Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CAPÍTULO
1
Una visión general de los negocios
OBJETIVOS DE APRENDIZAJE
cada vez más complejo. Las organizaciones, tanto privadas como públicas, están bajo pres
El entornoseguros
empresarial (clima)
que los cambia
obligan constantemente
a responder y se aestá
rápidamente las volviendo
condiciones cambiantes y a ser
innovadores en la forma en que operan. Tales actividades requieren que las organizaciones sean ágiles y
tomen decisiones estratégicas, tácticas y operativas frecuentes y rápidas, algunas de las cuales son muy
complejas. Tomar tales decisiones puede requerir cantidades considerables de datos, información y
conocimientos relevantes. Su procesamiento, en el marco de las decisiones necesarias, debe hacerse de
forma rápida, frecuentemente en tiempo real, y suele requerir algún soporte informático.
Este libro trata sobre el uso de análisis de negocios como soporte computarizado para la toma de
decisiones gerenciales. Se concentra en los fundamentos teóricos y conceptuales del apoyo a la toma de
decisiones, así como en las herramientas y técnicas comerciales disponibles. Este libro presenta los
fundamentos de las técnicas y la forma en que se construyen y utilizan estos sistemas. Seguimos un
enfoque EEE para presentar estos temas: exposición, experiencia y exploración. El libro proporciona
principalmente exposición a diversas técnicas analíticas y sus aplicaciones. La idea es que un estudiante
se inspire para aprender de cómo otras organizaciones han empleado análisis para tomar decisiones o
para obtener una ventaja competitiva. Creemos que tal exposición a lo que se está haciendo con la
analítica y cómo se puede lograr es el componente clave del aprendizaje sobre la analítica.
Al describir las técnicas, también damos ejemplos de herramientas de software específicas que pueden ser
29
Machine Translated by Google
utilizado para el desarrollo de tales aplicaciones. El libro no se limita a ninguna herramienta de software, por lo
que los estudiantes pueden experimentar estas técnicas utilizando cualquier cantidad de herramientas de
software disponibles. Esperamos que esta exposición y experiencia capacite y motive a los lectores a explorar el
potencial de estas técnicas en su propio dominio. Para facilitar dicha exploración, incluimos ejercicios que
dirigen al lector a Teradata University Network (TUN) y otros sitios que incluyen ejercicios orientados al equipo
cuando corresponda.
Este capítulo introductorio proporciona una introducción a la analítica, así como una descripción general del
libro. El capítulo tiene las siguientes secciones:
1.1 Viñeta de apertura: Sports Analytics: una frontera emocionante para el aprendizaje y
Comprensión de las aplicaciones de análisis 30
1.2 Entornos empresariales cambiantes y necesidades en evolución de apoyo a la toma de decisiones y
Analítica 37
1.3 Evolución del soporte de decisiones computarizado para análisis/ciencia de datos 39
1.4 Un marco para la inteligencia empresarial 41
1.5 Resumen de análisis 48
1.6 Ejemplos de análisis en dominios seleccionados 55
1.7 Una breve introducción a Big Data Analytics 61
1.8 Una descripción general del ecosistema analítico 63
1.9 Planta del Libro 72
1.10 Recursos, enlaces y la conexión de red de la Universidad de Teradata 73
De hecho, la analítica deportiva se está convirtiendo en una especialidad dentro de la analítica. Es un área
importante porque los deportes son un gran negocio que genera alrededor de $145 mil millones en ingresos cada año,
más $100 mil millones adicionales en apuestas legales y $300 mil millones en apuestas ilegales, según Price Waterhouse.1
En 2014, solo se gastaron $ 125 millones en análisis (menos del 0,1% de los ingresos). Se espera que esto
crezca a un ritmo saludable a $ 4.7 mil millones para 2021.2
1“Changing the Game: Outlook for the Global Sports Market to 2015”, Price Waterhouse Coopers Report, aparece
en https://www.pwc.com/gx/en/hospitality-leisure/pdf/ Changing-the-game-outlook -for-the-global-sports-market
to-2015.pdf. Datos de apuestas de https://www.capcredit.com/how-much-americansspend-on-sports-each-year/.
2“Sports Analytics Market Worth $4.7B by 2021,” Comunicado de prensa de Wintergreen Research, cubierto por PR
Newswire en http://www.prnewswire.com/news-releases/sports-analytics-market-worth-47-billion-by- 2021-509869871.html,
25 de junio de 2015.
Machine Translated by Google
El uso de análisis para los deportes se popularizó con el libro Moneyball de Michael Lewis en 2003 y la
película protagonizada por Brad Pitt en 2011. Mostraba al gerente general de los Atléticos de Oakland, Billy Beane,
y su uso de datos y análisis para convertir un equipo perdedor en un ganador. . En particular, contrató a un analista
que usó análisis para reclutar jugadores capaces de embasarse en lugar de jugadores que se destacaron en
medidas tradicionales como carreras impulsadas o bases robadas. Estos conocimientos les permitieron seleccionar
prospectos ignorados por otros equipos con salarios iniciales razonables. Funcionó: llegaron a los playoffs en 2002
y 2003.
Ahora los análisis se utilizan en todas las partes de los deportes. El análisis se puede dividir entre la oficina
principal y la oficina administrativa. Una buena descripción con 30 ejemplos aparece en el artículo de la encuesta
de Tom Davenport.3 Los análisis comerciales de la oficina principal incluyen el análisis del comportamiento de los
fanáticos que van desde modelos predictivos para renovaciones de boletos de temporada y ventas regulares de
boletos, hasta tweets de puntaje de fanáticos sobre el equipo, atletas, entrenadores y dueños Esto es muy similar
a la gestión tradicional de las relaciones con los clientes (CRM). El análisis financiero también es un área clave,
donde los topes salariales (para profesionales) o los límites de becas (universidades) son parte de la ecuación.
Los usos administrativos incluyen el análisis tanto de atletas individuales como del juego en equipo. Para
jugadores individuales, hay un enfoque en modelos de reclutamiento y análisis de exploración, análisis de fuerza y
estado físico, así como desarrollo, y PM para evitar el sobreentrenamiento y las lesiones. La investigación sobre la
conmoción cerebral es un campo candente. El análisis del equipo incluye estrategias y tácticas, evaluaciones
competitivas y opciones óptimas de la lista en diversas situaciones en el campo o en la cancha.
Los siguientes ejemplos representativos ilustran cómo tres organizaciones deportivas utilizan datos y análisis
para mejorar las operaciones deportivas, de la misma manera que los análisis han mejorado la toma de decisiones
de la industria tradicional.
2 88 81 70 sesenta y cinco 38
3 80 76 68 55 36
4 77 72 sesenta y cinco 45 25
5 75 70 60 35 25
3Thomas Davenport, “Analytics in Sports: The New Science of Winning”, Informe técnico del Instituto Internacional de
Análisis, patrocinado por SAS, febrero de 2014. En el sitio web de SAS en: http://www.sas.com/content/dam/ SAS/
en_us/doc/whitepaper2/iia-analytics-in-sports-106993.pdf. (Consultado en julio de 2016)
Machine Translated by Google
encuesta que "probablemente no renovarían" en realidad lo hizo. Esta es una información útil que conduce a la
acción: los clientes en las celdas verdes tienen más probabilidades de renovar boletos, por lo que requieren menos
toques de marketing y menos dólares para convertir, por ejemplo, en comparación con los clientes en las celdas
azules.
Sin embargo, muchos factores influyen en el comportamiento de compra de boletos de los fanáticos,
especialmente el precio, lo que genera estadísticas y análisis de datos más sofisticados. Para ambas áreas, pero
especialmente para los boletos de un solo juego, Dave está impulsando el uso de precios dinámicos, moviendo el
negocio de un simple precio estático por nivel de ubicación de asiento a precios que aumentan y disminuyen día a
día de asientos individuales. Esta es un área de investigación rica para muchos equipos deportivos y tiene un gran
potencial para mejorar los ingresos. Por ejemplo, su precio tiene en cuenta el historial del equipo, contra quién
juegan, las fechas y horas de los juegos, qué atletas estrella juegan para cada equipo, el historial de renovación de
boletos de temporada o compra de boletos individuales de cada fanático, así como factores como la ubicación del
asiento. , número de asientos e información en tiempo real como la congestión del tráfico históricamente a la hora
del juego e incluso el clima. Consulte la Figura 1.2.
¿Cuáles de estos factores son importantes? ¿Cuánto cuesta? Dada su amplia experiencia en estadísticas,
Dave crea modelos de regresión para seleccionar los factores clave que impulsan estos comportamientos históricos
y crea PM para identificar cómo gastar los recursos de marketing para generar ingresos.
Construye modelos de abandono para titulares de boletos de temporada para crear segmentos de clientes que
renovarán, no renovarán o son indiferentes, lo que luego impulsa campañas de marketing más refinadas.
Además, califica el sentimiento de los comentarios de los fanáticos, como tweets, que lo ayudan a segmentar
a los fanáticos en diferentes segmentos de lealtad. Otros estudios sobre los factores que impulsan la asistencia a
un solo juego ayudan al departamento de marketing a comprender el impacto de obsequios como cabezas de
muñecos o camisetas, o sugerencias sobre dónde realizar compras de anuncios de televisión.
