The Digital Transformation Book - Traducido A Español - Capítulo 4

THE DIGITAL
TRANSFORMATION
PLAYBOOK
Rethink your business for the digital age
DAVID L.
ROGERS
THE DIGITAL TRANSFORMATION PLAYBOOK

4
Convertir los datos en activos
El papel de los datos para las empresas está cambiando drásticamente hoy en día. Muchas
empresas que han utilizado los datos como una parte especí ca de sus operaciones durante
años ahora están descubriendo una revolución de datos: los datos provienen de nuevas
fuentes, se aplican a nuevos problemas y se convierten en un impulsor clave de la innovación.
Un innovador es The Weather Company (TWC). Esta compañía de medios comenzó en 1980 con
un canal de televisión, The Weather Channel. Desde entonces, se ha rami cado en plataformas
de publicación de terceros, sitios web y aplicaciones móviles, incluida la que uso todas las
mañanas para decidir si empacar un paraguas. Al igual que la mayoría de las compañías de
medios, TWC está en el negocio de hacer contenido que atraiga a una audiencia y vender
anuncios que se colocan en ese contenido. Los datos siempre han sido parte de ese modelo de
negocio: todos los días es necesario capturar, analizar y convertir en grá cos coloridos, grá cos
animados y pronósticos con ables que mantienen a las audiencias sintonizadas.
Pero TWC ha descubierto que sus datos pueden ser mucho más que la materia prima que
utiliza para crear programación para sus espectadores. Los mismos datos que la rma recopila,
gestiona y analiza constituyen un activo estratégico clave y, cada vez más, una fuente de nueva
innovación y creación de valor.
Aprendí sobre esto en detalle de Vikram Somaya, quien era el gerente general de WeatherFX
(más tarde renombrado WSI), una nueva división de TWC enfocada en pensar de manera
diferente sobre los datos meteorológicos. Somaya era un arte es mayor en la universidad y es
a cionado a citar a Shakespeare, pero en TWC, dirigió los equipos de cientí cos de datos que
analizan los datos de la compañía para generar valor adicional tanto para los clientes
comerciales como para los consumidores nales.
El clima tiene un poderoso impacto en una amplia gama de negocios. Según una estimación,
hasta un tercio de la economía de Estados Unidos está determinada por las variaciones en el
clima. 1 Walmart ha dicho que el clima local es uno de los factores más importantes en sus

fi

fi

fi

fi
fi
fi
fi

fi
fi

2 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL
modelos predictivos para las ventas en las tiendas. Los cientí cos de datos de TWC trabajan con
los principales minoristas para identi car cuándo deben predecir un aumento o caída en sus
ventas para que puedan ajustar su gasto publicitario (para comprometer más recursos o
retenerlos), así como su comercialización.
La compañía también trabaja directamente con los anunciantes de la marca, en categorías

como medicamentos para la alergia, chaquetas de lana y neumáticos de nieve, para predecir el
mejor momento para que pasen en la colocación de anuncios. Incluso nuestras compras de
bocadillos en un día determinado (¿chips de nacho o pretzels?) se han encontrado para ser
moldeadas por si el clima se siente brillante, pegajoso o sombrío. Con los anuncios digitales
(insertados en sitios web o en aplicaciones como la propia TWC), las marcas ahora tienen la
oportunidad de ajustar y dirigir su mensaje sobre la marcha, eligiendo qué imagen mostrar a
los espectadores especí cos en función del clima donde están parados. 2.
TWC incluso está utilizando sus datos para crear nuevos productos y servicios para industrias
como el sector de seguros. Por ejemplo, ha creado una aplicación llamada Hailzone para que
aseguradoras como State Farm y Travelers ofrezcan a sus clientes de seguro de automóviles.
Cada vez que una tormenta de granizo está a punto de golpear, Hailzone envía una alerta de
mensaje de texto a esos clientes, advirtiéndoles que muevan sus automóviles dentro. Eso
ahorra un tremendo dolor de cabeza para los conductores y costosas facturas de daños por
granizo para la aseguradora.
La compañía incluso está colaborando con algunos de sus clientes más ávidos para crecer y
mejorar su activo de datos. Todos los días, TWC obtiene datos de una comunidad de 25,000
autodenominados "adictos al clima" que pagan para suscribirse a un servicio llamado The
Weather Underground. Estos ávidos a cionados gastan cientos de dólares para comprar su
propio equipo de monitoreo del clima, que instalaron en su propia propiedad. Los hallazgos se
comparten y discuten entre la red de compañeros entusiastas. Con miembros típicos cargando
mediciones meteorológicas en sus propias ubicaciones cada
2,5 segundos, su entrada ayuda a la empresa a mejorar en gran medida la calidad de sus
propios conjuntos de datos.
TWC ha evolucionado de una empresa de medios que simplemente produce datos como parte
de la ejecución de sus operaciones principales a una empresa que está tratando los datos como
una fuente de innovación, nuevos ingresos y ventaja estratégica.

fi

fi
fi

fi

REPENSAR LOS DATOS
El tercer dominio del libro de jugadas de la transformación digital son los datos. Hacer crecer
un negocio en la era digital requiere cambiar algunos supuestos fundamentales sobre el
signi cado y la importancia de los datos (véase el cuadro 4.1). En el pasado, aunque los datos
desempeñaban un papel en todas las empresas, se utilizaban principalmente para medir y
gestionar los procesos empresariales y ayudar en la previsión y la plani cación a largo plazo.
Los datos eran costosos de producir a través de investigaciones estructuradas, encuestas y
mediciones. Era costoso almacenar en bases de datos separadas que imitaban los silos de las
operaciones comerciales. Y se utilizó principalmente para optimizar las operaciones existentes.
Hoy en día, el papel y las posibilidades de los datos son aparentemente ilimitados. La
generación de datos es a menudo la parte más fácil, con grandes cantidades creadas
continuamente por fuentes externas a la empresa. El mayor desafío es aprovechar estos datos y
convertirlos en información útil. La analítica tradicional basada en hojas de cálculo ha dado
paso al big data,donde la información no estructurada se une con nuevas y potentes
herramientas computacionales. Pero para que los datos se conviertan en una verdadera fuente
de valor, las empresas necesitan cambiar la forma en que piensan sobre los datos. Tienen que
tratarlo como un activo estratégico clave.
Table 4.1
Datos: Cambios en los supuestos estratégicos de la era analógica a la digital
From To
Los datos son costosos de generar en la Los datos se generan con nuamente en
empresa todas partes
El desa o de los datos es almacenarlos y El reto de los datos es conver rlos en
administrarlos información valiosa
Las empresas u lizan únicamente datos Los datos no estructurados son cada vez
estructurados más u lizables y valiosos
Los datos se ges onan en silos opera vos El valor de los datos está en conectarlos a
través de silos
Los datos son una herramienta para Los datos son un ac vo intangible clave
op mizar procesos para la creación de valor
Este capítulo explora cómo está cambiando el papel de los datos en los negocios y qué desafíos
de liderazgo plantea esto. Examinaremos el valor de los datos como un activo, los componentes
de una estrategia de datos efectiva y el poder y los conceptos erróneos de la revolución de big
data. Veremos dónde están encontrando las empresas los datos que necesitan y cómo los están
ti
fi
ti
fí

ti
ti
ti
ti
ti

ti

fi

convirtiendo en nuevas fuentes de valor. Este capítulo también presenta una herramienta de
ideación estratégica, el Generador de Valor de Datos. Esta herramienta permite a las empresas
utilizar los datos de los clientes para crear nuevo valor en áreas especí cas de sus operaciones.
Pero, primero, veamos lo que signi ca administrar e invertir en datos como un activo comercial
intangible.
LOS DATOS COMO ACTiVO iNTANGiBLE
Para muchos de los titanes digitales del mundo de los negocios de hoy en día, parece claro que
los datos que capturan sobre sus clientes es uno de sus activos más valiosos. Gran parte de la
capitalización de mercado de Facebook se basa en el valor de los datos enriquecidos que
recopila sobre los usuarios y en su capacidad para aprovechar esos datos con herramientas
innovadoras para los anunciantes, ayudándoles a comprender y llegar con precisión a la
audiencia correcta.
Pero otros tipos de datos también pueden ser valiosos. En la creación de su servicio de Mapas,
Google ha invertido mucho durante años en el desarrollo de un conjunto de datos cartográ cos
de primera clase. Esto incluye el envío de coches equipados con cámaras en todo el mundo
para medir cada carretera y capturar su Street View fotográ co (más recientemente, ha enviado
cámaras en camelback para mapear los desiertos de Arabia). La compañía está constantemente
actualizando y "limpiando a mano" sus datos con equipos de wranglers de datos humanos.
Rastrea hasta 400 puntos de datos por segmento de carretera (el tramo de asfalto entre dos
intersecciones). Dependiendo del ritmo de desarrollo económico, esos datos de carreteras
deben actualizarse con una regularidad abrumadora. 3.
Por otro lado, vimos el fracaso de Apple para invertir lo su ciente en datos de mapeo, lo que
llevó a un famoso fumble competitivo en 2012. Como parte de su rivalidad en curso con el
gigante de las búsquedas Google, Apple optó por eliminar Google Maps como la aplicación de
mapas predeterminada en todos los iPhones. En su lugar, dio a los clientes de iPhone su propia
nueva aplicación Maps, que se ejecuta en los datos que Apple había comprado a varios terceros.
Fiel a su forma, la compañía de Cupertino había diseñado una impresionante interfaz de
usuario para su aplicación. Pero había subestimado la calidad del activo de datos de Google.
Millones de usuarios de iPhone que se vieron obligados a usar los nuevos mapas inundaron
Apple de quejas. Las ciudades estaban mal escritas o borradas, las atracciones turísticas estaban

fi

fi
fi
fi
fi

fuera de lugar, los edi cios famosos desaparecieron y las carreteras literalmente se desvanecían
en el aire. Los errores fueron tan graves que obligaron a la primera carta de disculpa de un CEO
de Apple a los clientes. En él, Tim Cook llegó a aconsejar a los clientes que descarguen y usen
aplicaciones de la competencia de la App Store hasta que los propios mapas de Apple mejoren.
Los datos son valiosos no solo para empresas como Google y Facebook. Para cualquier negocio
hoy en día, los datos, como la propiedad intelectual, las patentes o una marca, son un activo
intangible clave. La importancia relativa de ese activo variará un poco en función de la
naturaleza del negocio (al igual que las marcas tienen mayor importancia para una empresa de
moda que para un fabricante industrial). Pero los datos son un activo importante para todas las
empresas hoy en día, y se descuidan por nuestra cuenta y riesgo.
Una de las formas más comunes en que las empresas pueden crear un activo a partir de los
datos de los clientes es a través de programas de delización. Durante años, los minoristas y las
aerolíneas han ofrecido millas de delidad, puntos, recompensas o un décimo sándwich gratis
con la esperanza de aumentar la retención de clientes y el gasto total con el tiempo. Pero, hoy
en día, gran parte del valor de los programas de delización está en los datos de clientes
acumulados que generan. Cuando me inscribo en su programa de lealtad, le pido
explícitamente que realice un seguimiento de mi comportamiento de compra para ganar
recompensas. Eso le da a su negocio mucho más que una dirección para el correo directo; sus
datos sobre mí crecen con el tiempo para ayudarle a comprender mejor mis comportamientos e
intereses únicos como cliente.
Al diseñar nuevas experiencias de cliente con los datos en mente, las empresas pueden ampliar
este modelo de proporcionar bene cios al cliente a cambio de los datos de los clientes
obtenidos. Tome Walt Disney Parks and Resorts y sus nuevas pulseras MagicBand.
Promocionadas como una forma de llevar la comodidad de los teléfonos inteligentes a la
experiencia tradicional del parque temático, estas coloridas pulseras de goma (equipadas con
etiquetas RFID) permiten a los huéspedes ingresar al parque, desbloquear su habitación de
hotel, comprar comidas y mercancías, y saltarse la espera en hasta tres paseos por día. La
MagicBand es el corazón de una iniciativa de $ 1 mil millones para llevar la interactividad
digital a los parques temáticos de Disney, y tiene como objetivo recuperar ese dinero al
aumentar la "parte de la billetera" que los visitantes gastan en Disney. Pero también está
diseñado para proporcionar a Disney datos previamente inaccesibles sobre los
comportamientos de sus huéspedes: ¿A dónde van cuando? ¿Qué paseos son populares entre
fi

