FACULTAD:

“Facultad De Ciencias Económicas, Administrativas Y Contables”

ESCUELA:

Administración

CURSO:

Sistemas de Información Gerencial

TEMA:

Caso 6: ¿Acaso big data trae consigo grandes recompensas?

DOCENTE:

RONCAL DÍAZ, César Wilbert

INTEGRANTES:

CHAVEZ CABREJOS, Jhonatan Paolo

LOZADA MONTOYA, Josué Miguel

MACASSI SUAREZ, Giancarlo Marino

SANTISTEBAN MINO, Jonathan Luis

CICLO DE ESTUDIOS:

Cuarto ciclo

FECHA:

Lambayeque, 3 de setiembre del 2021

 ¿ACASO BIG DATA TRAE CONSIGO GRANDES RECOMPENSAS?

Resumen:
Las empresas actuales lidian con una avalancha de datos de social media, búsqueda y
sensores, así como de fuentes tradicionales. De acuerdo con una estimación, a diario se
generan 2.5 trillones de bytes de datos en todo el mundo. Darle sentido al término “Big
Data” se ha convertido en uno de los principales desafíos para corporaciones de todas
formas y tamaños, pero también representa nuevas oportunidades.
¿Cómo aprovechan actualmente las empresas la tecnología “big data”?
Green Mountain Coffee en Waterbury, Vermont, analiza los datos de audio y texto
tanto estructurados como no estructurados para aprender más sobre el comportamiento
de los clientes y los patrones de compra. La empresa tiene 20 marcas distintas y más de
200 bebidas diferentes, y usa Calabrio Speech Analytics para descubrir opiniones de
varios canales de interacción y flujos de datos.
En el pasado, Green Mountain no había tenido la capacidad de utilizar por completo
todos los datos recopilados cuando los clientes llamaban a su centro de contacto. La
empresa deseaba saber más acerca de cuántas personas pregun- taban por un producto
específico, qué productos generaban la mayor parte de las preguntas y cuáles productos
y categorías generaban más confusión.
Al analizar sus datos extensos (big data), Green Mountain pudo recopilar información
mucho más precisa y usarla para producir materiales, páginas Web y entradas en bases
de datos para ayudar a los representantes a realizar su trabajo de una manera más
efectiva. Ahora, la gerencia puede identificar las cuestiones con más rapidez antes de
que generen problemas para los clientes. AutoZone usa la técnica Big Data para que le
ayude a ajustar el inventario y los precios de los productos en algunas de sus 5,000
tiendas. Por ejemplo, un cliente que entra a una tienda AutoZone en Waco, Texas,
podría encontrar una oferta de amortiguadores Gabriel que no encontraría en la mayoría
de las otras tiendas AutoZone.
Los beneficios de analizar los Big Data no se limitan a los negocios. Han surgido varios
servicios para analizar los Big Data y ayudar a los consumidores. Por ejemplo, los
dispositivos personales como Nike Fuel Band, Sony Smart Band y Jawbone UP24,
permiten a las personas analizar sus rutinas, dietas y patrones de sueño para ver cómo se
comparan con los demás. Esto puede conducir a rutinas de ejercicio más efectivas y
ayudar a que las personas cumplan sus objetivos de acondicionamiento físico. Varios
servicios en línea permiten a los consumidores revisar miles de opciones distintas de
vuelos y hoteles para hacer sus propias reservaciones, tareas que antes eran manejadas
por los agentes de viaje.
Los nuevos ser- vicios basados en tecnología móvil facilitan aún más el proceso de
comparar precios y elegir las mejores opciones de viaje. Por ejemplo, una app móvil de
Skyscanner Ltd. muestra las ofertas de todo el entorno Web en una sola lista (ordenadas
por precio, duración o aerolínea), de modo que los viajeros no tengan que explorar
varios sitios para realizar una reservación que se adapte a su presupuesto. Skyscanner
usa información de más de 300 aerolíneas, agentes de viajes y calendarios, y da forma a
los datos en formatos “de un vistazo”, con algoritmos para mantener los precios actuales
y realizar predicciones sobre quién tendrá la mejor oferta para un mercado específico.
Hay límites en cuanto al uso de Big Data. Varias empresas se apresuraron a comenzar
proyectos con Big Data sin primero establecer una meta de negocios para esta nueva
información. Nadar en números no significa necesaria- mente que se esté recolectando
la información correcta o que la gente tomará decisiones más inteligentes.
Aunque la técnica Big Data es muy buena para detectar correlaciones, en especial las
sutiles que un análisis de conjuntos de datos más pequeños podría pasar por alto, el
análisis de datos extensos no necesariamente indica qué correlaciones son significativas.
Por ejemplo, el análisis de datos extensos podría mostrar que, de 2006 a 2011, la tasa de
asesinatos en Estados Unidos estaba altamente correlacionada con la participación en el
mercado de Internet Explorer, ya que ambas se redujeron de manera considerable. Pero
eso no quiere decir que haya una conexión significativa entre los dos fenómenos.
Hace varios años, Google desarrolló lo que se creía era un algoritmo de vanguardia,