Más allá de los ingresos, hay muchas otras áreas analíticas en las que trabaja el equipo de Dave, que
incluyen merchandising, ingresos por transmisiones de radio y televisión, aportes al gerente general sobre las
negociaciones salariales, borradores de análisis especialmente dados los topes salariales, efectividad de la
promoción, incluidos los canales publicitarios y conocimiento de la marca. así como análisis de socios. ¡Es un tipo
muy ocupado!
Relacionado al tiempo
parte de la temporada Oponente de la misma división
Variables
FIGURA 1.2 Trabajo previo de fijación dinámica de precios: Major League Baseball. Fuente: Adaptado de C.
Kemper y C. Breuer, “How Efficient is Dynamic Pricing for Sports Events? Diseño de un modelo de precios dinámicos
para el Bayern de Múnich”, Intl. Journal of Sports Finance, 11, pp. 4-25, 2016.
Machine Translated by Google
Si Off_Pers es
10, 11, 20, 22,
12, 21, 30, 31, 32 o Falta
Número total de reproducciones: 162 Número total de reproducciones: 132 Número total de reproducciones: 25 Número total de reproducciones: 66
Porcentaje de Ejecución: 50,62% Porcentaje de Ejecución: 24,24% Porcentaje de ejecución: 44,00% Porcentaje de Ejecución: 4.55%
Porcentaje de Aprobado: 49,38% Porcentaje de Aprobado: 75,67% Porcentaje de Aprobado: 56,00% Porcentaje de Aprobado: 95,45%
Ejemplo 2: El Entrenador
Bob Breedlove es el entrenador de fútbol de un importante equipo universitario. Para él, se trata de ganar
juegos. Sus áreas de enfoque incluyen reclutar a los mejores jugadores de la escuela secundaria, desarrollarlos
para que se ajusten a sus sistemas ofensivos y defensivos, y obtener el máximo esfuerzo de ellos en los días
de juego. Ejemplos de preguntas en su área de responsabilidad incluyen: ¿A quién reclutamos?
¿Qué ejercicios ayudan a desarrollar sus habilidades? ¿Cuánto presiono a nuestros atletas? ¿Dónde son
fuertes o débiles los oponentes y cómo averiguamos sus tendencias de juego?
Afortunadamente, su equipo ha contratado a un nuevo experto en operaciones de equipo, Dar Beranek,
que se especializa en ayudar a los entrenadores a tomar decisiones tácticas. Ella está trabajando con un equipo
de estudiantes en prácticas que están creando análisis de oponentes. Usaron la película del juego anotada por
el entrenador para construir un modelo de árbol de decisión en cascada (Figura 1.3) para predecir si la próxima
jugada será una jugada de carrera o de pase. Para el coordinador defensivo, han creado mapas de calor
(Figura 1.4) de la ofensiva de pase de cada oponente, que ilustran sus tendencias a lanzar a la izquierda o a la
derecha y en qué zonas de cobertura defensiva. Finalmente, construyeron algunos análisis de series de tiempo
(Figura 1.5) sobre jugadas explosivas (definidas como una ganancia de más de 16 yardas para una jugada de
pase o más de 12 yardas para una jugada de carrera). Para cada jugada, comparan el resultado con sus
propias formaciones defensivas y las formaciones ofensivas del otro equipo, lo que ayuda al entrenador
Breedlove a reaccionar más rápidamente a los cambios de formación durante un juego. Explicaremos las
técnicas analíticas que generaron estas cifras con mucha más profundidad en los Capítulos 2 a 5 y el Capítulo 7.
El nuevo trabajo que Dar está fomentando involucra la construcción de mejores modelos de
reclutamiento de atletas en la escuela secundaria. Por ejemplo, cada año el equipo otorga becas a tres
estudiantes que son reclutas de receptores abiertos. Para Dar, elegir a los mejores jugadores va más allá de
medidas simples como qué tan rápido corren los atletas, qué tan alto saltan o qué tan largos son sus brazos, a
criterios más nuevos como qué tan rápido pueden girar la cabeza para atrapar un pase, qué tipo de reacción
veces que se exponen a múltiples estímulos y con qué precisión ejecutan las rutas de paso. Algunas de sus
ideas que ilustran estos conceptos aparecen en el sitio web de TUN; busque el estuche BSI de balón de fútbol
de precisión.4
4Investigación de escenarios empresariales BSI: El caso del fútbol de precisión (video). (Otoño de 2015). Aparece en http://
www.teradatauniversitynetwork.com/About-Us/Whats-New/BSI–Sports-Analytics—Precision-Football//,Fall 2015. (Consultado en septiembre
de 2016)
Machine Translated by Google
Ofensa
Línea de scrimmage
2 3
1 Completo: Completo: 12 Completo: 14 4 Completo: 5 Completo:
25 Total: 35 Total: 24 Total: 28 8 Total: 14 25 Total: 44
71,4% 50% 50% 57,14% 56,81%
Explosivo: 1 Explosivo: 0 Explosivo: 0 Explosivo: 0 Explosivo: 1
6 8
Completo: 7 7 Completo: 13 Completo: 7 9 Completo: 15
totales: 10 Total: 21 Total: 10 Total: 27
70% 61,9% 70% 55,55%
Explosivo: 2 Explosivo: 9 Explosivo: 6 Explosivo: 8
Defensa
ud_d_cov
ud_d_cov0
ud_d_off_pers
ud_d_cov2
ud_d_cov3 Expl_
ud_d_off_pers10 ud_d_cov4
ud_d_cov4
ATASCO
ud_d_cov6 ud_d_covBUZZ
ud_d_covFALL
ud_d_covFIRES
ud_d_covLLAMA
ud_d_off_pers11 ud_d_covMANOS
Expl_Y
ud_d_covHARD
ud_d_covHERO
ud_d_covHOT
ud_d_off_pers12
ud_d_covNIVELES
ud_d_covMIX
ud_d_off_pers20
ud_d_covROBBER
ud_d_covROLL
ud_d_off_pers21
ud_d_covSKY
ud_d_covSMOKE
ud_d_covSPARK
ud_d_off_pers22
ud_d_off_pers23 ud_d_covSENTADILLA
ud_d_off_pers30
ud_d_covESTADO
ud_d_covWALL
ud_d_off_pers31
ud_d_off_pers32
Ejemplo 3: El Entrenador
El Dr. Dan Johnson es el entrenador de un equipo universitario de fútbol femenino. Su trabajo es ayudar a los jugadores a
mantenerse saludables y asesorar a los entrenadores sobre cuánta carga deben poner sobre los jugadores durante las
prácticas. También le interesa el bienestar de los jugadores, incluido cuánto duermen y cuánto descansan entre sesiones
de práctica intensas y livianas. El objetivo es garantizar que los jugadores estén listos para jugar los días de juego con la
máxima eficiencia.
Afortunadamente, debido a los dispositivos portátiles, hay muchos más datos para que los analice el Dr. Dan.
Sus jugadores entrenan usando chalecos que contienen sensores que pueden medir cargas internas como los latidos del
corazón, la temperatura corporal y la frecuencia respiratoria. Los chalecos también incluyen acelerómetros que miden
cargas externas como distancias y velocidades de carrera, así como aceleraciones y desaceleraciones. Sabe qué jugadores
se esfuerzan al máximo durante las prácticas y quiénes no.
Su enfoque en este momento es la investigación que predice o previene las lesiones de los jugadores (Figura 1.6).
Algunas tareas simples, como una prueba de sujeción de sentadillas con una sola pierna, de pie sobre un pie, luego sobre
el otro, con diferencias de puntaje de más del 10% pueden proporcionar información útil sobre las fortalezas y debilidades
del núcleo del cuerpo (Figura 1.7). Si un atleta recibe un fuerte golpe durante un partido, un entrenador puede realizar una
prueba al margen, reaccionando a un estímulo en un dispositivo móvil, lo que se suma a los protocolos tradicionales de
conmoción cerebral. Los sensores de sueño muestran quién está descansando lo suficiente (o quién estuvo de fiesta toda
la noche). Él hace que el laboratorio de resonancia magnética en el campus realice exploraciones cerebrales periódicas
para mostrar qué atletas están en riesgo de sufrir una lesión cerebral.
5 “Lesiones en el fútbol femenino”, Informe del Centro Nacional de Investigación de Lesiones Deportivas Catastróficas, NCAA. Las hojas
informativas sobre lesiones deportivas de la NCAA son producidas por el Centro Datalys para la Investigación y Prevención de Lesiones
Deportivas en colaboración con la Asociación Nacional de Atletismo Colegiado y STOP Sports Injuries. Aparece en https://www.ncaa.org/
sitios/predeterminado/archivos/NCAA_W_Soccer_Injuries_WEB.pdf. (Consultado en noviembre de 2016).
Machine Translated by Google
Z
X
X
Z
458
308
1. ¿Cuáles son los tres factores que podrían ser parte de un PM para renovaciones de boletos de temporada?
2. ¿Cuáles son dos técnicas que los equipos de fútbol pueden usar para hacer análisis de oponentes?
3. ¿Cómo pueden los wearables mejorar la salud y la seguridad de los jugadores? ¿Qué tipos de análisis nuevos
pueden usar los entrenadores?