fi
fi
fi
fi

qué tipos de huéspedes? ¿Qué alimentos podrían trasladarse mejor a diferentes áreas del
extenso parque? Las MagicBands incluso permiten a los huéspedes optar por ser identi cables
con el personal de Disney para que un niño pueda ser recibido por su nombre por personajes
disfrazados u ofrecido un deseo de cumpleaños por un animal animatrónico parlante en un
paseo. Estos y otros tipos de experiencias de servicio personalizadas estarán disponibles a
medida que Disney construya más datos alrededor de sus visitantes tanto a gran escala como a
nivel individual. El truco está en crear la experiencia correcta para que, al igual que con un
programa de lealtad, los clientes intercambien voluntariamente sus datos por el valor agregado
del negocio.
No tienes que ser una empresa tan grande como Disney o Google para comenzar a construir tu
activo de datos. Incluso las pequeñas empresas ahora pueden usar herramientas de
administración de relaciones con los clientes basadas en la Web para realizar un seguimiento
de quién abrió qué correos electrónicos, adaptar los mensajes de seguimiento, analizar qué
ofertas son las más adecuadas para qué clientes y más. Como veremos en nuestra discusión de
big data, el cambio a la computación en la nube está poniendo herramientas de gestión de
datos cada vez más poderosas en manos de pequeñas y medianas empresas.
CADA NEGOCiO NECESiTA UNA ESTRATEGiA DE DATOS
Una vez que comience a tratar los datos como un activo, debe desarrollar una estrategia de
datos en su organización. Eso incluye comprender qué datos necesita, así como cómo los
aplicará.
Una estrategia de datos explícita puede parecer obvia en industrias como los servicios
nancieros y las telecomunicaciones, que están acostumbrados a grandes cantidades de datos
de clientes. Pero las empresas más pequeñas y las que están en industrias menos ricas en datos
también deben desarrollar estrategias con visión de futuro para sus datos.
Los siguientes cinco principios deben guiar a cualquier organización en el desarrollo de su

estrategia de datos.
๏ Reunir diversos tipos de datos: Cada empresa debe examinar sus activos de datos de
manera holística e incluir diversos tipos de datos que sirvan para diferentes propósitos
(véase el cuadro 4.2). Los datos de procesos del negocio, como los datos de la cadena de
suministro, la facturación interna y la administración de recursos humanos, se utilizan

fi

fi
para administrar y optimizar las operaciones del negocio, reducir el riesgo y cumplir con
los requerimientos de reporting. Los datos de productos o servicios son datos que son
esenciales para el valor central de sus productos o servicios. Los ejemplos incluyen
datos meteorológicos para TWC, datos cartográ cos para Google Maps y el tipo de datos
empresariales que Bloomberg proporciona a los clientes empresariales. Los datos de los
clientes varían ampliamente, desde datos de transacciones hasta encuestas a clientes,
reseñas y comentarios en las redes sociales, hasta el comportamiento de búsqueda de
clientes y los patrones de navegación en su sitio web. Las empresas que no venden
directamente a los consumidores (por ejemplo, las empresas de productos envasados)
tradicionalmente podrían recopilar datos de los clientes solo a través de estudios de
mercado. Como veremos más adelante, incluso estos negocios están descubriendo
Table 4.2
Key Data Types for Business Strategy
Data type Examples U lity

Ges one y op mice las operaciones
Business Inventory and supply chain
empresariales, reduzca el riesgo,
process data Sales, Billing & Human resources
proporcione informes externos
Datos de Maps (para Google) Entregar la propuesta de valor
Product or
Business data (for Bloomberg) central del producto o servicio de la
service data
Datos meteorológicos (para TWC) empresa
Purchases, Proporcionar una imagen completa
Customer
Behaviors and interac ons, del cliente y permi r interacciones
data
Comments and reviews más relevantes y valiosas
nuevas oportunidades para reunir datos para obtener una imagen mucho más clara de sus
clientes de lo que era posible antes.
๏ Utilizar los datos como capa predictiva enla toma de decisiones : Lo peor que pueden
hacer las empresas con los datos esrecopilarlos y no aplicarlos a la hora de tomar
decisiones. Debe plani car cómo su organización utilizará sus datos para tomar
decisiones mejor informadas en todos los aspectos de su negocio. Los datos de
operaciones se pueden utilizar en el modelado estadístico para plani car y optimizar el
uso de los recursos. Los datos del cliente se pueden utilizar para predecir qué cambios
en sus servicios o comunicaciones pueden producir mejores resultados. Con datos
detallados de sus MagicBands, Disney puede tomar decisiones mejor informadas sobre
ti
ti

ti
ti
ti
fi

fi
fi

qué mercancía presentar cerca de diferentes atracciones y cómo administrar la

demanda variable y el trá co peatonal. Amazon utiliza su comportamiento de
navegación anterior para determinar qué productos debe mostrarle en su próxima
visita.
๏ Aplicar datos a la innovación de nuevos productos: los datos pueden impulsar sus
productos o servicios existentes, pero también se pueden utilizar como trampolín para
imaginar y probar nuevas innovaciones de productos. La aplicación móvil Hailzone de
TWC es un caso perfecto de una empresa que utiliza sus datos de productos existentes
(para sus programas de televisión y aplicaciones) para crear un nuevo servicio que
agrega valor para múltiples clientes (compañías de seguros y sus asegurados). Ayudó
que TWC fuera capaz de salir de su perspectiva normal como empresa de medios y
pensar en diferentes modelos de negocio basados en cosas como la gestión de servicios
públicos y riesgos en lugar de solo los ojos de los espectadores y la publicidad. Net ix
utiliza sus grandes cantidades de datos sobre las preferencias de los espectadores, por
géneros, actores, directores y más, para ayudar a crear nuevas series de televisión como
House of Cards. Esta práctica permite a Net ix eludir la práctica tradicional de la red de
televisión de invertir en pilotos para numerosos programas nuevos con la esperanza de
que uno o más salgan. Eso es usar datos para innovar de manera más rápida y barata.
๏ Observe lo que hacen los clientes, no lo quedicen: los datos de comportamiento son
cualquier cosa que mida directamente las acciones de sus clientes. Puede incluir cosas
como transacciones, búsquedas en línea (una medida poderosa de las intenciones de
sus clientes), datos de secuencia de clics (qué páginas visitaron, dónde hicieron clic y
qué dejaron en sus carritos de compras) y medidas directas de datos de participación
(qué artículos de su boletín hicieron clic para leer). Los datos de comportamiento
siempre son los mejores datos de los clientes: son mucho más valiosos que las
opiniones reportadas o cualquier cosa que los clientes le digan a un investigador de
mercado en una encuesta. Eso no es sólo porque la gente miente en las encuestas, sino
también porque, como seres humanos, somos extremadamente falibles para recordar
nuestro comportamiento, predecir nuestras acciones futuras o considerar nuestras
motivaciones. Esta es la razón por la que Net ix cambió su sistema de recomendaciones
de las propias clasi caciones de los clientes a los datos de comportamiento tan pronto
como trasladó a los clientes de DVD a transmisión de video, lo que hizo posible medir lo

fi
fi
fl
fl
fl

que realmente vemos en lugar de los sobres rojos sin abrir en nuestro aparador. Net ix
sabe que hay grandes diferencias entre las películas a las que damos un ranking de
cinco estrellas y las que realmente terminamos viendo mientras hacemos los platos un
miércoles por la noche.
๏ Combinar datos entre silos:Tradicionalmente, las empresas han permitido que sus datos
se generen y residan en divisiones o departamentos separados. Uno de los aspectos
más importantes de la estrategia de datos es buscar formas de combinar los conjuntos
de datos previamente separados y ver cómo se relacionan entre sí. Un ejemplo
memorable de los bene cios de combinar conjuntos de datos proviene del gobierno
municipal aquí en la ciudad de Nueva York. Scott Stringer, el contralor (CFO) de la
ciudad, estaba tratando de reducir los costos de las demandas contra la ciudad. Lanzó
una iniciativa para comparar los datos sobre demandas y daños pagados con otros
conjuntos de datos de la ciudad, incluidos los presupuestos de diferentes
departamentos a lo largo del tiempo. Se descubrió una correlación sorprendente:
después de que el presupuesto de parques de la ciudad se redujera unos años antes y
se redujera su poda estacional de árboles, las reclamaciones legales de los ciudadanos
heridos por la caída de ramas de árboles se dispararon. ¡El costo para la ciudad de una
sola demanda fue mayor que todo el presupuesto de poda de árboles durante tres
años! Una vez que esto se descubrió y se restauró el nanciamiento del presupuesto,
las demandas cayeron dramáticamente. 4 A medida que su entorno empresarial se
vuelve cada vez más complejo, su capacidad para encontrar, combinar y aprender de
diversas fuentes de datos será más importante que nunca.
Al armar una estrategia de datos, también es importante entender que muchos de los
conjuntos de datos de hoy en día son muy diferentes de las hojas de cálculo y las bases de
datos relacionales que impulsaron las mejores prácticas de las industrias intensivas en datos en
la era pre-digital. Toda la naturaleza de los datos disponibles, y cómo pueden ser aplicados y
utilizados por las empresas, ha experimentado una revolución en los últimos años. Esa
revolución se denomina comúnmente big data.
EL iMPACTO DEL BiG DATA
El término big data apareció por primera vez a mediados de la década de 1990, introducido en
los círculos tecnológicos por John Mashey, cientí co jefe de Silicon Graphics, en la época del

fi

fi
fi

fl
nacimiento de la World Wide Web. 5 Pero la frase entró en la conversación empresarial más
amplia alrededor de 2010 cuando las empresas de todo tipo comenzaron a lidiar con la vasta
oferta de datos generados por las tecnologías digitales. Al principio, el término parecía un poco
desvanecido, una estratagema de marketing utilizada por las empresas de almacenamiento de
datos para lograr que los departamentos de TI aumentaran su gasto en servidores de datos.
Pero los cambios reales en el trabajo han sido mucho más profundos que el tamaño de los
discos duros o granjas de servidores.
No nos equivoquemos: el tamaño de los conjuntos de datos está aumentando rápidamente.

