Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2.1.2. Lectura Aplicaciones Del Big Data en El Sector Privado PDF
2.1.2. Lectura Aplicaciones Del Big Data en El Sector Privado PDF
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”
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
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).
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.
4
Caso 2: “Analítica avanzada hacia la detección de
anomalías en tiempo real”
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.
Situación de la empresa 2
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).
• 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.
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.).
• 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”
Situación de la empresa 3
En este caso, la empresa tiene como objetivo identificar los patrones principales de
consumo de los clientes en los siguientes aspectos:
• 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.
Dentro del alcance del caso, la empresa determina las siguientes acciones:
9
• Realizar analítica predictiva sobre las variables relevantes como coste,
duración de las llamadas y consumo de datos en bytes.
• Entender los diferentes usos de las líneas. Por ejemplo, si es una línea que
sólo se utiliza para navegar y no llamar o viceversa.
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
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