Las habilidades que aprenderá en este libro para el análisis empresarial se aplicarán a los deportes. Si desea
profundizar más en esta área, lo alentamos a que consulte la sección Sports Analytics de Teradata University Network
(TUN), un recurso gratuito para estudiantes y profesores. En este sitio web, encontrará descripciones de lo que debe leer
para obtener más información sobre análisis de deportes, compilaciones de lugares donde puede encontrar conjuntos de
datos disponibles públicamente para análisis, así como ejemplos de proyectos de estudiantes en análisis de deportes y
entrevistas de deportes. profesionales que utilizan datos y análisis para hacer su trabajo. ¡Buena suerte aprendiendo
análisis!
Machine Translated by Google
Fuente y créditos: contribución del Dr. Dave Schrader, quien se jubiló después de 24 años en desarrollo avanzado y
marketing en Teradata. Ha permanecido en la Junta de Asesores de Teradata University Network, donde pasa su
jubilación ayudando a estudiantes y profesores a aprender más sobre análisis deportivos. Las imágenes de fútbol (Figuras
1.3–1.5) fueron construidas por Peter Liang y Jacob Pearson, estudiantes graduados de la Universidad Estatal de
Oklahoma, como parte de un proyecto estudiantil en la primavera de 2016. Las imágenes de entrenamiento (Figuras 1.6
y 1.7) están adaptadas de la imágenes proporcionadas por el Prof. Gary Wilkerson de la Universidad de Tennessee en
Chattanooga y el Prof. Ashish Gupta de la Universidad de Auburn.
• Comunicación y colaboración en grupo. Muchas decisiones son tomadas hoy por grupos cuyos
miembros pueden estar en diferentes lugares. Los grupos pueden colaborar y comunicarse fácilmente
mediante el uso de herramientas de colaboración, así como los omnipresentes teléfonos inteligentes.
La colaboración es especialmente importante a lo largo de la cadena de suministro, donde los socios,
desde los proveedores hasta los clientes, deben compartir información. Reunir un grupo de tomadores
de decisiones, especialmente expertos, en un solo lugar puede ser costoso. Los sistemas de
información pueden mejorar el proceso de colaboración de un grupo y permitir que sus miembros
estén en diferentes lugares (ahorrando costos de viaje). Más importante aún, dicha colaboración en
la cadena de suministro permite a los fabricantes conocer los patrones cambiantes de la demanda
casi en tiempo real y, por lo tanto, reaccionar más rápido a los cambios del mercado.
• Gestión de datos mejorada. Muchas decisiones implican cálculos complejos.
Los datos para estos se pueden almacenar en diferentes bases de datos en cualquier lugar de la
organización e incluso posiblemente fuera de la organización. Los datos pueden incluir texto, sonido,
gráficos y video, y estos pueden estar en diferentes idiomas. Muchas veces es necesario transmitir
datos rápidamente desde lugares distantes. Los sistemas de hoy pueden buscar, almacenar y
transmitir los datos necesarios de forma rápida, económica, segura y transparente.
• Gestión de almacenes de datos gigantes y Big Data. Los grandes almacenes de datos (DW),
como los que opera Walmart, contienen enormes cantidades de datos. Especial
Machine Translated by Google
Los métodos, incluida la computación paralela, Hadoop/Spark, etc., están disponibles para organizar, buscar y
extraer los datos. Los costos relacionados con el almacenamiento y la extracción de datos están disminuyendo
rápidamente. Las tecnologías que se incluyen en la amplia categoría de Big Data han permitido obtener datos
masivos provenientes de una variedad de fuentes y en muchas formas diferentes, lo que permite una visión muy
diferente del desempeño organizacional que no era posible en el pasado.
• Soporte analítico. Con más datos y tecnologías de análisis, se pueden evaluar más alternativas, se pueden mejorar
los pronósticos, se puede realizar un análisis de riesgos rápidamente y se pueden recopilar rápidamente y a un
costo reducido las opiniones de los expertos (algunos de los cuales pueden estar en ubicaciones remotas). . La
experiencia puede incluso derivarse directamente de los sistemas analíticos. Con tales herramientas, los tomadores
de decisiones pueden realizar simulaciones complejas, verificar muchos escenarios posibles y evaluar diversos
impactos de manera rápida y económica. Esto, por supuesto, es el enfoque de varios capítulos del libro.
• Conocimiento administrativo. Las organizaciones han recopilado una gran cantidad de información sobre sus
propias operaciones, clientes, procedimientos internos, interacciones de los empleados, etc., a través de las
comunicaciones estructuradas y no estructuradas que tienen lugar entre las diversas partes interesadas. Los
sistemas de gestión del conocimiento se han convertido en fuentes de apoyo formales e informales para la toma
de decisiones de los directivos, aunque en ocasiones ni siquiera se les llame KMS. Tecnologías como el análisis
de texto e IBM Watson están haciendo posible generar valor a partir de dichos almacenes de conocimiento.
• Soporte en cualquier lugar y en cualquier momento. Usando tecnología inalámbrica, los gerentes pueden
acceder a la información en cualquier momento y desde cualquier lugar, analizarla e interpretarla y comunicarse
con los involucrados. Este es quizás el cambio más grande que ha ocurrido en los últimos años. La velocidad a la
que se debe procesar la información y convertirla en decisiones realmente ha cambiado las expectativas tanto de
los consumidores como de las empresas.
Estas y otras capacidades han estado impulsando el uso de soporte de decisiones computarizado desde finales
de la década de 1960, pero especialmente desde mediados de la década de 1990. El crecimiento de las tecnologías
móviles, las plataformas de redes sociales y las herramientas analíticas ha permitido un nivel diferente de soporte
de sistemas de información (IS) para los gerentes. Este crecimiento en la prestación de soporte basado en datos
para cualquier decisión se extiende no solo a los gerentes sino también a los consumidores. Primero estudiaremos
una descripción general de las tecnologías a las que se ha hecho referencia en general como BI. A partir de ahí,
ampliaremos nuestros horizontes para introducir varios tipos de análisis.
1. ¿Cuáles son algunas de las tendencias clave orientadas al sistema que han fomentado
toma de decisiones a un nuevo nivel?
2. Enumerar algunas capacidades de los sistemas de información que pueden facilitar la toma de decisiones gerenciales
haciendo.
3. ¿Cómo puede una computadora ayudar a superar los límites cognitivos de los humanos?
Machine Translated by Google
Los sistemas de soporte de decisiones combinan los recursos intelectuales de las personas con las capacidades
de la computadora para mejorar la calidad de las decisiones. Es un sistema de apoyo basado en computadora
para los tomadores de decisiones gerenciales que se ocupan de problemas semiestructurados.
Tenga en cuenta que el término sistema de soporte de decisiones, como sistema de información de gestión
y varios otros términos en el campo de TI, es una expresión libre de contenido (es decir, significa diferentes cosas
para diferentes personas). Por lo tanto, no existe una definición universalmente aceptada de DSS.
Durante los primeros días de la analítica, los datos a menudo se obtenían de los expertos del dominio
mediante procesos manuales (es decir, entrevistas y encuestas) para construir modelos matemáticos o basados
en el conocimiento para resolver problemas de optimización restringidos. La idea era hacer lo mejor con recursos
limitados. Dichos modelos de apoyo a la decisión se denominaron típicamente investigación de operaciones (OR).
Los problemas que eran demasiado complejos para resolverlos de manera óptima (utilizando técnicas de
programación matemática lineal o no lineal) se abordaron utilizando métodos heurísticos como los modelos de
simulación. (Los presentaremos como análisis prescriptivos más adelante en este capítulo y con un poco más de
detalle en el Capítulo 6).
A fines de la década de 1970 y principios de la de 1980, además de los modelos OR maduros que se
usaban en muchas industrias y sistemas gubernamentales, había surgido una nueva y emocionante línea de
modelos: los sistemas expertos basados en reglas. Estos sistemas prometían capturar el conocimiento de los
expertos en un formato que las computadoras pudieran procesar (a través de una colección de reglas if-then-else
o heurísticas) para que pudieran usarse para consultas de la misma manera que uno
InformesSistemas
de rutinade soporte de
AI/Sistemas decisiones
expertos
Informes DBMS
estáticos relacional
bajo
Almacenamientodemanda Cuadros
de datos de planificación dederecursos
Sistemas mando yempresariales
cuadros ejecutiva
de información de mando AnálisisAnálisis
Informática en la nube, SaaS Minería de datos/texto Inteligencia empresarial de redes
de bigsociales/medios
data In-Memory, In-Database
Sistemas de apoyo a la toma de decisiones Enterprise/Executive IS Inteligencia de negocios Analítica Big Data...
utilizaría expertos de dominio para identificar un problema estructurado y prescribir la solución más probable. Los
ES permitieron poner a disposición la experiencia escasa donde y cuando se necesitaba, utilizando un DSS
"inteligente".