Cada grá co que representa la cantidad de datos digitales almacenados en todo el mundo cada
año muestra el salto hacia el cielo de una curva exponencial. Todas estas curvas retroceden
exponencialmente en el pasado también. La gran cantidad de datos registrados, en otras
palabras, ha estado creciendo durante mucho tiempo, probablemente desde el origen de las
computadoras, tal vez desde el origen de la escritura.
Entonces, ¿qué hay de nuevo en el big data si no es la "grandeza" en rápido crecimiento del
mismo?
El fenómeno del big data se entiende mejor en términos de dos tendencias interrelacionadas:
el rápido crecimiento de nuevos tipos de datos no estructurados y el rápido desarrollo de
nuevas capacidades para administrar y dar sentido a este tipo de datos por primera vez. El
impacto de estos dos está determinado por una tercera tendencia: el auge de la infraestructura
de computación en la nube, que hace que el potencial del big data sea cada vez más accesible
para cada vez más empresas.
Big Data es realmente datos no estructurados

Tradicionalmente, los procesos de datos de una empresa se basaban en el análisis de datos
estructurados, el tipo de conjuntos de datos que llenan una base de datos con las y columnas
ordenadamente organizadas (por ejemplo, con direcciones de clientes, inventarios de
productos o gastos y débitos de varias cuentas nancieras).
Pero la era de los macrodatos se ha caracterizado por la profusión de nuevos tipos de datos no
estructurados, información que se registra pero no encaja fácilmente en formas ordenadas.
Una empresa puede tener acceso a las publicaciones de texto no gramaticales de las redes

fi

fi

fi

sociales, la avalancha de imágenes generadas por teléfonos inteligentes, mapas en tiempo real
y señales de ubicación, o los datos de los sensores que se propagan rápidamente por nuestros
cuerpos y nuestro mundo entero; todos estos tipos de datos son ricos en signi cado, pero
difíciles de analizar con herramientas conocidas como las hojas de cálculo.
Una de las mayores fuentes de datos no estructurados son las redes sociales. A medida que más
de mil millones de usuarios en todo el mundo participan en redes como Facebook, Twitter y
Weibo, producen constantemente grandes cantidades de datos en forma de publicaciones,
comentarios y actualizaciones. Estos datos sociales son actitudinales (lo que las personas dicen
que puede capturar sus opiniones, gustos y disgustos) y se pueden usar para medir la a nidad
(a quién hacen amigos, siguen o vinculan para re ejar los lazos sociales y permite a las
empresas inferir relaciones entre ellos y otros en su red). Y estos datos son continuos y en
tiempo real, lo que permite a las empresas analizar los cambios en la opinión, el sentimiento y
la conversación con detalles longitudinales precisos. Debido a esto, numerosas organizaciones
han tratado de obtener información del análisis de datos sociales. Las marcas monitorean su
reputación a lo largo del tiempo en función de lo que dicen los clientes, los Centros para el
Control de Enfermedades utilizan las redes sociales para ayudar a rastrear la propagación de la
gripe y la in uenza, Hollywood predice el rendimiento del n de semana de apertura de
nuevas películas basadas en la "charla" social después de la noche de apertura, y los
economistas incluso han utilizado las redes sociales para predecir de manera efectiva el
rendimiento del mercado de valores.
Otro nuevo tipo de datos no estructurados son los datos de ubicación. Los datos que generan
los dispositivos móviles como los teléfonos inteligentes vienen con marcadores de
geolocalización, que proporcionan un registro continuo de dónde estamos y hacia dónde
vamos en tiempo real. La inclusión de datos de ubicación con otros tipos de datos de
comportamiento agrega un tremendo contexto adicional. Cada vez más, los resultados de los
motores de búsqueda están formados no solo por las palabras que estamos usando en nuestra
búsqueda, sino también por dónde estamos cuando buscamos. (Si buscamos en Google la
palabra pizza,es probable que se nos muestren los establecimientos más cercanos, con enlaces
a sus números de teléfono y direcciones, en lugar de historial de pizza o recetas). La
investigación de mi colega Miklos Sarvary ha demostrado que los patrones de a dónde vamos
en varios momentos de la semana (medidos por nuestros teléfonos) revelan mucho sobre
quiénes somos. Al analizar estos patrones de "co-ubicación", Sarvary y sus coautores pudieron
fl

fl
fi

fi
fi
demostrar que los clientes con "huellas" de ubicación similares eran propensos a comprar
productos similares y podrían ser efectivamente dirigidos para la comercialización basándose
solo en esos datos. 6
La mayor fuente emergente de datos no estructurados son los sensores que se están
incrustando en todo lo que nos rodea a medida que cambiamos a un mundo de redes
verdaderamente ubicuas. Para 2020, Cisco espera que más de 50 mil millones de dispositivos
estén conectados y compartiendo información a través de Internet, y la gran mayoría de estos
dispositivos no serán computadoras, teléfonos inteligentes o servidores web. Este fenómeno,
conocido como Internet de las cosas, abarca automóviles inteligentes, fábricas y cadenas de
suministro de productos, y bombillas y electrodomésticos, así como sensores incrustados en los
relojes y la ropa que usamos y en los medicamentos que ingerimos. En conjunto, todas estas
aplicaciones pronto darán como resultado miles de millones de dispositivos que transmiten y
generan nuevos conjuntos de datos que se pueden poner en uso empresarial. Por ejemplo, GE
ha instalado sensores en sus motores a reacción que permiten a los motores publicar
continuamente actualizaciones sobre su estado y detalles de funcionamiento. (GE llama al
sistema "Facebook para motores a reacción"). Estos datos en tiempo real permiten a los
mecánicos de las aerolíneas monitorear el estado de los equipos críticos de las aeronaves para
que puedan hacer reparaciones cuando realmente se necesitan en lugar de en un horario de
necesidad estimada. Esto hace que el mantenimiento de la ota sea más e ciente y hace que
los viajes aéreos sean más baratos y convenientes.
Nuevas herramientas para luchar contra los datos no

estructurados
La segunda tendencia que da forma al big data es el surgimiento de nuevas capacidades
tecnológicas para manejar y dar sentido a todos estos datos no estructurados. Si no fuera por
esto, el big data sería simplemente un pajar gigante en el que la aguja de la visión empresarial
bien podría ser invisible. Afortunadamente, una serie de desarrollos tecnológicos está
ampliando nuestras capacidades para utilizar los datos no estructurados que la tecnología está
produciendo.
El continuo crecimiento exponencial de la potencia de procesamiento de computadoras es un

factor importante en nuestra capacidad mejorada para usar datos. La ley de Moore, acuñada por
el cofundador de Intel Gordon Moore en 1965, predice una duplicación en el rendimiento de

fl
fi
los chips de computadora aproximadamente cada dieciocho meses a medida que los
transistores se vuelven más rápidos y más pequeños. Durante cincuenta años, la predicción se
ha mantenido, y los resultados han transformado el mundo. ENIAC, la primera computadora
moderna, fue construida en 1946 y llenó una habitación del tamaño de un pequeño gimnasio.
Pero en 1983, cuando estudié computación por primera vez, mi calculadora de bolsillo de Texas
Instruments de grado estudiantil tenía más potencia de procesamiento que ENIAC. La ley de
Moore nos dice que la supercomputadora de esta década es el dispositivo de bolsillo de la
próxima década.
Las tecnologías recientes han permitido aún más el procesamiento de datos a gran escala con
costos aceptables. La computación en memoria puede acelerar el análisis al tipo de
computación en tiempo real que permite que la publicidad digital seleccione el anuncio visto
por cada visitante de una página web, en función del clima en el que se encuentra, los sitios
que han visitado recientemente o cualquier otro determinante crítico que se pueda extraer a
través de los datos. Hadoop es un marco de software de código abierto que permite el
procesamiento paralelo distribuido de grandes cantidades de datos en varios servidores en
diferentes ubicaciones. Con Hadoop, incluso los conjuntos de datos más grandes se pueden
administrar de forma asequible.
Otras herramientas se centran menos en aumentar la potencia y más en dar sentido al caos de
los datos no estructurados. Las nuevas herramientas de minería de datos permiten a los
programas tamizar las materias primas de las redes sociales y seleccionar patrones que los
gerentes humanos luego pueden examinar para reconocer tendencias y palabras clave.
Quizás los mayores avances en la gestión de datos no estructurados han venido de los nuevos
desarrollos en computación "cognitiva". El procesamiento del lenguaje natural, por ejemplo,
puede interpretar el lenguaje humano normal, ya sea a partir de comandos hablados,
conversaciones en redes sociales o libros o artículos, sin adaptación. Es fundamental para el
desarrollo de sistemas que puedan identi car patrones en conjuntos de big data del lenguaje
humano, como grabaciones de llamadas telefónicas de clientes a centros de llamadas. Otro
desarrollo clave es el aprendizaje automático, que da como resultado sistemas informáticos que
pueden reconocer patrones y mejorar su propia capacidad con el tiempo, basándose en la
experiencia y los comentarios. A medida que las computadoras se modelan en torno a las redes
neuronales, van más allá de simplemente detectar patrones en datos no estructurados: reciben

fi

retroalimentación de su entorno o de entrenadores humanos (indicando qué conclusiones

estaban equivocadas y cuáles eran correctas) y se reprograman a sí mismas con el tiempo.
El procesamiento del lenguaje natural y el aprendizaje automático se combinan en un sistema

como Watson de IBM, que puede leer grandes cantidades de lenguaje escrito y desarrollar
inferencias cada vez más precisas mediante el uso de comentarios y entrenamiento de expertos
humanos. Watson debutó en el escenario mundial tocando el concurso Jeopardy! —donde
superó a los principales campeones humanos al combinar el recuerdo enciclopédico con una
capacidad similar a la humana de tener "corazonadas" educadas (por ejemplo, estimar que su
mejor suposición a una pregunta tenía un 42 por ciento de probabilidades de ser correcta).
Desde entonces, Watson se ha trasladado al mundo real. Los médicos han entrenado a Watson,
utilizando una biblioteca de millones de historias clínicas de pacientes, hasta el punto en que
Watson es más preciso que muchos médicos al hacer un diagnóstico inicial de un nuevo
paciente con cáncer. Watson y tecnologías similares estarán a la vanguardia de la próxima ola
de análisis de big data, que informa todo, desde el servicio al cliente hasta la detección de
fraudes y la plani cación de medios publicitarios.
Big Data en el grifo desde la nube