usando los datos que recolectaba de las búsquedas Web para determinar con exactitud
cuántas personas tenían influenza. Trató de calcular el número de personas con gripe en
Estados Unidos, relacionando la ubicación de las personas con las consultas en Google
relacionadas con la gripe. El servicio sobrestimó de manera consistente las tasas de
gripe en comparación con los datos recolectados posteriormente por los Centros para el
Control de Enfermedades (CDC). De acuerdo con las tendencias de gripe de Google, se
suponía que casi el 11% de la población de Estados Unidos debería tener influenza en el
punto máximo de la temporada de gripe a mediados de enero de 2013. Sin embargo, un
artículo en la publicación de ciencias Nature indicó que los resultados de Google eran el
doble de la cantidad real estimada por los Centros para el Control y la Prevención de
Enfermedades de Estados Unidos, donde el 6% de la población estaba contrayendo la
enfermedad. ¿Por qué ocurrió esto? Varios científicos sugirieron que Google había sido
“engañado” por la amplia cobertura de los medios de la severa temporada de gripe del
año en Estados Unidos, la cual se amplificó todavía más gracias a la cobertura de los
social media.
La empresa Sears ha seguido adoptando nueva tecnología para reanimar las ventas en
picada: compras en línea, apps móviles y un mercado parecido a Amazon.com con otros
distribuidores para 18 millones de productos, junto con promociones intensas dentro de
la tienda. Hasta ahora esos esfuerzos no han dado fruto y las ventas disminuyeron desde
la fusión con Kmart en 2005. La empresa publicó una pérdida de casi $1,400 millones
para 2013.
Hadoop sigue siendo una plataforma inmadura y hay muy pocos expertos sobre esta
tecnología. Sears tuvo que aprender a usar Hadoop en gran parte a prueba y error, pero
ahora ejecuta informes críticos en la plataforma, incluyendo análisis de clientes, datos
financieros, productos y cadenas de suministro. Para capitalizar sobre su experiencia
como innovador de la tecnología Big Data, Sears estableció una subsidiaria llamada
Meta Scale para vender servicios en la nube y de consultoría de Big Data a otras
empresas.
Sears puede señalar muchos usos conceptuales de Hadoop, pero aún queda la inquietud
en cuanto a si la empresa usa Hadoop eficazmente para resolver sus enormes problemas
de negocios. ¿Puede en realidad ofrecer a los clientes promociones personalizadas y
éstas funcionan?
¿Cuál es el impacto de negocios? ¿Dónde están las cifras para mostrar que los datos
extensos ayuden a Sears a volverse más redituable? Sears puede ser capaz de generar
ingresos al vender sus conocimientos sobre Big Data a los clientes de MetaScale, pero
¿podrá Hadoop en realidad ayudar a Sears a repuntar? Jim Sullivan, un socio en la
empresa de marketing de lealtad Colloquy, señala que un buen programa de lealtad que
ofrece una inteligencia mejorada a una empresa en cuanto a lo que realmente desean sus
clientes puede ser una ventaja estratégica, pero incluso los mejores programas de lealtad
no pueden corregir una marca que está fundamentalmente rota.
PREGUNTAS DEL CASO DE ESTUDIO
1. Describa los tipos de “big-data” recolectados por las organizaciones que se describen
en este caso
2. Liste y describa las tecnologías de inteligencia de negocios descritas en este caso.
3. ¿Por qué las empresas y los servicios descritos en este caso necesitan mantener y
analizar datos extensos (big data)? ¿Qué beneficios de negocios obtuvieron?
4. ¿Qué tanto les ayudó el análisis de datos extensos?
5. Identifique tres decisiones que se mejoraron mediante el uso de Big Data.
6. ¿Deben todas las organizaciones tratar de analizar datos extensos? ¿Por qué? ¿Qué
cuestiones de administración, organización y tecnología deben tratarse antes de que una
empresa decida trabajar con datos extensos?
Desarrollo:
1. Describa los tipos de “big-data” recolectados por las organizaciones que se
describen en este caso
 Green Mountain Coffee en Waterbury, analiza los datos de audio y texto
tanto estructurados como no estructurados para aprender más sobre el
comportamiento de los clientes y los patrones de compra; usa Calabrio Speech
Analytics para descubrir opiniones de varios canales de interacción y flujos de
datos.
 AutoZone: Usa la técnica Big Data para que le ayude a ajustar el inventario y
los precios de los productos.
 El software de NuoDB: Usa un modelo de servicios en la nube, haciendo
posible aumentar con rapidez la cantidad de datos analizados.
 Skyscanner: Es una app móvil que usa información de más de 300 aerolíneas,
agentes de viajes y calendarios, y da forma a los datos en formatos “de un
vistazo”, con algoritmos para mantener los precios actuales y realizar
predicciones sobre quién tendrá la mejor oferta para un mercado específico.
  Sears Holdings: Ha estado tratando de usar Big Data para acercarse más a sus
clientes. Usa a Apache Hadoop para un mejor procesamiento y almacenamiento
de datos.