La década de 1980 vio un cambio significativo en la forma en que las organizaciones capturaban datos
relacionados con el negocio. La práctica anterior había sido tener múltiples sistemas de información inconexos
adaptados para capturar datos transaccionales de diferentes unidades o funciones organizacionales (por ejemplo,
contabilidad, marketing y ventas, finanzas, manufactura). En la década de 1980, estos sistemas se integraron
como sistemas de información de nivel empresarial que ahora comúnmente llamamos sistemas de planificación
de recursos empresariales (ERP). Los antiguos esquemas de representación de datos, en su mayoría secuenciales
y no estandarizados, fueron reemplazados por sistemas de gestión de bases de datos relacionales (RDBM). Estos
sistemas permitieron mejorar la captura y almacenamiento de datos, así como las relaciones entre los campos de
datos organizacionales al tiempo que redujeron significativamente la replicación de información. La necesidad de
sistemas RDBM y ERP surgió cuando la integridad y la consistencia de los datos se convirtieron en un problema,
lo que obstaculizó significativamente la efectividad de las prácticas comerciales. Con ERP, todos los datos de
todos los rincones de la empresa se recopilan e integran en un esquema consistente para que cada parte de la
organización tenga acceso a la versión única de la verdad cuando y donde sea necesario. Además de la aparición
de los sistemas ERP, o quizás debido a estos sistemas, los informes comerciales se convirtieron en una práctica
comercial a pedido y según las necesidades. Los tomadores de decisiones podían decidir cuándo necesitaban o
querían crear informes especializados para investigar problemas y oportunidades organizacionales.
según sea necesario y pagaron solo por lo que usaron, en lugar de invertir en recursos de hardware y software
financieramente prohibitivos.
En la década de 2010, estamos viendo otro cambio de paradigma en la forma en que se capturan y utilizan los
datos. En gran parte debido al uso generalizado de Internet, han surgido nuevos medios de generación de datos. De
todas las nuevas fuentes de datos (p. ej., etiquetas de identificación por radiofrecuencia [RFID], medidores de energía
digital, registros web de seguimiento de clics, dispositivos domésticos inteligentes, equipos portátiles de control de la
salud), quizás la más interesante y desafiante son las redes sociales/medios sociales. Estos datos no estructurados
son ricos en contenido de información, pero el análisis de tales fuentes de datos plantea desafíos importantes para los
sistemas computacionales, tanto desde la perspectiva del software como del hardware. Recientemente, el término Big
Data se ha acuñado para resaltar los desafíos que nos han traído estos nuevos flujos de datos. Se han desarrollado
muchos avances tanto en hardware (p. ej., procesamiento paralelo masivo con memoria computacional muy grande y
sistemas informáticos de multiprocesador altamente paralelos) como en software/algoritmos (p. ej., Hadoop con
MapReduce y NoSQL) para abordar los desafíos de Big Data.
Es difícil predecir lo que traerá la próxima década y cuáles serán los nuevos términos relacionados con el
análisis. El tiempo entre los nuevos cambios de paradigma en los sistemas de información y, en particular, en el análisis
se ha ido reduciendo, y esta tendencia continuará en el futuro previsible. Aunque la analítica no es nueva, la explosión
de su popularidad es muy nueva. Gracias a la reciente explosión de Big Data, las formas de recopilar y almacenar estos
datos y las herramientas de software intuitivas, los conocimientos basados en datos son más accesibles que nunca
para los profesionales de negocios. Por lo tanto, en medio de la competencia global, existe una gran oportunidad de
tomar mejores decisiones administrativas mediante el uso de datos y análisis para aumentar los ingresos y reducir los
costos al crear mejores productos, mejorar la experiencia del cliente y detectar el fraude antes de que suceda, lo que
mejora la participación del cliente. a través de la orientación y la personalización, todo con el poder del análisis y los
datos. Cada vez son más las empresas que preparan a sus empleados con conocimientos de análisis empresarial para
impulsar la eficacia y la eficiencia en sus procesos de toma de decisiones del día a día.
La siguiente sección se centra en un marco para BI. Aunque la mayoría de las personas estaría de acuerdo en
que BI se ha convertido en análisis y ciencia de datos, muchos proveedores e investigadores todavía usan ese término.
Entonces, la Sección 1.4 rinde homenaje a esa historia al enfocarse específicamente en lo que se ha llamado BI.
Después de la siguiente sección, presentamos el análisis y lo usaremos como la etiqueta para clasificar todos los
conceptos relacionados.
Definiciones de BI
Business Intelligence (BI) es un término general que combina arquitecturas, herramientas, bases de
datos, herramientas analíticas, aplicaciones y metodologías. Es, como DSS, una expresión sin
contenido, por lo que significa diferentes cosas para diferentes personas. Parte de la confusión sobre
BI radica en la ráfaga de acrónimos y palabras de moda que se asocian con él (por ejemplo, gestión del
rendimiento empresarial [BPM]). El objetivo principal de BI es permitir el acceso interactivo (a veces en
tiempo real) a los datos, permitir la manipulación de datos y brindar a los gerentes y analistas
comerciales la capacidad de realizar análisis apropiados. Mediante el análisis de datos, situaciones y
actuaciones históricas y actuales, los responsables de la toma de decisiones obtienen información
valiosa que les permite tomar mejores y más informadas decisiones. El proceso de BI se basa en la
transformación de datos en información, luego en decisiones y finalmente en acciones.
La arquitectura de BI
Un sistema de BI tiene cuatro componentes principales: un DW, con sus datos de origen; análisis de
negocios, una colección de herramientas para manipular, extraer y analizar los datos en el DW; BPM
para monitorear y analizar el desempeño; y una interfaz de usuario (por ejemplo, un tablero). La
relación entre estos componentes se ilustra en la Figura 1.10.
Consultas e ETL
informes
DSS
EIS/ESS
OLAP
Cabinas y tableros
digitales
Negocio
Cuadros de mando y Inteligencia
cuadros de mando
flujo de trabajo
Alertas y
notificaciones
Minería de
datos y texto Analítica Herramientas de
Portales
predictiva difusión
Datos
Personal técnico Usuarios comerciales Gerentes/ejecutivos
Fuentes
Construir el almacén de datos Acceso estrategias BPM
- Organizar Almacén de datos
- Resumiendo manipulación, resultados
- Estandarización
Interfaz de usuario
FIGURA 1.10 Arquitectura de alto nivel de BI. (Fuente: Basado en W. Eckerson, Smart Companies in the 21st Century: The
Secrets of Creating Successful Business Intelligent Solutions. The Data Warehousing Institute, Seattle, WA, 2003, p. 32, Ilustración
5.)
Las organizaciones tienen que trabajar inteligentemente. Prestar especial atención a la gestión
de las iniciativas de BI es un aspecto necesario para hacer negocios. No sorprende, entonces, que
las organizaciones defiendan cada vez más BI y bajo su nueva encarnación como análisis. El caso
de aplicación 1.1 ilustra una de esas aplicaciones de BI que ha ayudado a muchas aerolíneas y, por
supuesto, a las empresas que ofrecen tales servicios a las aerolíneas.
Machine Translated by Google
Sabre es uno de los líderes mundiales en la industria de los viajes y revisión más enfocada de los datos con menos esfuerzo y tiempo. Esto
ofrece tanto servicios de empresa a consumidor como servicios de facilita el diálogo del equipo al hacer que los datos/
empresa a empresa. Sirve a viajeros, agentes de viajes, corporaciones y métricas relacionadas con el rendimiento de ventas disponibles para
proveedores de viajes a través de sus cuatro empresas principales: muchas partes interesadas, incluida la emisión de boletos, los asientos
Travelocity, Sabre Travel Network, Sabre Airline Solutions y Sabre vendidos y volados, el rendimiento operativo, incluidos los datos sobre el
Hospitality Solutions. El volátil entorno económico mundial actual plantea movimiento y el seguimiento de vuelos, las reservas de clientes, el
importantes desafíos competitivos para la industria de las aerolíneas. Para inventario y los ingresos en los múltiples canales de distribución de una
mantenerse por delante de la competencia, Sabre Airline Solutions aerolínea. Los sistemas de tablero brindan infraestructura escalable,
reconoció que los ejecutivos de las aerolíneas necesitaban herramientas soporte de interfaz gráfica de usuario, integración y agregación de datos
mejoradas para administrar sus decisiones comerciales al eliminar el que permiten a los ejecutivos de las aerolíneas ser más proactivos al
proceso tradicional, manual y lento de agregar información financiera y de tomar acciones que generan impactos positivos en la salud general de su
otro tipo necesaria para iniciativas procesables. Esto permite el soporte de aerolínea.
decisiones en tiempo real en aerolíneas de todo el mundo para maximizar
su retorno de la información (y, a su vez, el de Sabre) al generar Con su ETDW, Sabre también podría desarrollar otras soluciones
conocimientos, inteligencia procesable y valor para los clientes a partir de analíticas y de generación de informes basadas en la Web que aprovechan
los datos crecientes. los datos para obtener información sobre los clientes a través del análisis
de los perfiles de los clientes y sus interacciones de ventas para calcular
el valor del cliente. Esto permite una mejor segmentación de clientes y
informes e incluso presentar los informes con la ayuda de Fuente: Teradata.com, "Sabre Airline Solutions", Terry, D. (2011),
herramientas de visualización que tienen la capacidad de "Sabre Streamlines Decision Making", http://www.teradatamaga
zine.com/v11n04/Features/Sabre-Streamlines-Decision-Making/
conectarse a la base de datos, proporcionando la capacidad de
(Consultado en julio de 2016).
profundizar en los datos resumidos.
Mire el video, póngalo en pausa según corresponda y responda las preguntas sobre qué pasajeros deben
tener prioridad. Luego reanude el video para obtener más información. Una vez que se completa el video, puede
ver las diapositivas relacionadas con este video y cómo se preparó el análisis en un conjunto de diapositivas en
www.slideshare.net/teradata/bsi-how-we-did-it-the
-caso-de-los-pasajeros-desconectados.
Esta excursión multimedia proporciona un ejemplo de cómo la información adicional disponible a través
de un DW empresarial puede ayudar en la toma de decisiones.