Una tendencia adicional está dando forma al impacto del big data: una revolución en el
almacenamiento y la accesibilidad tanto de los datos como del procesamiento de datos. En el
antiguo paradigma de datos, para que una empresa administre datos, necesitaba invertir en
infraestructura propia para recopilar y mantener todos los datos, así como cualquier
herramienta para analizarlos. Este importante requisito de capital condujo a disparidades entre
las empresas, y muchas no pueden permitirse el uso so sticado de los datos. Hoy en día, las
empresas ya no necesitan almacenar sus propios datos, e incluso las pequeñas empresas son
cada vez más capaces de acceder a las herramientas líderes para el uso de datos no
estructurados. La razón es el auge de la computación en la nube.
Piense en sistemas de reconocimiento de voz como Siri o Google Now en nuestros teléfonos
inteligentes. Hay una razón por la que Siri no funciona cuando nuestros iPhones están fuera de
línea: los cálculos necesarios para comprender el lenguaje hablado y responder a él son
demasiado intensivos para ser administrados con los procesadores de un teléfono inteligente
actual. Sin embargo, Siri funciona perfectamente bien cuando puede acceder a la nube. Todo lo
que nuestro dispositivo necesita es una conexión estable para que pueda enviar nuestra voz a

fi

fi

un servidor remoto con toda la potencia necesaria para procesar esos datos no estructurados y
responder en tiempo real.
Cada vez más, cada vez más aplicaciones y servicios informáticos se entregan sin problemas a
través de Internet, con la potencia de procesamiento real residiendo en la nube en lugar de en
nuestros dispositivos y computadoras. Amazon Web Services (la enorme división de servicios
informáticos B2B de la compañía), Microsoft, Google y otros están impulsando un cambio hacia
un entorno informático donde las empresas satisfacen cada vez más sus necesidades a través
de suscripciones y ofertas SaaS en lugar de comprar e instalar las computadoras más potentes
en sus propias instalaciones.
La computación en la nube tiene profundas implicaciones para la escalabilidad y las pequeñas

empresas. Servicios como Watson están disponibles "de barril" para las empresas, al igual que
el almacenamiento basado en la nube y las bases de datos de clientes son para las pequeñas
empresas. Esto signi ca que el big data no es el terreno exclusivo de las empresas de clase
mundial con enormes departamentos de TI. Cualquier empresa puede aprovechar las mejores
herramientas de análisis de su clase hoy en día, de proveedores de nube como SAP e IBM,
pagando solo por los datos y el procesamiento que utiliza. Big Data no tiene que tener un gran
precio.
Tres mitos del Big Data
Aunque el auge del big data, los nuevos conjuntos de datos no estructurados y
las herramientas para darles sentido, está influyendo en todas las industrias,
existen algunos mitos y conceptos erróneos sobre lo que ha cambiado
exactamente para las empresas.
Mito 1: El algoritmo lo resolverá
También llamo a esto el mito del algoritmo mágico. Los primeros informes
sobre big data crearon una falsa impresión de que para construir las ciudades y
negocios inteligentes del futuro, simplemente juntaríamos las mejores
supercomputadoras, les dejaríamos comparar todos nuestros conjuntos de
datos no estructurados y descubrir patrones inesperados, ¡y listo! Sus ideas
aparecerán en la pantalla. En realidad, así no es como se realiza el análisis de
datos.
Dar sentido al big data todavía requiere mucha participación de analistas
humanos calificados. Hay varias razones para esto. La calidad y precisión de los
datos son críticas. ¿Cómo se recopilaron los datos? ¿Hay margen de error? ¿Es
realmente una muestra representativa? ¿Hay diferentes conjuntos de datos en
el mismo formato para que puedan compararse con precisión? Gran parte de
la disputa de datos todavía es realizada por analistas humanos, ya que estos
problemas aún no están completamente automatizados por el software.
fi

También pueden existir sesgos en los algoritmos utilizados para mirar los
datos, basados en las suposiciones de quienes los programan. Se puede
diseñar un algoritmo para filtrar los currículums de los solicitantes para
encontrar los que más se ajusten al perfil de los empleados de su empresa.
Pero la contratación pasada puede no reflejar la diversidad o las habilidades
que está buscando de los futuros empleados.
Lo más importante es que necesita que los gerentes hagan las preguntas
correctas de sus datos. ¿Qué resultados le preocupan más a su negocio?
¿Sobre qué tipo de patrones de datos podrías actuar? Los algoritmos son cada
vez más buenos para encontrar respuestas, pero aún necesitan que los
humanos planteen las preguntas correctas. Tariq Shaukat, director comercial
de Caesar's Entertainment, lo expresa de esta manera: "Si comienzas con los
datos, terminarás con los datos. La pregunta que hago a mis equipos todo el
tiempo es: '¿Qué pregunta estamos tratando de responder?'". 7
Mito 2: La correlación es todo lo que importa
Detectar un patrón no es (siempre) suficiente. Algunos comentaristas sobre big
data han informado que la ciencia de datos ya no se ocupa de la causalidad,
solo de la correlación. La creencia es que los patrones subyacentes en los
conjuntos de datos son una verdad en sí misma que no necesita depender de
ideas humanas nebulosas de causa y efecto.
Esto simplemente no es cierto. Es de vital importancia que los gerentes
entiendan la diferencia entre la correlación simple y la causalidad, y sepan
cuándo esta diferencia importa y cuándo no. Una regla general simple: si solo
está haciendo predicciones, la correlación de datos es suficiente. Pero si está
buscando cambiar la condición previa, también debe saber que también existe
la causalidad.
Piense en Stringer, el contralor de la ciudad que descubrió la correlación de
datos entre la disminución de los presupuestos para la poda de árboles y el
aumento de las demandas contra la ciudad. Si los presupuestos de poda de
árboles no estuvieran realmente causando los accidentes que llevaron a
demandas, su decisión de restaurar el presupuesto de poda no habría
ayudado. En el caso de Stringer, la causalidad importaba mucho.
Por otro lado, imagine que su agencia de publicidad ha determinado que las
mujeres casadas en Ohio son más receptivas a los anuncios de su nuevo
producto para el cuidado del cabello. No va a tratar de aumentar sus ventas de
champú alentando a los habitantes de Ohio a casarse (eso estaría influyendo
en la condición previa). Solo va a usar esta información para dirigir más de sus
anuncios a los habitantes casados de Ohio en lugar de a los solteros. En un
caso como este, simplemente conocer una correlación de datos está bien.
Mito 3: Todos los buenos datos son Big Data
Sería un error confundir el big data con la estrategia de datos. En muchos
casos, las empresas pueden construir activos de datos valiosos y aplicarlos a
fines estratégicos sin profundizar en el desordenado mundo del big data.

Los datos no siempre necesitan ser "grandes" (es decir, no estructurados) para
ser útiles para un negocio. Se pueden obtener información poderosa del
análisis y la aplicación de datos tradicionales y más estructurados, como el
comportamiento del flujo de clics del cliente (¿Dónde hacen clic los clientes en
un sitio web, se desplazan hacia abajo en la página, pasan más o menos
tiempo, ponen cosas en los carritos de compras, etc.?). Incluso en una potencia
de big data como Facebook, hogar de algunos de los clústeres de servidores
más grandes del mundo, la mayoría de las consultas ejecutadas por ingenieros
en un día determinado son de una escala que podría procesarse en una buena
computadora portátil. 8 El objetivo de su estrategia de datos debe ser generar
valor para sus clientes y negocios. A veces eso implicará big data, y a veces no
lo hará..
DÓNDE ENCONTRAR LOS DATOS QUE NECESiTA
A medida que comience a armar una estrategia de datos, comenzará con los datos que está
generando en sus propios procesos comerciales. Sin embargo, es probable que identi que
brechas en los datos que necesita para algunos de sus objetivos. Encontrar las fuentes de datos
adicionales adecuadas es fundamental para llenar los vacíos y construir su activo de datos a lo
largo del tiempo. Las fuentes importantes de datos de fuera de su organización incluyen
intercambios de datos de clientes, usuarios principales, socios de la cadena de suministro,
conjuntos de datos públicos y acuerdos de compra o intercambio.
Intercambio de datos de valor para el cliente

Una de las mejores maneras de generar datos adicionales es invitar a los clientes a contribuir
con datos como parte de la interacción con su negocio o a cambio directo del valor que les
ofrece. Como se mencionó en el capítulo 2, la aplicación de navegación Waze construyó tanto
sus datos de mapas como sus datos de trá co en tiempo real a través de las contribuciones de
los usuarios. Waze fue diseñado desde el principio en torno a la generación de datos. Cada vez
que un cliente tiene la aplicación encendida, está haciendo ping al GPS de su teléfono una vez
por segundo. En áreas densamente pobladas, este enfoque proporciona una conciencia
excepcional en tiempo real de las condiciones del trá co y permite un redireccionamiento
superior en comparación con las aplicaciones de la competencia. (Después de que alcanzó los
30 millones de usuarios, Waze fue comprado por Google por $ 1.3 mil millones). Debido a que
no vende directamente a los consumidores, Coca-Cola históricamente ha tenido pocos datos de
los consumidores. Pero con la ayuda de su programa de lealtad MyCokeRewards, la compañía
ha construido una vista de datos sobre 20 millones de sus clientes, el eje de su activo de datos.
fi
fi

fi
El Museo Metropolitano de Arte pudo reunir 100,000 direcciones de correo electrónico nuevas
y válidas simplemente pidiendo a los visitantes sus direcciones de correo electrónico a cambio
de acceso al Wi-Fi gratuito del Met. ¿Qué hace que los consumidores estén dispuestos a
compartir su información con las empresas? En un estudio de investigación global que realicé
en la Universidad de Columbia con Matt Quint, observamos cuatro factores clave: el tipo de
valor o recompensas ofrecidas, la presencia de una relación de con anza con el negocio, el tipo
de datos que se solicitan y la industria del negocio. 9
Participación del usuario principal

Los usuarios principales (un término acuñado por Eric von Hippel10)son sus clientes más activos,
ávidos o involucrados. Sus mayores necesidades los llevan a tener un mayor interés en
interactuar con sus productos o negocios, y a menudo pueden ser una fuente única y poderosa
de datos. Vimos un ejemplo en The Weather Underground: el ejército voluntario de entusiastas
meteorológicos que felizmente contribuyen con datos meteorológicos adicionales en tiempo
real a TWC como parte de la participación en esa comunidad. Otras empresas utilizan la
exclusividad para identi car y aprovechar a sus usuarios principales. Alexandre Choueiri,
presidente de colecciones de diseñadores internacionales de L'Oréal, me explicó que la rma
de cosméticos crea e involucra comunidades de clientes con denciales para marcas de
diseñadores como Viktor & Rolf. El encanto de unirse a un club especial (literalmente llamado
el "servicio secreto") atrae a los consumidores, y la exclusividad ayuda a la marca a aprender
más sobre los usuarios leales, no solo los compradores ocasionales de una sola vez. "Tienes
menos gente", me dijo Choueiri. "Pero están realmente comprometidos. Vendemos esta marca
a través de los minoristas, por lo que esta herramienta de participación es la forma en que
obtenemos datos". 11 Al involucrar a los usuarios principales, las marcas pueden solicitar
aportes y comentarios de comunidades mucho más selectivas e importantes.
Socios de la cadena de suministro

Los socios comerciales pueden ser fuentes cruciales de datos adicionales para crear su activo de
datos. Las empresas que producen bienes de consumo envasados ahora trabajan en estrecha
colaboración con grandes minoristas y con servicios de datos minoristas como Dunhumby. El
poder, el apalancamiento y los niveles de con anza pueden in uir en gran medida en quién
comparte datos con quién en muchas industrias. En la industria de viajes, las grandes
aerolíneas (como Delta) pueden tener casi 100 millones de clientes inscritos en sus programas

fi
fi

fl
fi
fi

fi
de delización. Pero las aerolíneas y las agencias de viajes en línea (como Travelocity u Orbitz)
comparten solo datos limitados. Como resultado, ni las agencias ni las aerolíneas tienen acceso
a la imagen completa de los comportamientos de viaje de los clientes cuando desean
personalizar los precios y las ofertas en el punto de venta. Cada vez más, las asociaciones de
datos serán un elemento clave de cómo las empresas negocian los términos de trabajo
conjunto.
Conjuntos de datos públicos

