de
datos y diferentes vistas donde se bloquean los datos en bruto tanto como sea
posible y gradualmente se proporciona más acceso hasta que, en la parte
superior, se da a los administradores una mayor visibilidad.

Se pueden tener diferentes niveles de acceso, lo que da una seguridad más

integrada.

2. Seguridad perimetral, protección de datos y autenticación integrada

La gobernabilidad no ocurre sin una seguridad en el punto final de la cadena.

Es importante construir un buen perímetro y colocar un cortafuegos alrededor
de los datos, integrados con los sistemas y estándares de autenticación
existentes. Cuando se trata de autenticación, es importante que las empresas
se sincronicen con sistemas probados.

Con la autenticación, se trata de ver cómo integrarse con LDAP [Lightweight

Directory Access Protocol], Active Directory y otros servicios de directorio.
También se puede dar soporte a herramientas como Kerberos para soporte de
autenticación. Pero lo importante es no crear una infraestructura separada, sino
integrarla en la estructura existente.

3. Encriptación y Tokenización de Datos

El siguiente paso después de proteger el perímetro y autenticar todo el acceso

granular de datos que se está otorgando es asegúrese de que los archivos y la
información personalmente identificable (PII) estén encriptados y tokenizados
de extremo a extremo del pipeline de datos.

Una vez superado el perímetro y con acceso al sistema, proteger los datos de
PII es extremadamente importante. Es necesario encriptar esos datos de forma
que, independientemente de quién tenga acceso a él, puedan ejecutar los
análisis que necesiten sin exponer ninguno de esos datos.

4. Constante Auditoría y Análisis

La estrategia no funciona sin una auditoría. Ese nivel de visibilidad y

responsabilidad en cada paso del proceso es lo que permite a la TI "gobernar"
los datos en lugar de simplemente establecer políticas y controles de acceso y
esperar lo mejor. También es cómo las empresas pueden mantener sus
estrategias actualizadas en un entorno en el que la forma en que vemos los
datos y las tecnologías que utilizamos para administrarlos y analizarlos están
cambiando cada día.

Estamos en la infancia de Big Data e IoT (Internet de Cosas), y es fundamental

poder rastrear el acceso y reconocer patrones en los datos.

La auditoría y el análisis pueden ser tan simples como el seguimiento de los

archivos de JavaScript Object Notation (JSON).

5. Una arquitectura de datos unificada

En última instancia, el responsable de TI que supervisar la estrategia de

administración de datos empresariales, debe pensar en los detalles del acceso
granular, la autenticación, la seguridad, el cifrado y la auditoría. Pero no debe
detenerse ahí. Más bien debe pensar en cómo cada uno de estos componentes
se integra en su arquitectura de datos global. También debe pensar en cómo
esa infraestructura va a necesitar ser escalable y segura, desde la recolección
de datos y almacenamiento hasta BI, analítica y otros servicios de terceros. La
gobernanza de los datos es tanto acerca de repensar la estrategia y la
ejecución como sobre la propia tecnología.
Va más allá de un conjunto de reglas de seguridad. Es una arquitectura única
en la que se crean estos roles y se sincronizan a través de toda la plataforma y
todas las herramientas que se aportan a ella.