Aunque algunas personas equiparan DSS con BI, estos sistemas no son, en la actualidad, lo mismo. Es
interesante notar que algunas personas creen que DSS es parte de BI, una de sus herramientas analíticas. Otros
piensan que BI es un caso especial de DSS que se ocupa principalmente de informes, comunicación y
colaboración (una forma de DSS orientado a datos). Otra explicación (Watson, 2005) es que BI es el resultado
de una revolución continua, y como tal, DSS es uno de los elementos originales de BI. Además, como se indica
en la siguiente sección, en muchos círculos, BI se ha incluido en los nuevos términos análisis o ciencia de datos.
el personal de línea puede tomar decisiones más rápidas y/o más informadas. Proporcionaremos una
definición más técnica de DW en el Capítulo 2, pero baste decir que los DW están destinados a trabajar
con datos informativos utilizados para sistemas de procesamiento analítico en línea (OLAP) .
La mayoría de los datos operativos en los sistemas de planificación de recursos empresariales
(ERP), y en sus hermanos complementarios, como la gestión de la cadena de suministro (SCM) o CRM,
se almacenan en un sistema OLTP, que es un tipo de procesamiento informático en el que la computadora
responde inmediatamente a las solicitudes de los usuarios. Cada solicitud se considera una transacción,
que es un registro computarizado de un evento discreto, como la recepción de inventario o el pedido de
un cliente. En otras palabras, una transacción requiere un conjunto de dos o más actualizaciones de la
base de datos que deben completarse en forma de todo o nada.
El mismo diseño que hace que un sistema OLTP sea eficiente para el procesamiento de
transacciones lo hace ineficiente para los informes, consultas y análisis ad hoc del usuario final. En la
década de 1980, muchos usuarios comerciales se referían a sus mainframes como "agujeros negros"
porque toda la información entraba en ellos, pero nunca regresaba. Todas las solicitudes de informes
debían ser programadas por el personal de TI, mientras que solo los informes "preestablecidos" podían
generarse de forma programada, y las consultas ad hoc en tiempo real eran prácticamente imposibles.
Aunque los sistemas ERP basados en cliente/servidor de la década de 1990 eran algo más amigables
con los informes, todavía ha estado muy lejos de ser la usabilidad deseada por los usuarios finales
regulares, no técnicos, para cosas como informes operativos, análisis interactivo, etc. Para resolver estos
problemas, se crearon las nociones de DW y BI.
Los DW contienen una amplia variedad de datos que presentan una imagen coherente de las
condiciones comerciales en un solo punto en el tiempo. La idea era crear una infraestructura de base de
datos que estuviera siempre en línea y que contuviera toda la información de los sistemas OLTP, incluidos
los datos históricos, pero reorganizada y estructurada de tal manera que fuera rápida y eficiente para
consultas, análisis y soporte de decisiones. Separar el OLTP del soporte de análisis y decisiones permite
los beneficios de BI que se describieron anteriormente.
• La comunidad de usuarios comerciales y la organización de SI pueden comprender mejor por qué la plataforma
DW debe ser lo suficientemente flexible para adaptarse a los cambiantes requisitos comerciales.
• Puede ayudar a las partes interesadas importantes, como los ejecutivos de alto nivel, a ver cómo BI puede jugar
Un rol importante.
Un enfoque de BI en tiempo real utiliza el modelo DW de los sistemas de BI tradicionales. En este caso, los
productos de innovadores proveedores de plataformas de BI brindan una solución casi en tiempo real orientada a
servicios que llena el DW mucho más rápido que el típico extracto nocturno/
la actualización por lotes de transferencia/carga sí lo hace (consulte el Capítulo 3). Los proveedores de middleware de
BAM puro y/o BAM híbrido (como Savvion, Iteration Software, Vitria, webMethods, Quantive, Tibco o Vineyard
Software) adoptan un segundo enfoque, comúnmente denominado gestión de la actividad empresarial (BAM). Omite
el DW por completo y utiliza servicios web u otros medios de monitoreo para descubrir eventos comerciales clave.
Estos monitores de software (o agentes inteligentes) se pueden colocar en un servidor separado en la red o en las
propias bases de datos de aplicaciones transaccionales, y pueden usar enfoques basados en eventos y procesos para
medir y monitorear de manera proactiva e inteligente los procesos operativos.
información, consulte los directorios de productos en tdwi.org. Se requiere registro de usuario gratuito. Casi
todas las aplicaciones de BI están construidas con shells proporcionados por proveedores que pueden crear
ellos mismos una solución personalizada para un cliente o trabajar con otro proveedor externo. El problema al
que se enfrentan las empresas es qué alternativa seleccionar: comprar, arrendar o construir. Cada una de estas
alternativas tiene varias opciones. Uno de los principales criterios para tomar la decisión es la justificación y el
análisis de costo-beneficio.
1. Defina BI.
Análisis de negocio
Habilitadores
preguntas
de
Resultados
Analítica descriptiva
El análisis descriptivo (o de informes) se refiere a saber qué está sucediendo en la organización y
comprender algunas tendencias subyacentes y las causas de tales ocurrencias. En primer lugar, esto
implica la consolidación de las fuentes de datos y la disponibilidad de todos los datos relevantes en una
forma que permita la elaboración de informes y análisis adecuados. Por lo general, el desarrollo de esta
infraestructura de datos es parte de los DW. A partir de esta infraestructura de datos, podemos desarrollar
informes, consultas, alertas y tendencias apropiados utilizando diversas herramientas y técnicas de
generación de informes.
Una tecnología significativa que se ha convertido en un actor clave en esta área es la visualización.
Usando las últimas herramientas de visualización en el mercado, ahora podemos desarrollar conocimientos
poderosos en las operaciones de nuestra organización. Los casos de aplicación 1.2 y 1.3 destacan algunas
de estas aplicaciones. Las representaciones en color de las visualizaciones discutidas en estas aplicaciones
están disponibles en línea o en el sitio web complementario del libro (dssbibook.com).
Silvaris Corporation fue fundada en 2000 por un equipo de Silvaris realiza un seguimiento de los pedidos en línea
profesionales de la industria forestal para proporcionar realizados por los clientes y sabe cuándo enviar impulsos de
avances tecnológicos en el sector de la madera y los renovación a qué clientes para que sigan comprando en línea.
materiales de construcción. Silvaris es la primera plataforma Además, los analistas de Silvaris pueden ahorrar tiempo al
de comercio electrónico en los Estados Unidos específicamente generar tableros en lugar de escribir cientos de páginas de
para productos forestales y tiene su sede en Seattle, informes con Tableau.
Washington. Es un proveedor mayorista líder de productos
industriales de madera y materiales de construcción excedentes. Preguntas para la discusión
Silvaris vende sus productos y brinda servicios de 1. ¿Cuál fue el desafío que enfrentó Silvaris?
logística internacional a más de 3.500 clientes. Para 2. ¿Cómo resolvió Silvaris su problema usando datos?
administrar varios procesos que están involucrados en una visualización con Tableau?
transacción, crearon una plataforma de comercio en línea
patentada para rastrear el flujo de información relacionado Lo que podemos aprender de esto
con transacciones entre comerciantes, contabilidad, crédito y
Caso de aplicación
logística. Esto permitió a Silvaris compartir su información en
tiempo real con sus clientes y socios. Pero debido a los Muchas industrias necesitan analizar datos en tiempo real.
precios de los materiales que cambiaban rápidamente, se El análisis en tiempo real permite a los analistas identificar
hizo necesario que Silvaris obtuviera una vista en tiempo real problemas que afectan su negocio. La visualización es a
de los datos sin mover los datos a un formato de informe veces la mejor manera de comenzar a analizar los flujos de
separado. datos en vivo. Tableau es una de esas herramientas de
Silvaris comenzó a usar Tableau debido a su capacidad visualización de datos que tiene la capacidad de analizar
para conectarse y visualizar datos en vivo. Debido a los datos en vivo sin traer los datos en vivo a un formato de
informe separado.
tableros creados por Tableau que son fáciles de entender y
explicar, Silvaris comenzó a usar Tableau para generar
Fuentes: Tableau.com, “Silvaris Augments Proprietary Technology
informes. Esto ayudó a Silvaris a extraer información
Platform with Tableau's Real-Time Reporting Capabilities,” http://
rápidamente de los datos e identificar problemas que impactan www.tableau.com/sites/default/files/case-studies/silvaris business-
en su negocio. Silvaris logró administrar los pedidos en línea dashboards_0.pdf (consultado en julio 2016); Silvaris.com,
frente a los pedidos fuera de línea con la ayuda de los “Descripción general”, http://www.silvaris.com/About/ (consultado en julio de 2016).
informes generados por Tableau. Ahora,
Machine Translated by Google
Siemens es una empresa alemana con sede en Berlín, Alemania. La organización de logística global responde preguntas como cómo
Es una de las empresas más grandes del mundo que se enfoca en las diferentes tasas de suministro en diferentes ubicaciones afectan
las áreas de electrificación, automatización y digitalización. Tiene la operación, lo que les ayuda a reducir el tiempo de ciclo en un 12
una facturación anual de 76 mil millones de euros. % y el costo de desechos en un 25 %.