Otra fuente importante de nuevos datos son los conjuntos de datos de acceso público. Algunos
de estos se encuentran en foros públicos en línea. El sitio web de reseñas de coches Edmunds.
com, por ejemplo, contiene muchos años de foros de discusión, que proporcionan grandes
cantidades de datos no estructurados en las conversaciones de los clientes sobre modelos,
marcas, preferencias y experiencias de automóviles. Muchas plataformas de redes sociales,
como Twitter, se pueden buscar fácilmente para obtener datos en tiempo real. Además, los
gobiernos están proporcionando cada vez más acceso público a grandes conjuntos de datos en
formato legible por máquina. Los datos del censo del gobierno de los Estados Unidos, por
ejemplo, han tenido una gran demanda desde que se han puesto a disposición. Además, cada
vez más gobiernos municipales están abriendo API para permitir que las empresas innovadoras
hagan uso de los datos gubernamentales y para estimular nuevas oportunidades de negocio.
Acuerdos de compra o intercambio

Por último, hay muchas oportunidades para que las empresas compren o intercambien datos
legítimos y valiosos con otras empresas. Las empresas deben evitar las empresas que ofrecen
conjuntos turbios de registros de clientes recopilados a través de medios cuestionables. En
cambio, las empresas deben buscar los muchos servicios de buena reputación que permiten
comparaciones de datos anónimas. Los datos anónimos permiten a una empresa aprender
cosas como la tasa de conversión de las ofertas (la parte de los clientes que aceptan la oferta
enviada). Los datos de la compañía muestran qué clientes recibieron la oferta, los datos del
minorista muestran quién realizó una compra y el servicio de terceros mide la tasa de
conversión sin revelar las identidades de los clientes (lo que podría ser una violación de los
términos de privacidad).
fi

A veces, los datos se pueden recibir a través de un intercambio o donación. Durante la Copa
Mundial de 2014, Waze compartió datos anónimos de conductores con los gobiernos de las
ciudades de Brasil para ayudarlos a identi car y responder más rápidamente a las
acumulaciones de trá co y los peligros viales. Solo en Río de Janeiro, hasta 110.000
conductores al día proporcionaban datos de trá co a través de la API de Waze. Desde entonces,
Waze ha estado desarrollando asociaciones con otros gobiernos, como el Estado de Florida. La
compañía no está pidiendo el pago, sino que está buscando un intercambio de más datos. Al
recibir datos en tiempo real de sensores de carreteras e información sobre proyectos de
construcción y eventos de la ciudad, Waze está mejorando su propio activo de datos.
Hay muchas más fuentes de datos disponibles hoy en día. El desafío para su negocio a menudo
es simplemente elegir cuáles se adaptarán mejor a sus necesidades. Un pronóstico reciente
publicado por el Journal of Advertising Research resumió los cambios anticipados en la
investigación de mercado: a medida que las empresas se enfrentan a un "río" de datos
generados continuamente, el objetivo de la investigación no es fabricar datos costosamente,
sino encontrar las herramientas adecuadas para "pescar" en ese río con el n de extraer los
conocimientos y la inteligencia necesarios. 12
Convertir los datos de los clientes en valor

empresarial: Cuatro plantillas
A medida que las organizaciones recopilan más datos y los convierten en activos poderosos, el
próximo desafío es aplicar continuamente estos activos para crear un nuevo valor para sí
mismos.
Hemos visto ejemplos de cómo los datos de productos o servicios proporcionan valor al
habilitar el servicio principal de una empresa a los clientes: piense en el uso de datos
meteorológicos por parte de TWC y el uso de datos de mapeo por parte de Google. También
hemos visto que los datos de los procesos de negocio pueden generar valor al optimizar y
mejorar la toma de decisiones, incluso de maneras sorprendentes, como el uso de datos
presupuestarios por parte de Stringer.
Si observamos los datos de los clientes, podemos encontrar patrones recurrentes de mejores
prácticas utilizadas para agregar valor en diferentes industrias y organizaciones. Podemos

fi

fi
fi

fi

pensar en estas prácticas como cuatro plantillas para crear valor a partir de los datos de los
clientes: insights: revelar lo invisible; focalización: estrechamiento del campo; personalización:
adaptación al ajuste; y contexto: proporcionar un marco de referencia.
Echemos un vistazo a cada una de estas cuatro plantillas de valor de datos y veamos cómo se
aplican en diferentes industrias para crear nuevo valor.
Insights: Revelando lo Invisible

La primera plantilla para la creación de valor es insights. Al revelar relaciones, patrones e
in uencias previamente invisibles, los datos de los clientes pueden proporcionar un inmenso
valor a las empresas. Los datos pueden proporcionar información sobre la psicología del cliente
(¿Cómo se perciben mis marcas o productos en el mercado? ¿Qué motiva e in uye en las
decisiones de los clientes? ¿Puedo predecir y medir el boca a boca del cliente?). Los datos
pueden revelar patrones en el comportamiento del cliente (¿Cómo están cambiando los hábitos
de compra? ¿Cómo utilizan los clientes mi producto? ¿Dónde se está produciendo el fraude o el
abuso?). Los datos también se pueden usar para medir el impacto de acciones especí cas en la
psicología y el comportamiento de los clientes (¿Cuál es el resultado de mi cambio en la
mensajería, el gasto en marketing, la combinación de productos o los canales de distribución?).
Hoy en día, muchas empresas tienen acceso a grandes cantidades de datos de clientes en
forma de conversaciones en línea sobre sus productos y marcas. Un buen ejemplo son los
fabricantes de automóviles. Mi colega Oded Netzer de Columbia Business School, junto con
tres coautores de investigación,13 ha profundizado en los datos creados por los foros de
discusión para explorar lo que revela sobre la estructura del mercado automotriz y el
comportamiento del consumidor. El equipo de Netzer aplicó una variedad de herramientas de
minería de texto: algoritmos que están entrenados en lenguaje humano y aplican fórmulas
para detectar patrones en grandes cantidades de texto no estructurado de conversaciones en
línea. Un área de su investigación analizó cómo los clientes perciben las marcas. Al examinar los
patrones de "elevación" estadística, pudieron identi car qué atributos especí cos se asocian
con mayor frecuencia con una marca de automóviles en comparación con sus competidores
más cercanos. Los patrones revelaron oportunidades en términos de audiencias a las que
dirigirse, contenido para mensajes e ideas para el desarrollo de productos.
fl
fi

fi
fl
fi

El equipo de Netzer también utilizó los datos para investigar el impacto de los esfuerzos
publicitarios a largo plazo. Se centraron en un período en el que Cadillac había gastado
millones en publicidad de marca para cambiar la percepción de los clientes de Cadillac de
"automóvil clásico estadounidense" (como Lincoln) a "marca de lujo" (como Lexus y Mercedes).
Un análisis textual de las conversaciones a lo largo de varios años mostró que, de acuerdo con
el objetivo de la campaña, la marca Cadillac se estaba moviendo gradualmente, en las
percepciones asociativas de los clientes, del primer grupo (marcas clásicas estadounidenses) al
segundo (marcas de lujo). Cuando los investigadores compararon esto con los datos públicos
sobre los intercambios de distribuidores, con rmaron que el cambio en la percepción también
era un indicador principal de los comportamientos de compra. En lugar de comerciar entre
Lincoln y Cadillacs, cada vez más clientes intercambiaban sus autos de lujo por Cadillacs.
En otro caso, Gaylord Hotels utilizó información de los datos de los clientes para agudizar su
estrategia de referencia. El negocio tiene algunas propiedades hoteleras grandes que son muy
adecuadas para eventos importantes, así como para estancias personales. Con un presupuesto
publicitario limitado, sabía que las referencias (de boca en boca de huéspedes felices) eran la
mayor fuente de nuevos clientes. Por lo tanto, la gerencia estableció una prioridad para
aumentar ese boca a boca al mejorar la ya buena experiencia de los huéspedes. El primer paso
fue una revisión interna de las operaciones que identi có ochenta áreas de enfoque que
podrían ayudar a inspirar a los clientes no solo a estar satisfechos, sino también a mencionar
gaylord a los demás. El siguiente desafío obvio fue la priorización: ¿Qué elementos de esta
larga lista eran los más importantes? Para ayudar, la compañía realizó un análisis de los datos
de las redes sociales, analizando cada instancia en la que el nombre del hotel fue mencionado
por los clientes en plataformas públicas como Twitter. Las recomendaciones y los elogios de los
clientes se examinaron en busca de pistas sobre lo que los había estimulado y en qué
momento de la estadía del cliente. Los resultados fueron esclarecedores. Una breve lista de solo
cinco elementos de la experiencia del huésped parecía tener la mayor in uencia para provocar
el boca a boca, y todos ellos tuvieron lugar en los primeros veinte minutos después de la
llegada. 14
Segmentación: Reducir el campo

La segunda plantilla para la creación de valor de datos es la segmentación. Al reducir el campo
de las posibles audiencias e identi car quién es más relevante para un negocio, los datos de los

fi
fi
fi
fl

clientes pueden ayudar a generar mejores resultados de cada interacción con los clientes. En el
pasado, los clientes a menudo se dividían en unos pocos segmentos amplios para la
orientación en función de factores como la edad, el código postal y el uso del producto. Hoy en
día, los esquemas de segmentación avanzados pueden basarse en datos de clientes mucho
más diversos y pueden producir docenas o incluso cientos de micronúbicos. La forma en que se
dirige a un cliente también puede cambiar en tiempo real, ya que se asignan a un segmento u
otro en función de los datos de comportamiento, como los correos electrónicos en los que
hicieron clic, las recompensas que canjearon o el contenido que compartieron. Idealmente, el
valor de por vida del cliente (como se discutió en el capítulo 2) debe incluirse como una métrica
para dirigirse a los clientes en función de su valor a largo plazo para el negocio.
Custora es una empresa de análisis de datos que ayuda a las empresas de comercio electrónico
a determinar el valor probable de por vida del cliente (CLV) de los visitantes de su sitio web, es
decir, no solo su probabilidad de comprar en esta visita, sino su probable potencial de
ganancias en el futuro. Esto se hace analizando los datos históricos de los clientes y aplicando
tanto un modelo CLV como modelos probabilísticos bayesianos. Por ejemplo, cuando un nuevo
cliente realiza una sola compra en un sitio web, Custora puede predecir que es probable que
realice seis compras en el próximo año, por un total de $ 275 y colocándolos entre el 5 por
ciento superior de los clientes de la compañía. Otras predicciones basadas en datos históricos
incluyen la categoría de la que probablemente provendrá la próxima compra del cliente (por
ejemplo, muebles para el hogar frente al cuidado del césped). El modelo puede incluso
proporcionar señales de advertencia, como predecir que si este cliente no realiza un pedido
durante tres meses consecutivos, la empresa puede asumir que solo tiene un 10 por ciento de
posibilidades de regresar. 15
InterContinental Hotels Group utiliza cuidadosamente los datos sobre los 71 millones de
miembros de su programa de lealtad Priority Club para comprenderlos y dirigirse a ellos de
manera más efectiva. Estos datos incluyen mucho más que el código postal y las preferencias
de habitación de hotel. Se utilizan hasta 4.000 atributos de datos diferentes, como su nivel de
ingresos, su canal de reserva preferido, su uso de puntos de recompensa y si tienden a
quedarse durante los nes de semana, para asignar a cada miembro a un grupo de clientes.
Este nivel de segmentación ha permitido al hotel pasar de enviar una docena de variedades de
un mensaje de marketing por correo electrónico a enviar 1.552 variaciones diferentes, dirigidas
a comportamientos pasados y ofertas especiales como eventos locales. Estas nuevas campañas
fi

