Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MONETIZACIÓN
Carlos Calderón
Big Data y Monetización
Big Data y Monetización
Ley de Moore
Cálculo actualizado al 2010 por Carlos Calderón
Big Data y Monetización
Big Data y Monetización
Big Data y Monetización
Velocidad Volumen
Recolección y análisis
Más cantidad de datos
más veloz
Variedad Veracidad
Proveniente de fuentes Cada vez más datos
infinitas innecesarios y basura
Big Data y Monetización
Analytics
Analítica de Grandes Datos es una ciencia que examina datos crudos para
obtener conclusiones sobre la información extraída.
Source: Hotel News Resource. Resource: Worldwide Hotel News Resource, 2011 to 2014.
Big Data y Monetización
2015
2020
No solo los
Devices seres humanos
50 estaremos conectados,
connected
Billones sino también
Las cosas (IOT)
4.9 Billones
These are the sensors in a car: They are all ripe for IoT
Big Data y Monetización
First, the big: big data is characterized by volume (datasets are massive);
velocity (data is produced frequently); and variety (data has many sources
and formats). But there are often concerns over veracity, the accuracy of
the data. There is a lot of data to go round - our actions, interactions and
transactions produce 2.5 quintillion bytes of data every day. Propelled by
the digital revolution, governments are increasingly contributing to this
wealth of data on the machinery of government and the quality of public
services. Using sophisticated algorithms to process subsets of this data,
analysts can identify patterns and predict behavior.»
Integración de BD
Conglomerado de Retail
Caso de uso
Big Data y Monetización
CAMPAIGN
MODELS
DESIGN
STORE
DIRECT MAIL
TV
SYNDICATED
TARGETING
BEHAVIOR
CALL CENTER CONSUMER OPTIMIZED
INSIGHTS OFFERS
EMAIL
WEBSITES
SEARCH
Clientes
compartidos todas 15,217
las empresas
Después del proceso de DQ y unificación la base de entrada 15’528,720 queda convertida en una base
de registros únicos de 10’453,033, que representan los clientes actuales del grupo.
Esto denota la gran oportunidad de adquisición de clientes ya que el porcentaje de registros que no
se comparten entre las diferentes empresas representa un 65% y un 25% solo cruza entre 2 empresas.
Big Data y Monetización
Big Data y Monetización
Se contemplan cinco etapas principales para el desarrollo de esta Fase I, las cuales están ligadas a
un proceso de DQ a la medida, diagnóstico e integración, adelantado para archivos con múltiples
fuentes de información, diferentes estructuras y con variables especificas del cada negocio.
Se recibieron cinco archivos diferentes de cada uno de los negocios. Principalmente con información de
identificación y algunas variables demográficas.
Big Data y Monetización
Se enriqueció la
base con NSE del
georreferenciador.
Big Data y Monetización
Estandarización
Unificar las codificaciones de cada una de las variables que se repiten en las diferentes bases:
• Tipo Id
• Género
• Estado Civil
No estandarizable:
CALLE LOS EUCALIPTOS 303 URBANIZACION SANTA EDELMIRA DEPARTAMENTO INTERI REF. POR EL COLEGIO SANTA EDELMIRA
Big Data y Monetización
Corrección Validación
INFORMACIÓN CORREGIDA
hanton61kareva@yahoo.es
Big Data y Monetización
Se depuraron los registros duplicados con un análisis de diferentes datos: ID, Tipo
ID, fecha de nacimiento, nombre, teléfono fijo 1, email para seleccionar finalmente el
mejor registro de cada una de las bases. La base que más duplicados tenia era
Inkafarma, pero en proporción Interseguros fue la base que más depuración tuvo.
Big Data y Monetización
Diagnóstico Inicial
La base más beneficiada del nuevo cruce con el banco seria SUPER ya que pasaría la variable de dirección de
un 10,7% a un 99%. También FARMA, que mejoraría en un 38%.