Comenzaron a usar Dundas BI, un proveedor global líder de Fuentes: Dundas.com, “Cómo Siemens redujo drásticamente los costos con
soluciones de visualización de datos y BI. Permitió a Siemens crear aplicaciones de BI administradas”, http://www.dundas.com/resource
/getcasestudy?caseStudyName=09-03-2016-Siemens%2FDundas
tableros de control altamente interactivos que permitieron a Siemens
-BI-Siemens-Case-Study.pdf (consultado en julio de 2016); Wikipedia.org,
detectar problemas temprano y así ahorrar una cantidad significativa
“SIEMENS,” https://en.wikipedia.org/wiki/Siemens (consultado en julio de 2016);
de dinero. Los tableros desarrollados por Dundas BI ayudaron a Siemens.com, “Acerca de Siemens”, http://www.siemens.
Siemens com/about/en/ (consultado en julio de 2016).
Análisis predictivo
El análisis predictivo tiene como objetivo determinar qué es probable que suceda en el futuro. Este análisis se
basa en técnicas estadísticas, así como en otras técnicas desarrolladas más recientemente que caen dentro de la
categoría general de minería de datos. El objetivo de estas técnicas es poder predecir si es probable que el cliente
cambie a un competidor ("abandono"), qué es probable que el cliente compre a continuación y cuánto, a qué
promociones respondería un cliente, si este cliente es un riesgo digno de crédito, y así sucesivamente. Se utilizan
varias técnicas para desarrollar aplicaciones analíticas predictivas, incluidos varios algoritmos de clasificación. Por
ejemplo, como se describe en los capítulos 4 y 5, podemos usar técnicas de clasificación como la regresión
logística, los modelos de árboles de decisión y las redes neuronales para predecir qué tan bien le irá a una película
en la taquilla. También podemos usar algoritmos de agrupamiento para segmentar a los clientes en diferentes
grupos para poder dirigirles promociones específicas. Finalmente, podemos usar técnicas de minería de
asociaciones para estimar las relaciones entre diferentes comportamientos de compra. Es decir, si un cliente
compra un producto, ¿qué más es probable que compre? Dicho análisis puede ayudar a un minorista a recomendar
o promocionar productos relacionados. Por ejemplo, cualquier búsqueda de productos en Amazon.com da como
resultado que el minorista también sugiera otros productos similares en los que un cliente pueda estar interesado.
Estudiaremos estas técnicas y sus aplicaciones en los Capítulos 3 a 6. El caso de aplicación 1.4 ilustra una
aplicación de este tipo en los deportes. .
Machine Translated by Google
Cualquier actividad atlética es propensa a las lesiones. Si las estado actual de la lesión, gravedad, parte del cuerpo, sitio del
lesiones no se manejan adecuadamente, entonces el equipo sufre. cuerpo, tipo de lesión, actividad, ubicación del evento, acción
El uso de análisis para comprender las lesiones puede ayudar a tomada y posición jugada. El éxito de clasificar la categoría de
obtener información valiosa que permitiría a los entrenadores y curación fue bastante bueno: la precisión fue del 79,6 % por ciento.
médicos del equipo administrar la composición del equipo, Con base en el análisis, se sugirieron muchas recomendaciones
comprender los perfiles de los jugadores y, en última instancia, comerciales, que incluyen emplear más aportes de especialistas
ayudar a tomar mejores decisiones sobre qué jugadores podrían desde el inicio de la lesión en lugar de permitir que el personal de la
estar disponibles para jugar en un momento dado. sala de entrenamiento evalúe a los jugadores lesionados; entrenar
En un estudio exploratorio, la Universidad Estatal de a los jugadores en posiciones defensivas para evitar lesiones; y la
Oklahoma analizó las lesiones deportivas relacionadas con el fútbol celebración de prácticas para comprobar minuciosamente los
americano utilizando informes y análisis predictivos. mecanismos de seguridad.
El proyecto siguió la metodología CRISP-DM (que se describirá en
el Capítulo 4) para comprender el problema de hacer Preguntas para la discusión
recomendaciones sobre el manejo de lesiones, comprender los 1. ¿Qué tipos de análisis se aplican en el análisis de lesiones?
diversos elementos de datos recopilados sobre lesiones, limpiar los
datos, desarrollar visualizaciones para sacar varias inferencias,
2. ¿Cómo ayudan las visualizaciones a comprender los datos y
construir PM para analice el período de tiempo de curación de
brindar información sobre los datos?
lesiones y dibuje reglas de secuencia para predecir las relaciones
3. ¿Qué es un problema de clasificación?
entre las lesiones y las diversas partes del cuerpo afectadas por
4. ¿Qué se puede obtener al realizar un análisis de secuencias?
lesiones.
Analítica prescriptiva
La tercera categoría de análisis se denomina análisis prescriptivo. El objetivo del análisis prescriptivo es reconocer
lo que está sucediendo, así como el pronóstico probable y tomar decisiones para lograr el mejor rendimiento posible.
Este grupo de técnicas se ha estudiado históricamente bajo el paraguas de las IO o ciencias de la gestión y
generalmente están dirigidas
Machine Translated by Google
en la optimización del rendimiento de un sistema. El objetivo aquí es proporcionar una decisión o una
recomendación para una acción específica. Estas recomendaciones pueden adoptar la forma de una decisión
específica de sí o no para un problema, una cantidad específica (por ejemplo, el precio de un artículo
específico o el pasaje aéreo a cobrar) o un conjunto completo de planes de producción. Las decisiones se
pueden presentar a un tomador de decisiones en un informe o se pueden usar directamente en un sistema de
reglas de decisión automatizado (por ejemplo, en sistemas de tarificación de líneas aéreas). Por lo tanto, estos
tipos de análisis también pueden denominarse análisis normativo o de decisión. El caso de aplicación 1.5
brinda un ejemplo de tales aplicaciones analíticas prescriptivas. Aprenderemos sobre algunos aspectos de la
analítica prescriptiva en el Capítulo 6.
Este caso de aplicación se basa en un proyecto que incluye a de este posible cliente. Finalmente, incluso podría haber una
uno de nosotros. Una empresa que no desea revelar su nombre oportunidad de cobrar una prima por un nuevo pedido al reutilizar
(ni siquiera la industria precisa) se enfrentaba a un gran problema el inventario previamente comprometido para satisfacer este
al tomar decisiones sobre qué inventario de materias primas nuevo pedido mientras se retrasa un pedido ya comprometido.
utilizar para satisfacer a qué clientes. Esta empresa suministra Por supuesto, tales decisiones deben basarse en los análisis de
barras de acero configuradas a medida para sus clientes. Estas costo-beneficio de retrasar un pedido anterior. Por lo tanto, el
barras se pueden cortar en formas o tamaños específicos y sistema debería poder extraer datos en tiempo real sobre
pueden tener requisitos únicos de material y acabado. inventario, pedidos comprometidos, materia prima entrante,
restricciones de producción, etc.
La empresa adquiere materias primas de todo el mundo y las
almacena en su almacén. Cuando un posible cliente llama a la Para respaldar estas decisiones de ATP, se desarrolló un
empresa para solicitar una cotización de las barras especiales DSS en tiempo real para encontrar una asignación óptima del
que cumplen con los requisitos específicos del material inventario disponible y para respaldar análisis hipotéticos
(composición, origen del metal, calidad, formas, tamaños, etc.), adicionales. El DSS utiliza un conjunto de modelos de
el vendedor generalmente tiene poco tiempo para enviar dicha programación de enteros mixtos que se resuelven mediante
cotización incluye la fecha en que se puede entregar el producto software comercial. La empresa ha incorporado el DSS en su
y, por supuesto, los precios, etc. Debe tomar decisiones de sistema de planificación de recursos empresariales para facilitar
disponibilidad para prometer (ATP), que determinan en tiempo sin problemas el uso de análisis de negocios.
real las fechas en las que puede prometer la entrega de los
productos que los clientes solicitaron durante la etapa de
cotización. Anteriormente, un vendedor tenía que tomar tales
Preguntas para la discusión
decisiones analizando informes sobre el inventario disponible de
1. ¿Por qué la reasignación del inventario de un cliente a otro
materias primas. Es posible que parte de la materia prima
sería un tema de discusión importante?
disponible ya se haya comprometido con el pedido de otro
2. ¿Cómo podría un DSS ayudar a tomar estas decisiones?
cliente. Por lo tanto, es posible que el inventario en stock no sea
realmente el inventario libre disponible. Por otro lado, puede
Fuente: Pajouh Foad, M., Xing, D., Hariharan, S., Zhou, Y., Balasundaram,
haber materia prima que se espera entregar en un futuro cercano B., Liu, T. y Sharda, R. (2013). "Disponible para prometer en la práctica:
que también podría usarse para satisfacer el pedido. una aplicación de análisis en la industria de productos de barras de acero
especiales". Interfaces, 43(6), 503–517. http://
dx.doi.org/10.1287/inte.2013.0693 (consultado en julio de 2016).
Machine Translated by Google
flujos (también en el Capítulo 5): muchas profesiones/profesiones analíticas específicas de la industria o del problema
Se han desarrollado arroyos. Ejemplos de tales áreas son análisis de marketing, análisis minorista, análisis de fraude,
análisis de transporte, análisis de salud, análisis de deportes, análisis de talento, análisis de comportamiento, etc. Por
ejemplo, la Sección 1.1 introdujo la frase análisis deportivo. El Caso de aplicación 1.1 también podría denominarse un
estudio de caso en análisis de aerolíneas. La siguiente sección presentará análisis de salud y análisis de mercado en
general. Literalmente, cualquier análisis sistemático de datos en un sector específico se etiqueta como análisis “(llenar
espacios en blanco)”.