de marketing han generado una tasa de conversión (la proporción de clientes que aceptan la
oferta enviada) que es un 35 por ciento más alta que la de las campañas menos dirigidas el año
anterior. 16
El uso de datos para la orientación puede incluso tener un impacto poderoso en un campo
como la atención médica sin nes de lucro, gracias a una práctica conocida como "punto
caliente". El Dr. Jeffrey Brenner, un médico de familia en Camden, Nueva Jersey, estudió los
registros médicos de facturación de los hospitales de su ciudad natal y descubrió que el 1 por
ciento de la población de la ciudad era responsable del 30 por ciento de sus costos de atención
médica. "Una pequeña porción de pacientes son responsables de gran parte de los costos, pero
realmente los ignoramos", dijo Brenner. 17 Utilizó esos datos, y pequeñas subvenciones de
organizaciones lantrópicas, para iniciar la Coalición camden de proveedores de atención
médica y centrarse en "detectar" a estos pacientes y mejorar su atención. Durante tres años, la
organización pudo reducir las visitas a la sala de emergencias en un 40 por ciento entre el
grupo inicial de los pacientes "peores de los peores" y reducir las facturas hospitalarias de ese
grupo en un 56 por ciento. 18
Personalización: Adaptación para

adaptarse a la forma
Una vez que las empresas se dirigen a microsegmentos de clientes, la siguiente oportunidad es
tratarlos a cada uno de manera diferente, de la manera que sea más relevante y valiosa para
ellos. Esta es la tercera plantilla para crear valor: la personalización. Al adaptar sus mensajes,
ofertas, precios, servicios y productos para satisfacer las necesidades de cada cliente, las
empresas pueden aumentar el valor que ofrecen.
Kimberly-Clark, que vende algunas de las marcas más grandes en pañales (entre otros
productos de cuidado personal), utiliza una plataforma de gestión de audiencias que integra
datos de ventas y canales de medios para construir una visión integrada del "viaje del cliente"
de cada cliente. Para el negocio de la compañía, eso signi ca rastrear la progresión de una
familia a través de varios productos, desde Huggies recién nacidos, hasta pañales de tamaño
completo, hasta pull-ups de transición durante el entrenamiento para ir al baño y "Little
Swimmers" (para niños que recién comienzan en la piscina). Realizar un seguimiento de cada
cliente le permite anunciar el producto correcto a la familia correcta. 19

fi

fi

fi

British Airways ha lanzado un programa de personalización de servicios conocido internamente

como Know Me. Su objetivo es reunir datos diversos para crear una "visión única del cliente"
que ayudará al personal de la aerolínea a establecer una conexión más personal con cada
cliente. Know Me comenzó con un proyecto de dos años para vincular datos de sistemas
comerciales, operativos y de ingeniería. y ponerlo al alcance de los directores de servicio al
cliente. Pero el programa funciona solo porque el análisis de datos está vinculado al juicio y la
"inteligencia emocional" del personal de servicio de British Airways. Los datos de Know Me se
utilizan para profundizar el conocimiento del personal sobre las necesidades y preferencias
personales de los viajeros, y el personal está facultado para hacer sus propias observaciones y
registrar datos que ayudan a personalizar futuros viajes. Este ciclo de retroalimentación ayuda a
la aerolínea a ofrecer ofertas más relevantes a cada cliente y proporcionar reconocimiento y
servicio personalizados durante un viaje. Eso puede incluir reconocer a un viajero de negocios
VIP, incluso cuando viaja en clase de autobús con la familia, para que el personal de servicio
pueda darles la bienvenida y agradecerles y ofrecerles una copa de champán. También podría
signi car proporcionar garantías discretas a un cliente que ha indicado previamente que tiene
miedo de volar. Con actualizaciones urgentes ingresadas en el sistema en minutos, una
tripulación de vuelo vio el iPad de un pasajero, olvidado a bordo, y le pasó la palabra a la
tripulación de vuelo de conexión para noti car al pasajero. Uno de los toques de servicio más
populares ha sido el de dar la bienvenida a los clientes a mitad del viaje cuando han alcanzado
el estado Silver Tier, el primer nivel que ofrece acceso a las salas VIP. La aerolínea ha visto una
respuesta extremadamente positiva de los clientes, tanto uno a uno como en el seguimiento a
largo plazo de su satisfacción y su probabilidad de recomendar British Airways a otros. Además,
Know Me ha permitido a la aerolínea ampliar su visión de los clientes mucho más allá de los
miembros de su programa de delización, con el objetivo de conocer las necesidades de todos
sus 50 millones de pasajeros. 20
Uno de los desafíos de la personalización ha sido la proliferación de diferentes dispositivos y

plataformas donde los clientes interactúan con un negocio. ¿Cómo sabe una empresa que se
está comunicando con la misma persona en un teléfono, tableta y PC, y mucho menos a través
de Facebook, su propio portal de compras o un anuncio grá co que Google publica en páginas
de Internet? La buena noticia es que este desafío está disminuyendo rápidamente, lo que
permite la "direccionabilidad" del mismo cliente en numerosas plataformas. Como explicó
David Williams, CEO de la potencia de bases de datos Merkle, estamos podido comunicarnos
fi
fi

fi
fi
rápidamente con consumidores individuales con "direccionabilidad a escala" en Google,

Facebook, Amazon y todas las plataformas dominantes de la Web. 21
Contexto: Proporcionar un marco de

referencia
La plantilla nal para la creación de valor de datos es el contexto. Al proporcionar un marco de
referencia, e ilustrar cómo las acciones o los resultados de un cliente se comparan con los de
una población más amplia, el contexto puede crear un nuevo valor para las empresas y los
clientes por igual.
Poner los datos en contexto está en el corazón del movimiento del "yo cuanti cado",
evidenciado por el creciente interés de los clientes en medir su dieta, ejercicio, frecuencias
cardíacas, patrones de sueño y otros marcadores biológicos. Nike fue una de las primeras
compañías en aprovechar esta tendencia con su plataforma Nike +, que originalmente usaba
sensores en el zapato, luego la pulsera Nike Fuel y más tarde aplicaciones de software móvil. En
cada etapa de su desarrollo, Nike+ ha sido diseñado para permitir a los clientes capturar sus
datos y compartirlos con sus comunidades en línea. Los clientes de Nike que rastrean sus datos
de carrera no solo quieren saber cómo les fue hoy; también quieren saber cómo se compara el
rendimiento actual con su propio rendimiento durante la última semana o mes, con los
objetivos que se han jado y con la actividad de los amigos en su red social. El contexto es el
rey.
Comparar sus propios datos con los datos de otros también puede agregar valor al ayudar a los
clientes a comprender las probabilidades de diferentes resultados. Naviance es una plataforma
popular para los estudiantes de secundaria de los Estados Unidos que se preparan para el
proceso de búsqueda y solicitud de la universidad. Uno de sus servicios principales es una
herramienta que permite a los estudiantes cargar sus datos de transcripción (puntajes de
exámenes, cali caciones de clase, asistencia a la escuela secundaria) y compararlos con una
enorme base de datos de estudiantes que han solicitado la universidad mientras usan
Naviance. Con base en los resultados anteriores de solicitantes similares, la plataforma puede
mostrar a los estudiantes sus probabilidades probables de admisión a diferentes universidades
que están considerando. En lugar de aplicar en la oscuridad (como lo hicimos en mi época), los

fi
fi

fi

fi
estudiantes pueden usar Naviance para averiguar qué universidad en su lista es una
posibilidad remota, cuál es algo seguro y qué escuelas se encuentran en el medio.
Compartir y comparar los datos de los clientes puede ser una forma poderosa de identi car
peligros. BillGuard es una popular aplicación de protección nanciera que rastrea los estados
de cuenta de la tarjeta de crédito de sus clientes y ayuda a identi car tanto la facturación
fraudulenta (por ejemplo, si la tarjeta fue una de los 50 millones hackeada en el último
cyberscandal) como los cargos "grises" (tarifas ocultas que los clientes probablemente no se
dieron cuenta de que una compañía les estaba cobrando). Los algoritmos de BillGuard son
efectivos precisamente porque comparan las facturas de un cliente con las facturas anónimas
de sus pares y con cualquier cargo que haya sido marcado como cuestionable por cualquier
otro cliente en su comunidad.
Otros ejemplos de empresas que utilizan datos para el contexto incluyen Glassdoor, que
permite a los solicitantes de empleo comparar sus salarios con los promedios de otros en su
industria y rol, y Pricing Engine, que ayuda a las pequeñas empresas a mejorar su gasto en
publicidad digital (en plataformas como Google AdWords) al comparar sus propias tasas de
éxito con las de sus compañeros.
Herramienta: El generador de valores de

datos
Ahora hemos analizado los diferentes tipos de datos que se utilizan en los negocios hoy en día.
Hemos examinado las fuentes donde las empresas pueden encontrar más datos para llenar sus
propios vacíos. Y hemos visto cuatro plantillas para generar nuevo valor utilizando los datos de
los clientes. Veamos ahora cómo aplicar estos conceptos para generar nuevas opciones
estratégicas para iniciativas de datos en su propia organización. Ese es el enfoque de nuestra
próxima herramienta, el Generador de Valor de Datos.
La herramienta sigue un proceso de cinco pasos para generar nuevas ideas estratégicas para los
datos (ver gura 4.1). Veamos cada uno de los pasos en detalle.
fi

fi

fi

fi
Paso 1: Área de impacto e indicadores

clave de rendimiento
El primer paso es de nir el área de su negocio que está buscando impactar o mejorar a través
de una nueva iniciativa de datos. Puede de nirlo como una unidad de negocio especí ca (por
ejemplo, una línea de productos), una división (por ejemplo, marketing) o una nueva empresa.
Puede decidir que está buscando aplicar datos para mejorar el servicio al cliente en un resort,
para desarrollar un mejor producto
DATA VALUE GENERATOR
Figure 4.1
The Data Value Generator.
recomendaciones, para mejorar las comunicaciones salientes a los clientes existentes, para
mejorar el centro de llamadas del cliente o para desarrollar una nueva aplicación para impulsar
la participación del cliente.
Una vez que haya de nido el área de impacto, debe identi car sus principales objetivos de
negocio en esa área. ¿Qué objetivos esperas apoyar? Además de los objetivos generales,
¿cuáles son sus indicadores clave de rendimiento (KPI) establecidos que se están utilizando
para medir el rendimiento? Debido a que este es un proyecto basado en datos, querrá pensar

fi
fi

fi

fi
fi
en resultados altamente medibles, aquellos en los que puede medir claramente el impacto.
Está bien si identi cas múltiples objetivos y KPI en este paso; usted puede terminar tratando de
in uir en uno o más a medida que genera sus ideas estratégicas.
Paso 2: Selección de plantilla de valor