Big Data y Monetización
Enriquecimiento integración
Validada Posible Utilizable* Enriquecimiento Banco Calidad Final Calidad sin Banco
Seguros 2.901 6.225 3% 50% 47,3%
Tiendas Retail 802 1.679 0% 40% 39,3%
Grandes Superficies 460.825 658.758 89% 99% ** 10,7%
Bancos 1.695.222 3.079.158 87% 93% ** 5,3%
Farma 1.035.663 1.931.713 38% 41% 3,0%
* Esta base no pudo ser estandarizada, pero es posible que esté bien
** El banco entregó más registros en la base de direcciones que los que envió en su base de clientes al principio
Big Data y Monetización
Integración de
Selección del mejor registro por todas las fuentes
jerarquía de las fuentes. en un solo archivo
dejando registros
únicos por cliente
(ID).
1. FARMA
2. SEGUROS
3. GRANDES SUPERF.
4. TIENDAS RETAIL
5. BANCOS
Big Data y Monetización
• Clientes compartidos
• Principales relaciones entre
fuentes Análisis de clientes
• Oportunidades identificadas
de la fusión de datos
Big Data y Monetización
Big Data y Monetización
Big Data y Monetización
El Análisis de Datos (Data Analysis, o DA) es la ciencia que examina los “Datos
Crudos” con el propósito de sacar conclusiones (información).
Tipo de analítica
de datos
Big Data y Monetización
Descriptiva:
Se trata del tipo de analítica más simple. El que permite condensar el Big Data
en datos más pequeños, con piezas de información más manejable. La mayoría
de los datos en brutos no son aptos para el “consumo” humano, pero la
información derivada de los mismos sí lo es. Por ello, el propósito de la analítica
descriptiva es resumir lo que ha pasado. Y es eso precisamente lo que analizan
la mayoría de empresas.
Big Data y Monetización
Predictiva:
La analítica predictiva es el siguiente paso para “reducir” datos. Ésta utiliza una
gran variedad de estadísticas, modelos, minería de datos y técnicas de
aprendizaje automático para estudiar datos recientes e históricos. De este
modo, permite a los analistas hacer predicciones sobre el futuro.
Prescriptiva:
La tecnología emergente de la analítica prescriptiva va más allá de los
modelos descriptivos y predictivos, recomendando uno o varios itinerarios de
acción y mostrando las posibles consecuencias de cada decisión.
Por tanto, este tipo de analítica necesita un modelo predictivo con dos
componentes adicionales, datos procesables y un sistema de realimentación
que rastree las consecuencias basándose en diferentes opciones de acción,
pero también puede recomendar el mejor camino para cualquier
consecuencia preestablecida.
Big Data y Monetización
Enriquecimiento de
Atributos
Detalle general
Big Data y Monetización
Enriquecimiento de Atributos
Perfiles Perfiles Nivel de
Situación Laboral Compra de Bienes
Transaccionales Sociodemográficos Formación
Atributo Niveles Atributo Niveles Atributo Niveles Atributo Niveles Atributo Niveles
Lover Nivel de Ingreso Dato Contínuo Escolar - Dependiente Compra
Completo Tipo de Empleo Tipo de Interés
Perfil de Regular NSE Independiente Alquiler
Adeherencia al A, B, C, D, E Escolar - inmobiliario
(Georeferenciado)
Canal Email Mid Incompleto Situación Empleado Venta
Tenencia de
Low Tiene / No tiene Laboral Desempleado Monto de
Smartphone Técnica -
Completo Búsqueda
Mañana Marca / Modelo Negativo
Perfil de Tipo de Nivel de Técnica - Ubicación de
/ Sistema Extremo
Apertura de Tarde Smartphone Formación Incompleto Búsqueda
Operativo Negativo
Emails Potencial
Noche Personalizado Superior - M2 de Inmueble
Actitud laboral Neutro Hipotecario
Inmobiliario Completo Tipo de
Estilo de Genérico Positivo
Superior - Inmueble
Automotriz comunicación Formal Incompleto Positivo Antigüedad del
Educación Informal Extremo inmueble
Post Grado
Perfil de Restaurantes Monto de
N/A
Consumo Entretenimiento Búsqueda
Básico
Nivel de Inglés Ubicación de
Viajes
Intermedio Búsqueda
Productos Estado del
Superior
Servicios Potencial Vehículo
Vehicular Marca / Modelo
del Vehículo
Antigüedad del
Vehículo
KMs del
Vehículo
Big Data y Monetización
Activación de
usuarios
El problema de Portal de
Ecommerce:
Los Atributos
que describen
al cliente del
Portal de
Ecommerce
Género, origen,
localización geográfica,
antigüedad de registro,
activo , días hasta la
activación, frecuencia,
recencia, monto,
opiniones y reclamos,
productos comprados,
interacciones con redes
sociales, etc.