Si bien esto puede resultar en una exageración del concepto de análisis, el beneficio es que más personas en
industrias específicas son conscientes del poder y el potencial de los análisis. También proporciona un enfoque a los
profesionales que desarrollan y aplican los conceptos de análisis en un sector vertical. Si bien muchas de las técnicas
para desarrollar aplicaciones de análisis pueden ser comunes, existen problemas únicos dentro de cada segmento
vertical que influyen en cómo se recopilan, procesan, analizan los datos y se implementan las aplicaciones. Por lo
tanto, la diferenciación de la analítica basada en un enfoque vertical es buena para el crecimiento general de la
disciplina.
Nuestra opinión es que la distinción entre análisis y científico de datos es más un grado de conocimiento
técnico y conjuntos de habilidades que funciones. También puede ser más una distinción entre disciplinas. Los
programas de informática, estadística y matemáticas aplicadas parecen preferir la etiqueta de ciencia de datos,
reservando la etiqueta de análisis para profesionales más orientados a los negocios. Como otro ejemplo de esto, los
profesionales de la física aplicada han propuesto usar la ciencia de redes como el término para describir los análisis
que se relacionan con grupos de personas: redes sociales, redes de cadena de suministro, etc. Ver http://
cuyo objetivo es presentar las capacidades y la funcionalidad de todos los análisis (que incluyen la ciencia de datos),
no solo los análisis de informes. De ahora en adelante, usaremos estos términos indistintamente.
1. Defina análisis.
2. ¿Qué es el análisis descriptivo? ¿Cuáles son las diversas herramientas que se emplean en la descripción?
análisis tivo?
3. ¿En qué se diferencia el análisis descriptivo de los informes tradicionales?
4. ¿Qué es un DW? ¿Cómo puede la tecnología de almacenamiento de datos ayudar a habilitar el análisis?
5. ¿Qué es el análisis predictivo? ¿Cómo pueden las organizaciones emplear el análisis predictivo?
6. ¿Qué es el análisis prescriptivo? ¿Qué tipo de problemas se pueden resolver mediante prescriptivos?
¿analítica?
7. Defina el modelado desde la perspectiva analítica.
8. ¿Es una buena idea seguir una jerarquía de análisis descriptivo y predictivo antes
aplicando análisis prescriptivos?
9. ¿Cómo pueden ayudar los análisis en la toma de decisiones objetivas?
Las caídas accidentales son un riesgo importante para la salud de los adultos mayores de 65 años, y un
tercio sufre una caída cada año.1 Las caídas también son el factor principal de lesiones fatales y no
fatales en adultos mayores, y las caídas con lesiones aumentan el riesgo de discapacidad en hasta un
50 %.2 Los costes de las caídas suponen una carga importante para
1
http://www.cdc.gov/homeandrecreationalsafety/falls/adultfalls.html.
2Gill, TM, Murphy, TE, Gahbauer, EA, et al. (2013). Asociación de caídas con lesiones con resultados de
discapacidad y admisiones en hogares de ancianos en personas mayores que viven en la comunidad. Revista
estadounidense de epidemiología, 178(3), 418–425.
Machine Translated by Google
el sistema de salud de EE. UU., con costos directos de caídas estimados en $34 mil millones
solo en 2013.1 Con el porcentaje de personas mayores en la población de EE. UU. en aumento,
se prevé que aumenten las caídas y los costos asociados. Según los Centros para el Control y
la Prevención de Enfermedades (CDC), "las caídas son un problema de salud pública que se
puede prevenir en gran medida".1
Humana es el segundo mayor proveedor de beneficios de Medicare Advantage del país,
con aproximadamente 3,2 millones de afiliados, la mayoría de los cuales son adultos mayores.
Mantener sanos a sus miembros mayores y ayudarlos a vivir con seguridad en sus hogares es
un objetivo comercial clave, del cual la prevención de caídas es un componente importante. Sin
embargo, no se disponía de una metodología rigurosa para identificar a las personas con mayor
probabilidad de caídas, para quienes los esfuerzos de prevención de caídas serían beneficiosos.
A diferencia de las condiciones médicas crónicas como la diabetes y el cáncer, una caída no es
una condición médica bien definida. Además, las caídas generalmente no se informan en los
datos de reclamos, ya que los médicos generalmente tienden a codificar la consecuencia de una
caída, como fracturas y dislocaciones. Aunque existen muchas evaluaciones administradas
clínicamente para identificar a las personas que se caen, tienen un alcance limitado y carecen
de suficiente poder predictivo.3 Como tal, existe la necesidad de un método prospectivo y preciso
para identificar a las personas con mayor riesgo de caídas, para que puedan ser evaluadas.
gestionado de forma proactiva para la prevención de caídas. El equipo de análisis de Humana
emprendió el desarrollo de un modelo predictivo de caídas en este contexto. Es el primer PM
integral informado que utiliza reclamaciones médicas y farmacéuticas administrativas, datos
clínicos, patrones clínicos temporales, información del consumidor y otros datos para identificar
a las personas con alto riesgo de caerse en un horizonte temporal.
Hoy en día, Falls PM es fundamental para la capacidad de Humana de identificar a los
adultos mayores que podrían beneficiarse de las intervenciones de mitigación de caídas. Una
prueba de concepto inicial con consumidores de Humana, que representan el 2% superior con
mayor riesgo de caídas, demostró que los consumidores utilizaban más los servicios de
fisioterapia, lo que indica que los consumidores están tomando medidas activas para reducir el
riesgo de caídas. Una segunda iniciativa utiliza Falls PM para identificar individuos de alto riesgo
para programas de monitoreo remoto. Usando el PM, Humana pudo identificar a 20,000
consumidores con alto riesgo de caídas, que se beneficiaron de este programa.
Los consumidores identificados usan un dispositivo que detecta caídas y alerta a un servicio
24/7 para asistencia inmediata.
Este trabajo fue reconocido con el Premio al Liderazgo Analítico de la Escuela de Negocios
Kelly de la Universidad de Indiana en 2015, por la adopción innovadora de análisis en un entorno
empresarial.
3Gates, S., Smith, LA, Fisher, JD, et al. (2008). Revisión sistemática de la precisión de los instrumentos de detección
para predecir el riesgo de caídas entre los adultos mayores que viven de forma independiente. Revista de
Investigación y Desarrollo de Rehabilitación, 45(8), 1105–1116.
Colaboradores: Harpreet Singh, PhD; Dr. Vipin Gopal; Philip Painter, MD.
En 2014, Humana, Inc. anunció el objetivo audaz de su organización para mejorar la salud de
las comunidades a las que sirve en un 20 % para 2020 al facilitar que las personas logren su
mejor salud. Las comunidades a las que Humana sirve se pueden definir de muchas maneras,
incluso geográficamente (estado, ciudad, vecindario), por producto (Medicare Advantage, planes
basados en el empleador, comprados individualmente) o por perfil clínico (condiciones prioritarias
que incluyen diabetes, hipertensión, CHF [insuficiencia cardíaca congestiva], CAD [enfermedad
de las arterias coronarias], EPOC [enfermedad
Machine Translated by Google
Un desafío al que se enfrentaba la organización de análisis era identificar una métrica que
captara la esencia del objetivo audaz. Las métricas de seguros de salud tradicionales medidas
objetivamente, como las admisiones hospitalarias o las visitas a la sala de emergencias por cada 1000
personas, no captarían el espíritu de esta nueva misión. El objetivo era identificar una métrica que
capturara la salud y su mejora en una comunidad, pero que también fuera relevante para Humana
como empresa. A través de evaluaciones analíticas rigurosas, Humana finalmente seleccionó "Días
saludables", un cuestionario de calidad de vida de cuatro preguntas desarrollado originalmente por los
CDC para rastrear y medir su progreso general hacia la meta audaz.
• Las personas con más días no saludables (UHD, por sus siglas en inglés) exhiben patrones de uso
y costos más altos. Para un aumento de 5 días en los UHD, hay (a) un aumento de $82 en los
costos médicos y farmacéuticos mensuales promedio, (b) un aumento de 52 admisiones de
pacientes hospitalizados por cada 1000 pacientes, y (c) un aumento de 0,28 días en la duración
promedio de estancia.1
• Las personas que exhiben comportamientos saludables y tienen sus condiciones crónicas bien
controladas tienen menos UHD. Por ejemplo, cuando observamos a las personas con diabetes, los
UHD son más bajos si obtuvieron una prueba de detección de LDL (-4.3 UHD) o un examen de la
vista para diabéticos (-2.3 UHD). Asimismo, si tienen niveles de azúcar en sangre controlados
medidos por HbA1C (-1,8 UHDs) o niveles de LDL (-1,3 UHDs)2.
• Las personas con enfermedades crónicas tienen más UHD que las que no tienen: (a) CHF (16,9
UHD), (b) CAD (14,4 UHD), (c) hipertensión (13,3 UHD), (d) diabetes (14,7 UHD) , (e) EPOC (17,4
UHD), o (f) depresión (22,4 UHD).1,3,4
Desde entonces, Humana ha adoptado Healthy Days como su métrica para la medida.
ment de progreso hacia Bold Goal.5
Colaboradores: Tristan Cordier, MPH; Gil Haugh, MS; Jonathan Peña, MS; Eriv Havens, MS; Dr. Vipin Gopal.