Ahora que conoce el dominio en el que se centra, mire hacia atrás en las cuatro plantillas para
la creación de valor e identi que una o más que puedan ser más relevantes para sus objetivos:
๏ Insight: Comprender la psicología de los clientes, sus comportamientos y el impacto de

las acciones comerciales
๏ Targeting: Reducir su audiencia, saber a quién llegar y usar la segmentación avanzada
๏ Personalización :Tratar a diferentes clientes de manera diferente para aumentar la

relevancia y los resultados
๏ Contexto: Relacionar los datos de un cliente con los datos de una población más grande
¿Qué plantilla es más relevante para su dominio de negocio? ¿A los KPI en los que te estás
enfocando? ¿Qué puede afectar a esos objetivos de manera más indirecta? (Por ejemplo, la
información sobre las percepciones de la marca del cliente podría ayudar a in uir en un
objetivo de penetración en el mercado si puede identi car la oportunidad correcta para
reposicionar su producto).
Puede optar por seguir una plantilla o una combinación. Tenga en cuenta que la segmentación
y la personalización a menudo funcionan juntas. Mientras que los esfuerzos de segmentación a
veces se centran solo en identi car a la audiencia correcta, la personalización efectiva requiere
que tenga algún sistema de segmentación dirigida en su lugar. Es posible que ya tenga una
plantilla u otra más desarrollada (por ejemplo, es fuerte en la segmentación, pero débil en las
perspectivas del consumidor). La pregunta es, ¿Qué área de creación de valor es el próximo
enfoque para su estrategia de datos?
Paso 3: Generación de conceptos

Ahora que ha seleccionado una plantilla de valor (o más de una), querrá usarla para idear
formas especí cas en las que los datos podrían ofrecer más valor a sus clientes y a su negocio.
fl
fi
fi

fi
fi

fi

fl

Por ejemplo, si selecciona el contexto, ¿cuál es la mejor manera de utilizar la información

contextual para in uir en los comportamientos deseados? La economía del comportamiento ha
revelado que ver nuestros datos en contexto puede ser un motivador extremadamente
poderoso. Es más probable que los votantes sean persuadidos de llegar a las urnas cuando se
les recuerda su propio historial de votación pasado y el de sus vecinos. Utilizando esta
información, Opower ha desarrollado un servicio basado en datos para in uir en el consumo de
energía del hogar. La compañía, que trabaja con empresas de servicios públicos locales,
muestra a los consumidores datos sobre cómo su propio consumo de energía se compara con
el de sus vecinos. El resultado: los consumidores son mucho más propensos a reducir su
consumo de energía cuando se muestran datos comparativos.
La generación de conceptos debe apuntar a este nivel de aplicación concreta para que
realmente pueda de nir la posible estrategia de datos. Para una estrategia de personalización,
¿cuáles son los momentos especí cos de interacción con el cliente que está tratando de
personalizar? Por ejemplo, la compañía hotelera y de casino Caesar's Entertainment ha seguido
una estrategia similar a la de British Airways: utilizar datos para la personalización del servicio, a
partir de un programa de delización y con el objetivo de aumentar la repetición de negocios.
Pero el de César se centra en un conjunto diferente de momentos. Por ejemplo, Caesar's puede
determinar cuándo un visitante reincidez está teniendo una mala noche en el piso de juego y
enviará al personal de servicio para ofrecer un regalo inesperado: una cena de carne, boletos
para un espectáculo, para que el cliente no se vaya sintiendo que tuvo "mala suerte" en
Caesar's y debería probar otro casino.
En la etapa de generación de conceptos, desea producir ideas especí cas para poner los datos a
trabajar en su negocio.
Paso 4: Auditoría de datos

Ahora que tiene una estrategia en mente, debe ensamblar los datos que requerirá. Eso
comienza con la encuesta de qué datos ya tiene que podrían usarse para habilitar o impulsar su
estrategia. Es posible que tenga un conjunto de datos grande y establecido basado en su
producto o servicio principal (como TWC). Es posible que esté comenzando con un conjunto de
datos sobre los visitantes del sitio web, o puede tener acceso a los datos del programa de

fl

fi

fi
fi

fi
fl
lealtad. Para algunas empresas, los únicos datos pueden ser una lista incompleta de
direcciones de correo electrónico de clientes.
A continuación, debe identi car qué datos aún necesita. A los efectos de la estrategia que ha
esbozado, ¿qué datos todavía faltan? ¿Qué se necesita para proporcionar la visión completa del
cliente que necesita su nueva iniciativa?
Es posible que deba aumentar sus datos en términos de
๏ más registros o las (por ejemplo, ampliar de una muestra limitada de sus clientes a
una lista mucho más amplia),
๏ más tipos de datos (por ejemplo, agregar datos de preferencias y datos de transacciones
a sus datos de contacto del cliente), o
๏ más datos históricos (por ejemplo, retroceder muchos meses en el tiempo para
desarrollar una herramienta de análisis e caz que pueda modelar y predecir resultados
futuros).
Por último, ahora que ha identi cado los vacíos, debe determinar formas de llenarlos. Aquí es
donde puede aplicar las opciones descritas anteriormente: intercambio de valor para el cliente,
usuarios principales, socios de la cadena de suministro, conjuntos de datos públicos y acuerdos
de compra o intercambio.
Paso 5: Plan de ejecución

Para que su estrategia de datos sea efectiva, debe hacer algo más que ensamblar los bits de
datos correctos (los ceros y los unos). Debe poner esa estrategia para usar en el trabajo de su
organización. El último paso es planear la ejecución de las piezas clave de su plan de datos.
¿Qué cuestiones técnicas hay que resolver? Esto puede incluir almacenamiento de datos,
latencia o la rapidez con la que se deben actualizar los datos. Su gente de TI tendrá que pesar
aquí.
¿Qué procesos de negocio necesitarán cambiar? La mayoría de las iniciativas de datos asumen
que los empleados de su empresa tomarán diferentes decisiones y tomarán diferentes acciones
basadas en sus datos. Deberá identi car esos cambios antes de implementar cualquier solución
técnica.
fi

fi

fi
fi

fi

¿Cómo puede probar su estrategia y crear soporte interno? Una de las mejores maneras es
integrar la nueva estrategia de datos en una iniciativa existente en su empresa. Jo Boswell, la
líder del programa Know Me en British Airways, sabía que sería difícil reclutar personal de
servicio en vuelo si su iniciativa era vista como una prioridad más competitiva en su trabajo. En
su lugar, integró Know Me con su programa de servicio al cliente existente, mostrando cómo
sus datos ayudarían al personal a entregar los mismos cuatro "sellos de servicio al cliente" que
anclaban toda su capacitación. 22 Las estrategias basadas en datos deben estar en línea con
todo lo que su negocio está haciendo y ayudar a las personas a hacer mejor su trabajo.
El Generador de valor de datos descrito en los cinco pasos anteriores en una herramienta de
ideación; su objetivo es permitirle generar múltiples ideas para posibles iniciativas de datos en
un área de su negocio. Después de desarrollar estas ideas estratégicas, deberá probar las
suposiciones detrás de cada una. ¿Puede, de hecho, obtener los datos? ¿Puede obtener la
aceptación de las unidades de negocio de su organización para actuar de acuerdo con sus
hallazgos? ¿Los resultados realmente importarán a los clientes? ¿Puede desarrollar un piloto
inicial para probar su estrategia de datos para la prueba de concepto? Examinaremos en
profundidad la cuestión de cómo desarrollar iterativamente nuevas innovaciones como esta en
el capítulo 5.
Sin embargo, antes de dejar la discusión de los datos, consideremos algunos de los desafíos
que una empresa tradicional, anterior a la era digital, puede enfrentar en la reorganización en
torno a las capacidades de datos hoy en día.
Desafíos organizacionales de los datos

Cuando Mike Weaver fue nombrado director de estrategia de datos de Coca-Cola Company, su
misión estaba clara. "Debemos entender las pasiones, preferencias y comportamientos de los
consumidores para que podamos comercializarlos como individuos", me dijo. Como experto en
el área de análisis aplicado, Weaver vio que esto requería la creación de un activo de datos en
una industria que tradicionalmente no es rica en datos de consumidores. Al combinar su
programa de lealtad MyCokeRewards con una variedad de otros conjuntos de datos
(comportamientos observados en sus sitios web, inicios de sesión sociales a través de Facebook,

costura de cookies y datos de varios socios), la compañía pudo avanzar rápidamente hacia su
objetivo de convertirse en un vendedor más basado en datos.
Pero los mayores desafíos, me dijo Weaver, eran organizativos, no técnicos. Comparó el proceso
de cambiar las prácticas comerciales en "la mayor marca del mundo / compañía de medios de
comunicación" con convertir un portaaviones en el mar. Sabía que los modelos de datos
adecuados podrían usarse para desarrollar esquemas de segmentación avanzados para los
clientes de Coca-Cola, para comprender las diferentes necesidades y deseos de los clientes, y
para permitir que la empresa les sirva mejor y se comunique con ellos. Pero antes de instalar
todos los centros de datos y modelos de análisis que permitieran la orientación en tiempo real
de los clientes, la empresa primero tuvo que plani car los cambios en sus procesos de negocio.
Antes de que una marca pueda aprovechar su capacidad para diferenciar los segmentos de
clientes en tiempo real y entregarles mensajes dirigidos, primero necesita aprender a crear
mensajes de una manera muy diferente. Este tipo de segmentación no requiere que Coca-Cola
cree un solo anuncio de Super Bowl de gran éxito; más bien, tiene que crear docenas de
versiones del mismo mensaje y probarlas para ver cuáles impulsan la respuesta entre los
diferentes segmentos de clientes. El primer paso del viaje, reiteró Weaver, es plani car los
cambios en su proceso de negocio, antes de comenzar a comprar todo el hardware o los
servicios en la nube más recientes. 23
In my speaking, teaching, and work with a wide range of companies, I’ve observed a number of
common organizational challenges that businesses face as they shift to a more data-driven
strategy. Each of them is worth considering when developing a data strategy.
Incrustación de conjuntos de habilidades de datos

El primer desafío en la transición a una organización más basada en datos es encontrar
personas con los conjuntos de habilidades adecuados.
Esto comienza con los cientí cos de datos, las personas que pueden hacer el trabajo técnico del
análisis de datos, ya sea limpiar a mano los datos sin procesar, programar algoritmos para
aplicar datos en tiempo real de manera automatizada o diseñar y ejecutar experimentos de
datos rigurosos. Dependiendo de la organización, puede estar usando un socio externo para
análisis, contratando a un solo analista o construyendo un equipo completo. Los buenos
cientí cos de datos tienen fuertes habilidades estadísticas y de programación y a menudo
provienen de una formación académica o cientí ca. También sirven como narradores de la
fi
fi

fi
fi

fi

verdad dentro de la organización. Estas son las personas que saben que los datos pueden
mentir muy fácilmente, y mantendrán a una empresa honesta sobre cosas como el tamaño de
la muestra, las pruebas de importancia y la calidad de los datos (la antigua regla de "basura
dentro / basura fuera").
Pero los expertos en datos no pueden ser las únicas personas en una organización que
entienden o piensan en los datos. Con el n de construir realmente los datos en un activo
estratégico, todos en el negocio tienen que adoptar una mentalidad que incluye el uso de
datos, y las preguntas que plantean a ellos, como parte de su proceso diario. Parte de esto es
educar a la fuerza laboral sobre las formas en que los datos se pueden aplicar en su negocio.
Otra parte debe ser el desarrollo de una cultura de empresa que abarque los datos y el
pensamiento analítico. Para una empresa de bienes de consumo como Coca-Cola o Frito-Lay,
eso implica un cambio de pensar en el marketing como un arte a pensar en él como una
disciplina que incluye tanto el arte como la ciencia.
Por último, la empresa puede necesitar a alguien que pueda tender un puente entre dos
mundos: el mundo de los analistas cuantitativos y el de los responsables de la toma de
decisiones empresariales. Esta persona será la que pueda conectar el trabajo de la ciencia de
datos con el de los altos directivos o los tipos creativos en el departamento de marketing.
Piense en Somaya, el ex profesor de historia del arte que aprendió a hablar el idioma tanto de
los cientí cos de datos en TWC como de los anunciantes y gerentes de marca que eran sus
clientes.
Puentes entre silos