Big Data y Monetización
Atributos - RFM
ACTIVACIÓN
REGISTRO ULT. TX
$ $
$ $
HOY
Se construyen atributos descriptivos del comportamiento de los usuarios analizando las interacciones en el tiempo:
• Antigüedad registración
• Antigüedad activación
• Recencia
• Frecuencia
• Montos transaccionales (Avg, Max, Min, etc).
Big Data y Monetización
Puntuación 1
Predictiva
Descriptiva
¿Se puede anticipar la propensión a la Sensible
Modelo de la activación
0.30 22%
Tasa de
Puntuaciones
Activación
0.50 65%
Big Data y Monetización
Diseño de la campaña
NO SÍ
Insight: “En la base de Suscritos existen 89936 gemelos (twins) de los usuarios habituales con el mismo
nivel de scoring de activación pero que aún no utilizan el servicio.”
Big Data y Monetización
Ejecución de la campaña
NO UTILIZA SÍ UTILIZA
89.936 PROSP. 65.943 USUARIOS Atributos (mediana):
Mediana : S/57
Promedio : S/80
Resultados
SCORING SCORING
0.42 0.42
Big Data y Monetización
Data-driven Marketing
Portal de Empleos
Caso de éxito
Big Data y Monetización
+ 4,300
MONETIZACIÓN = PUBLICIDAD Empresas publicando
Big Data y Monetización
Antes
*Benchmark mundial 15
Big Data y Monetización
Después
*Benchmark mundial 15
Big Data y Monetización
6.00 5.95
5.90
5.20
5.00
4.90 4.85 4.90
1.00
0.00
Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Enero
Identidad Digital
Colección de datos que representan los atributos, las preferencias y los
rasgos de los sujetos que interactúan en el mundo digital.
Predictiva Monetizado
Descriptiva
Sensible
Identidad Preferencias
• Publicaciones que lee News
• Email
• Deportes que practica
• Apellidos y nombres
• Uso de redes sociales
• Documentos
• Canales de comunicación
• Datos de contacto
Psicodemográficos Comportamientos
• Fecha nacimiento • Compras en portal de comercio
• Nacionalidad • Ofertas laborales portal de empleo
• Nivel de educación • Búsquedas inmobiliarias
• Ocupación • Historial de crédito
Pedro
Big Data y Monetización
Datos Monetizables
Pedro
Data-Driven Marketing
Cadena de valor
Factores Factores
Objetivos Subjetivos
La clave del éxito:
• Integridad • Relevancia
• Completitud • Utilidad Gobierno de datos.
• Validez • Credibilidad Uso eficiente de la tecnología
• Precisión • Claridad y los RRHH.
• Obsolescencia • ……. Capacitación y transformación
• Disponibilidad cultural.
• ……..
Mejorar Descubrir
Big Data y Monetización
Alcance del
modelo de
valuación
Predictiva Monetizado
Descriptiva
Sensible
Datos de identificación:
Un escenario posible…
GOBERNADO
PROACTIVO • Los modelos de negocio
Aquí estamos definen las decisiones
REACTIVO tecnológicas.
• Los equipos de negocio
Riesgo
INDISCIPLINADO y de tecnología trabajan
• El negocio influye sobre las • Existen procesos
Valor
colaborativamente
decisiones de tecnología. estandarizados para la
• Las decisiones de negocio • Los datos se ven como un gestión de los activos de
dependen de la tecnología. • Información redundante datos.
activo de la compañía
y poco controlada.
• Datos duplicados e • Las decisiones corporativas
inconsistentes • Alto costo para mantener se toman con datos ciertos
múltiples aplicaciones.
• Poca flexibilidad para sostener • Se obtienen beneficios
los cambios del negocio. directos por aplicación del
programa de gobierno.
CICLO INTEGRACIÓN
PROCESOS
DE VIDA Y MDM
CALIDAD SOPORTE
METADATA ORGANIZACIÓN
DE DATOS LEGAL
Big Data y Monetización