1Havens, E., Peña, J., Slabaugh, S., Cordier, T., Renda, A. y Gopal, V. (2015, octubre). Explorar la relación entre
la calidad de vida relacionada con la salud y las condiciones de salud, los costos, la utilización de recursos y las
medidas de calidad. Presentación en el podio de la 22ª Conferencia Anual de ISOQOL, Vancouver, Canadá.
2Havens, E., Slabaugh, L., Peña J., Haugh G. y Gopal, V. (2015, febrero). ¿Existen diferencias en los Días
Saludables en función del cumplimiento de las medidas preventivas de detección de la salud? Presentación de
póster en Preventive Medicine 2015, Atlanta, GA.
3Chiguluri, V., Guthikonda, K., Slabaugh, S., Havens, E., Peña, J. y Cordier, T. (junio de 2015).
Relación entre las complicaciones de la diabetes y la calidad de vida relacionada con la salud entre una población
de adultos mayores en los Estados Unidos. Presentación de póster en la 75.ª Sesión Científica Anual de la
Asociación Estadounidense de Diabetes. Boston, MA.
4Cordier, T., Slabaugh, L., Haugh, G., Gopal, V., Cusano, D., Andrews, G. y Renda, A.
(2015, septiembre). La calidad de vida cambia con la progresión de la insuficiencia cardíaca congestiva.
Presentación de póster en la 19ª Reunión Científica Anual de la Heart Failure Society of America, Washington, DC.
5http://populationhealth.humana.com/wp-content/uploads/2016/05/BoldGoal2016ProgressReport_1.pdf.
Machine Translated by Google
Desde que se implementó NMPM en enero de 2013, ha estado identificando rápidamente nuevos
miembros de alto riesgo para su inscripción en los programas clínicos de Humana. Los resultados
positivos logrados a través de este modelo se han destacado en múltiples comunicados de líderes
sénior de Humana. En la presentación del informe de ganancias del primer trimestre de 2013 a los
inversionistas, Bruce Broussard, director ejecutivo de Humana, afirmó la importancia de "la mejora en
los PM de nuevos afiliados y los procesos de evaluación clínica", lo que resultó en 31,000 nuevos
afiliados inscritos en programas clínicos, en comparación con 4,000 en el mismo período del año
anterior, un aumento del 675%. Además del mayor volumen de inscripciones en programas clínicos,
los estudios de resultados mostraron que los consumidores recién inscritos identificados por NMPM
también fueron derivados a programas clínicos antes, con más del 50 % de las referencias identificadas
dentro de los primeros 3 meses posteriores a las nuevas inscripciones en el plan MA.
Los consumidores identificados también participaron a un ritmo más alto y tenían una permanencia
más prolongada en los programas.
Estos ejemplos ilustran cómo una organización explora e implementa aplicaciones de análisis para
cumplir sus objetivos estratégicos. Verá varios otros ejemplos de aplicaciones de atención médica a lo largo
de varios capítulos del libro.
Depósito multicanal
Planificación Comercialización Comprar & Logística Operaciones
Vendedores Clientes
FIGURA 1.12 Ejemplo de aplicaciones analíticas en una cadena de valor minorista. Contribución de Abhishek Rathi, director ejecutivo, vCreaTek.com
Machine Translated by Google
Inventario 1. ¿Qué productos tienen una gran 1. Pronosticar el consumo de rápido movimiento
¿Se muda o se vuelve obsoleto? 2. Realice una rápida rotación de inventario de productos de lento
Elasticidad de precio 1. ¿Cuánto margen neto tengo sobre el 1. Los precios de descuento para cada producto se pueden
2. ¿Cuánto descuento puedo dar en este 2. Se identifica el precio optimizado para el paquete de productos
Cesta de la compra 1. ¿Qué productos debo combinar para crear 1. El análisis de afinidad identifica lo oculto
Análisis una oferta de paquete? correlaciones entre los productos, que pueden ayudar en los
basado en características de movimiento a) Cree una estrategia para la oferta del paquete de productos en
la misma categoría o línea de categoría paquete de diferentes categorías o de las mismas categorías,
diferente? respectivamente.
Perspectiva del comprador 1. ¿Qué cliente está comprando qué producto 1. Mediante la segmentación de clientes, el dueño del negocio puede
Cliente 1. ¿Quiénes son los clientes que 1. Las empresas pueden identificar las relaciones con los clientes y los
Análisis de abandono ¿no volverá? productos que no funcionan y muestran una alta rotación. Por lo
2. ¿Cuánto negocio perderé? tanto, puede tener un mejor enfoque en la calidad del producto y la
3. ¿Cómo puedo retenerlos? razón de esa rotación.
4. ¿Qué demografía de cliente es mi cliente leal? 2. Con base en el valor de por vida del cliente (LTV), la empresa
Análisis de canales 1. ¿Qué canal tiene menor 1. El presupuesto de marketing se puede optimizar en función de la
costo de adquisición del cliente? información para obtener un mejor retorno de la inversión.
2. Qué canal tiene mejor
¿retención de clientes?
Nueva tienda 1. ¿Qué ubicación debo abrir? 1. Las mejores prácticas de otras ubicaciones y canales pueden
Análisis 2. ¿Qué y cuánto inventario de apertura debo ser utilizado para obtener un buen comienzo.
Diseño de tienda 1. ¿Cómo debo hacer el diseño de la tienda 1. Comprender la asociación de productos para decidir el diseño de la
para una mejor línea superior? tienda y una mejor alineación con las necesidades del cliente.
Análisis de vídeo 1. ¿Qué demografía ingresa a la tienda durante 1. Las promociones y los eventos en la tienda se pueden planificar
2. ¿Cómo puedo identificar a un cliente con mejoran la experiencia del cliente, lo que resulta en una
Un sitio minorista en línea generalmente conoce a su cliente tan pronto como el cliente inicia sesión y,
por lo tanto, puede ofrecer páginas/ofertas personalizadas para mejorar la experiencia. Para cualquier tienda
minorista, conocer a su cliente en la entrada de la tienda sigue siendo un gran desafío.
Al combinar el análisis de video y la información/credencial emitida a través de su programa de fidelización, la
tienda puede identificar al cliente en la entrada y, por lo tanto, habilitar una oportunidad adicional para una
venta cruzada o una venta adicional. Además, se puede proporcionar una experiencia de compra personalizada
con un compromiso más personalizado durante el tiempo del cliente en la tienda.
Los minoristas de tiendas invierten mucho dinero en escaparates atractivos, eventos promocionales,
gráficos personalizados, decoraciones de tiendas, anuncios impresos y pancartas. Para discernir la eficacia de
estos métodos de marketing, el equipo puede utilizar análisis de compradores mediante la observación de
imágenes de circuito cerrado de televisión (CCTV) para averiguar los detalles demográficos del tráfico peatonal
en la tienda. Las imágenes de CCTV se pueden analizar utilizando algoritmos avanzados para obtener detalles
demográficos como la edad, el sexo y el estado de ánimo de la persona que navega por la tienda.
Además, los datos de movimiento del cliente en la tienda, cuando se combinan con el diseño de los
estantes y el planograma, pueden brindar más información al gerente de la tienda para identificar la venta caliente/
áreas rentables dentro de la tienda. Además, el gerente de la tienda puede usar esta información para planificar
también la asignación de mano de obra para esas áreas durante los períodos pico.
Los gerentes de categoría han utilizado comúnmente el análisis de la canasta de mercado para impulsar
la venta de los SKU que se mueven lentamente. Mediante el uso de análisis avanzados de los datos disponibles,
la afinidad del producto se puede realizar en el nivel más bajo de SKU para impulsar mejores ROI en las ofertas
de paquetes. Además, mediante el uso de técnicas de elasticidad de precios, también se puede deducir la
reducción o el precio óptimo de la oferta del paquete, reduciendo así cualquier pérdida en el margen de
beneficio.
Por lo tanto, mediante el uso de análisis de datos, un minorista no solo puede obtener información sobre
sus operaciones actuales, sino que también puede obtener más información para aumentar los ingresos y
disminuir el costo operativo para obtener mayores ganancias. Un bloguero de Data Science Central propone
una lista bastante completa de aplicaciones analíticas minoristas actuales y potenciales que un minorista
importante como Amazon podría usar. Esa lista está disponible en http://www.datasciencecen tral.com/profiles/
blogs/20-data-science-systems-used-by-amazon-to-operate-its-business.
Como se señaló anteriormente, hay demasiados ejemplos de estas oportunidades para enumerarlos aquí, pero
verá muchos ejemplos de tales aplicaciones a lo largo del libro.
1. ¿Por qué una compañía de seguros de salud invertiría en análisis más allá de la detección de fraudes?
¿Por qué les conviene predecir la probabilidad de caídas de los pacientes?
2. ¿Qué otras aplicaciones similares a la predicción de caídas imaginas?
3. ¿Cómo convencería a un nuevo cliente de seguro de salud para que adopte una vida más saludable?
estilos (Ejemplo 3 de Humana)?
4. Identificar al menos otras tres oportunidades para aplicar la analítica en el valor minorista
cadena más allá de los cubiertos en esta sección.
5. ¿Qué tiendas minoristas que conoce emplean algunas de las aplicaciones de análisis identificadas en
esta sección?