A veces, los mayores desafíos para compartir datos están dentro de la organización. En Coca-
Cola, Weaver descubrió que los datos de análisis de sitios web se encontraban en una base de
datos, mientras que los datos sobre el comportamiento de compra de los consumidores de los
programas de lealtad se mantenían en otro lugar por completo. Para crear una imagen
completa del cliente, primero tuvo que reunir todos los datos de una manera uni cada.
En muchas organizaciones, estas divisiones se ven reforzadas por los silos departamentales y el
deseo de cada departamento de "propiedad" de sus datos (datos de ventas frente a datos de
marketing, etc.). En un estudio de investigación del que fui coautor con mi colega Don Sexton,
hablamos con cientos de vendedores senior en empresas de una amplia gama de industrias
B2B y B2C. El obstáculo más comúnmente citado para usar los datos de manera efectiva fue el

fi

fi

fi

intercambio interno, con el 51 por ciento de los encuestados informando que "la falta de
intercambio de datos en toda nuestra organización es un obstáculo para medir el ROI de
nuestro marketing". 24.
En las grandes organizaciones que operan en diferentes ubicaciones, otra pregunta importante
es si centralizar o no el análisis de datos. Esto es en parte una cuestión de dónde se almacenan
los datos, pero también dónde están los cientí cos de datos. ¿Debería cada unidad de negocio
tener su propio equipo de análisis para que esté más cerca de la toma de decisiones local? ¿O
debería una unidad central de análisis atender las necesidades de datos clave de cada parte del
negocio? A medida que las grandes organizaciones maduran en términos de su capacidad de
datos, parecen estar centralizando el análisis mientras se esfuerzan por aumentar la
inteligencia de los datos de los gerentes en cada unidad de negocio.
Compartir datos con socios

El uso compartido de datos es fundamental no solo dentro de una organización; se está
convirtiendo en un elemento clave de las negociaciones con los socios comerciales. Los
contratos y acuerdos de todo tipo ya no se trata solo de quién paga qué a quién, sino también
de qué datos se compartirán. Este intercambio es particularmente importante para las
empresas que no poseen el punto de venta de nitivo para sus productos.
El fabricante de equipos industriales Caterpillar exige ahora a sus 189 distribuidores que
celebren acuerdos de intercambio de datos; a cambio, les proporciona puntos de referencia y
herramientas para mejorar su propia e ciencia de ventas y con clientes potenciales generados a
partir del análisis web de Caterpillar. 25
Ann Mukherjee, directora de marketing de Frito-Lay, es capaz de medir el impacto de todo tipo
de marketing digital innovador para marcas populares como Doritos y Lay's, pero esta medición
solo es posible gracias a las asociaciones con minoristas clave. "Los minoristas son fuentes
increíbles de comprensión analítica", y la capacidad de asociarse con ellos en torno a los datos y
la medición es fundamental para construir el trá co de la tienda y las ventas de productos. 26
A medida que los datos se vuelven más esenciales para la estrategia comercial, el intercambio
de datos se convertirá en un elemento clave de cada asociación comercial importante con
proveedores, distribuidores, canales de medios y más.

fi

fi
fi
fi

Ciberseguridad, privacidad y actitudes del

consumidor
A medida que las empresas recopilan y utilizan más y más datos, en particular los datos de los
clientes, también conllevan riesgos de seguridad adicionales. Las ciberamenazas que solían ser
la preocupación de los CIO van a estar al frente y en el centro del liderazgo sénior ahora.
Cuando Target sufrió una enorme violación de datos en 2013, con el robo de 40 millones de
tarjetas de crédito de clientes, no solo fue un problema de TI, sino también un problema de
reputación de marca. Las ventas en el minorista se desplomaron a medida que los
consumidores se mantuvieron alejados durante la temporada de compras navideñas, y el CEO
se vio obligado a renunciar unos meses más tarde. Desde entonces, hemos visto el posterior
robo masivo de datos de los consumidores (Anthem), ataques de datos como un medio de
guerra corporativa (Sony Pictures y Ashley Madison) y hackeos de datos como espionaje
gubernamental (la O cina de Administración de Personal de los Estados Unidos). El CEO de
Sony Pictures, Michael Lynton, dijo después de su propio hackeo de alto per l: "Si hay un lado
positivo, es que este fue un llamado para que Estados Unidos se despierte y preste atención.
Esto va a suceder, de hecho, ya está sucediendo, de manera regular". 27 Parte de la estrategia
de datos es el desarrollo de un plan legal, de gestión de riesgos y de seguridad. En lugar de
dejar que el miedo al riesgo posponga la acción (y probablemente no reduzca realmente los
riesgos), los líderes deben establecer una evaluación, responsabilidad y plani cación, con
socios externos apropiados para apoyarlos. Los riesgos de robo de datos son inevitables, pero
pueden reducirse si la reducción de riesgos es una prioridad de liderazgo.
Las actitudes de los consumidores también son cruciales para la estrategia de datos. Más allá de
las amenazas de robo de identidad y los ciberdelincuentes, muchos consumidores están más
preocupados por la privacidad y la creciente cantidad de información que las empresas
recopilan sobre ellos. Gran parte de los datos sobre los clientes se recopilan de maneras que el
público solo conoce vagamente, en el mejor de los casos. La defensa de la privacidad de los
datos de los consumidores ha planteado la posibilidad de una regulación gubernamental en
muchos mercados. Start-ups como Datacoup, Handshake y Meeco han argumentado que las
personas deben ser propietarias de sus datos personales y se les debe pagar por el acceso a los
mismos. Esperan crear herramientas que permitan a los clientes almacenar sus intereses,
preferencias, datos sociales y transacciones con tarjeta de crédito y elegir la cantidad de esta
información para vender a las empresas por un precio jo.

fi
fi

fi
fi
Con las crecientes preocupaciones sobre la propiedad de los datos personales, es cada vez más
importante que cualquier estrategia de datos se base en un intercambio de valor transparente
con el cliente: un intercambio en el que el cliente sepa que se están recopilando datos y vea los
bene cios que está recibiendo a cambio. Esta es la base de los programas de delización con
puntos y recompensas. También es la razón por la que los clientes voluntariamente
proporcionan cali caciones personales en un servicio como Net ix y no se alarman cuando
Amazon sugiere productos basados en su historial de navegación reciente. Cuando los clientes
puedan ver fácilmente tanto las formas en que las empresas están recopilando datos como los
bene cios que están obteniendo como resultado, es más probable que permitan el acceso
sostenible a las empresas.
A medida que los sensores, las redes y la informática se incrustan en cada parte de nuestras
vidas, los datos que están disponibles para las empresas continúan creciendo
exponencialmente. Para algunos gerentes, este diluvio de datos parecerá abrumador. Otros
gerentes pueden decirse a sí mismos que "no ocupo en una industria muy intensiva en datos"
simplemente porque ese fue el caso hace unos pocos años. Pero el mundo ha cambiado. Todas
las empresas ahora tienen acceso a los datos.
El reto estratégico para las empresas es desarrollar la visión clara y la capacidad creciente
necesaria para poner los datos a trabajar al servicio de la innovación y la creación de valor. Al
tratar los datos como un activo intangible clave para construir con el tiempo, cada negocio
puede desarrollar una estrategia de datos que informa la toma de decisiones críticas y genera
nuevo valor tanto para el negocio como para el cliente.
Los datos nos permiten experimentar, aprender y probar continuamente nuestras ideas. Esto
signi ca que los datos pueden hacer más que alimentar productos, optimizar procesos y ofrecer
interacciones con los clientes más relevantes; también puede ayudar a cambiar la forma en que
las organizaciones aprenden e innovan. Este tipo diferente de aprendizaje, a través de la
experimentación constante, está en el corazón de un enfoque profundamente diferente de la
innovación. Ese nuevo enfoque de la innovación es el tema del próximo capítulo.
fi
fi
fi
fi

fl
fi

The Digital Transformation Book - Traducido A Español - Capítulo 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

The Digital Transformation Book - Traducido A Español - Capítulo 4

Cargado por

Copyright:

Formatos disponibles

THE DIGITAL

2 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

La compañía también trabaja directamente con los anunciantes de la marca, en categorías

REPENSAR LOS DATOS

4 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

LOS DATOS COMO ACTiVO iNTANGiBLE

6 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

CADA NEGOCiO NECESiTA UNA ESTRATEGiA DE DATOS

Los siguientes cinco principios deben guiar a cualquier organización en el desarrollo de su

Data type Examples U lity

8 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

qué mercancía presentar cerca de diferentes atracciones y cómo administrar la

EL iMPACTO DEL BiG DATA

No nos equivoquemos: el tamaño de los conjuntos de datos está aumentando rápidamente.

Big Data es realmente datos no estructurados

Nuevas herramientas para luchar contra los datos no

El continuo crecimiento exponencial de la potencia de procesamiento de computadoras es un

14 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

retroalimentación de su entorno o de entrenadores humanos (indicando qué conclusiones

El procesamiento del lenguaje natural y el aprendizaje automático se combinan en un sistema

Big Data en el grifo desde la nube

La computación en la nube tiene profundas implicaciones para la escalabilidad y las pequeñas

16 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

DÓNDE ENCONTRAR LOS DATOS QUE NECESiTA

Intercambio de datos de valor para el cliente

Participación del usuario principal

Socios de la cadena de suministro

Conjuntos de datos públicos

Acuerdos de compra o intercambio

20 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

Convertir los datos de los clientes en valor

Insights: Revelando lo Invisible

22 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

Segmentación: Reducir el campo

24 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

Personalización: Adaptación para

British Airways ha lanzado un programa de personalización de servicios conocido internamente

Uno de los desafíos de la personalización ha sido la proliferación de diferentes dispositivos y

rápidamente con consumidores individuales con "direccionabilidad a escala" en Google,

Contexto: Proporcionar un marco de

Herramienta: El generador de valores de

Paso 1: Área de impacto e indicadores

DATA VALUE GENERATOR

Paso 2: Selección de plantilla de valor

๏ Insight: Comprender la psicología de los clientes, sus comportamientos y el impacto de

๏ Targeting: Reducir su audiencia, saber a quién llegar y usar la segmentación avanzada

๏ Personalización :Tratar a diferentes clientes de manera diferente para aumentar la

Paso 3: Generación de conceptos

30 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

Por ejemplo, si selecciona el contexto, ¿cuál es la mejor manera de utilizar la información

Paso 4: Auditoría de datos

Es posible que deba aumentar sus datos en términos de

Paso 5: Plan de ejecución

32 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

Desafíos organizacionales de los datos

Incrustación de conjuntos de habilidades de datos

34 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

Puentes entre silos

Compartir datos con socios

36 LOS CINCO DOMINIOS DE LA TRANSFORMACIÓN DIGITAL

Ciberseguridad, privacidad y actitudes del

También podría gustarte