2. Liste y describa las tecnologías de inteligencia de negocios descritas en este caso.

 Calabrio Speech Analytics: Tiene como función descubrir opiniones de varios
canales de interacción y flujos de datos.
 Nike Fuel Band, Sony Smart Band y Jawbone UP24: Dispositivos personales
que permiten a las personas analizar sus rutinas, dietas y patrones de sueño para
ver cómo se comparan con los demás.
 NuoDB: Este software que usa un modelo de servicios en la nube, hace posible
aumentar con rapidez la cantidad de datos analizados sin tener que apagar el
sistema o cambiar una línea de código.
 Skyscanner Ltd.: Es una app móvil que muestra las ofertas de todo el entorno
Web en una sola lista (ordenadas por precio, duración o aerolínea), de modo que
los viajeros no tengan que explorar varios sitios para realizar una reservación
que se adapte a su presupuesto.
 Shop Your Way Rewards: Un programa de lealtad de clientes (Recompensas
por comprar a su manera) promete a los clientes generosas ofertas gratuitas por
compras repetidas si aceptan compartir sus datos de compras personales con la
empresa.
 Hadoop: Con este programa el procesamiento y almacenamiento de datos puede
completarse en menor tiempo.
 Meta Scale: Vende servicios en la nube y de consultoría de Big Data a otras
empresas.
3. ¿Por qué las empresas y los servicios descritos en este caso necesitan mantener y
analizar datos extensos (big data)? ¿Qué beneficios de negocios obtuvieron?
Porque son empresa y servicio que manejan muchos datos de sus usuarios en el día a
día. El beneficio fue que los datos nos llevan a tomar decisiones de actuación correcta.
4. ¿Qué tanto les ayudó el análisis de datos extensos?
Los datos extensos son un recurso que posee un gran potencial de explotación para la
toma de decisiones empresariales y el trazo de estrategias de marketing por lo que toda
la información de la compañía debe ser aprovechados antes de su reciclaje para sacar un
mayor provecho de inversión.
El análisis constante de estos datos permite a las empresas mantenerse a la vanguardia
de las demandas de sus clientes y todo el mercado en general al ofrecer un servicio más
personalizado a sus clientes.
Entonces Green Mountain al analizar sus datos externos (big data), pudo recopilar
información mucho más precisa y usarla para producir materiales, páginas web y
entradas en bases de datos para ayudar a los representantes a realizar su trabajo de una
manera más efectiva.
5. Identifique tres decisiones que se mejoraron mediante el uso de Big Data.
 La empresa Sears adopto big data para reanimar las ventas.
 Sears utilizo big data para acercarse a sus clientes.
 NikeFuelBand, SonySmartBand y Jawbone UP24 la utilizaron para ofrecer sus
servicios a sus consumidores ayudo a rutinas de ejercicio más efectivas.
6. ¿Deben todas las organizaciones tratar de analizar datos extensos? ¿Por qué?
¿Qué cuestiones de administración, organización y tecnología deben tratarse antes
de que una empresa decida trabajar con datos extensos?
Si, porque el análisis de datos en altas concentraciones permitiría ver patrones y
relaciones desde puntos de vistas más amplios y complejos que no se limitan a una
pequeña muestra de población.
La administración debería contar con estrategias de análisis que permitan sacar el
mayor provecho a los datos y no solo usarlos como una pila de números.
Organizacionalmente debería crearse una estructura que organice los datos de
forma eficiente para el análisis y consulta optima de los datos.
En las tecnologías deberían implementarse software y hardware lo suficientemente
potente como para sacar el mayor partido a todo el volumen de información.