Conceptos de Big Data
Esta
categoría recopila todas las entradas relacionadas con los conceptos de
Big data & Analytics. Se habla de qué es y su importancia. También
de otros conceptos básicos relacionados con el big data y sus
tecnologías.
Continuamos con nuestra serie de artículos con el recorrido por las tecnologías Big Data, en la que ya hablamos de las áreas de conocimiento.
Una definición más precisa es “área interdisciplinar que incluye métodos científicos, tecnologías y procesos para extraer conocimiento y valor de los datos sean del tipo que sean”. En resumen, es una disciplina que hace que los datos sean útiles.
Dicho esto, los creyentes del Big Data no debemos caer en la trampa de considerar que es una ciencia moderna y que venimos a aportar algo completamente nuevo. El almacenamiento de datos existe desde hace milenios. Como tal, esta ciencia y sus procesos tienen este nombre desde Peter Naur los llamara así en los años sesenta. Por tanto, no hemos inventado la rueda.
Wikipedia, además, tiene una definición muy sencilla que puede conectar pasado y presente cuando lo define como: “concepto para unificar estadísticas, análisis de datos, Machine Learning y sus métodos relacionados”, para “entender y analizar fenómenos reales”.
Podemos englobar aquí el conjunto de técnicas y tecnologías de las que nos vamos a valer para explorar grandes bases de datos. A partir de diversas técnicas, vamos a tratar de encontrar patrones, tendencias o anomalías que nos ayuden a ver cómo se comportan nuestros datos.
En mayor o menor medida siempre hemos aplicado técnicas de data mining dentro del llamado Business Intelligence o BI. La principal diferencia es que en BI generalmente hemos tratado de responder preguntas concretas a partir de nuestros datos.
Hoy en día, gracias al crecimiento exponencial de los datos, a la mejora de capacidad de procesamiento de los equipos modernos y a las nuevas tecnologías de Big Data, ya no siempre vamos a buscar responder una pregunta. Ahora podemos observar datos de los que no conocemos nada y encontrar patrones. Una vez que encontremos ese patrón y tengamos una pista que seguir, podremos profundizar en los datos y extraer conocimiento orientado a la toma de decisiones.
Por tanto, ya sea que quieres mejorar tu satisfacción de cliente, crear mejores productos u optimizar tus costes, una pequeña actualización técnica puede ser determinante.
Aitor Farragut, Consultor Senior BI & Big Data
https://www.datahack.es/fundamentos-big-data-ciencia-de-datos-data-mining/
En el artículo anterior hablamos de las aplicaciones del análisis predictivo en el marketing y las ventas, pero estos modelos de machine learning
tienen muchas otras aplicaciones. Sectores como el financiero, la lucha
contra el crimen o la sanidad también se benefician de ello.
El análisis predictivo, basado en modelos de machine learning y en algoritmos como los que compartí en el artículo anterior, es de gran utilidad en diversos sectores, pero sobre todo en el marketing y las ventas. En este artículo, se detallan algunas de las aplicaciones del análisis predictivo más frecuentes en esas ramas.
Al realizar una segmentación tan profunda, podemos predecir comportamientos y actitudes futuros en función de los pasados y de los de otros clientes similares, lo que nos permitirá optimizar la oferta y anticiparnos a sus deseos.
Si el retorno de la inversión en dichos recursos no compensa, podemos ahorrarnos el esfuerzo y “atacar” a clientes menos propensos a marcharse… o más propensos a gastar más y convertir. O a los que cueste menos dinero/tiempo retener, convertir o fidelizar.
En definitiva, el análisis predictivo nos permite separar los clientes potencialmente rentables de los que no lo serán, dedicando los esfuerzos a los primeros y evitando malgastar recursos innecesariamente.
-
https://articulosclaves.blogspot.com/2020/01/alquimia-como-los-datos-se-estan.html
SUBCATEGORÍAS
–Herramientas y programas
–Casos de uso en Big Data
https://www.datahack.es/category/conceptos-de-big-data/casos-de-uso-en-big-data/
https://www.datahack.es/big-data-deporte/
–Big Data en marketing
https://www.datahack.es/category/conceptos-de-big-data/casos-de-uso-en-big-data/big-data-marketing/
–Big Data en RRHH
–Casos de uso en Big Data
https://www.datahack.es/category/conceptos-de-big-data/casos-de-uso-en-big-data/
https://www.datahack.es/big-data-deporte/
–Big Data en marketing
https://www.datahack.es/category/conceptos-de-big-data/casos-de-uso-en-big-data/big-data-marketing/
–Big Data en RRHH
Fundamentos del Big Data 2: Ciencia de datos y data mining
Ciencia de Datos
Si nos vamos al sentido más estricto de esta expresión, diremos que ciencia de datos es casi todo aquello que tenga que ver con los datos. Y, si nos paramos a pensar, casi cualquier cosa del ámbito que nos rodea está relacionada con los datos.Una definición más precisa es “área interdisciplinar que incluye métodos científicos, tecnologías y procesos para extraer conocimiento y valor de los datos sean del tipo que sean”. En resumen, es una disciplina que hace que los datos sean útiles.
Dicho esto, los creyentes del Big Data no debemos caer en la trampa de considerar que es una ciencia moderna y que venimos a aportar algo completamente nuevo. El almacenamiento de datos existe desde hace milenios. Como tal, esta ciencia y sus procesos tienen este nombre desde Peter Naur los llamara así en los años sesenta. Por tanto, no hemos inventado la rueda.
Wikipedia, además, tiene una definición muy sencilla que puede conectar pasado y presente cuando lo define como: “concepto para unificar estadísticas, análisis de datos, Machine Learning y sus métodos relacionados”, para “entender y analizar fenómenos reales”.
Data Mining
Vamos a incluir en este artículo uno de los conceptos inherentes a la ciencia de datos: el data mining o minería de datos.Podemos englobar aquí el conjunto de técnicas y tecnologías de las que nos vamos a valer para explorar grandes bases de datos. A partir de diversas técnicas, vamos a tratar de encontrar patrones, tendencias o anomalías que nos ayuden a ver cómo se comportan nuestros datos.
En mayor o menor medida siempre hemos aplicado técnicas de data mining dentro del llamado Business Intelligence o BI. La principal diferencia es que en BI generalmente hemos tratado de responder preguntas concretas a partir de nuestros datos.
Hoy en día, gracias al crecimiento exponencial de los datos, a la mejora de capacidad de procesamiento de los equipos modernos y a las nuevas tecnologías de Big Data, ya no siempre vamos a buscar responder una pregunta. Ahora podemos observar datos de los que no conocemos nada y encontrar patrones. Una vez que encontremos ese patrón y tengamos una pista que seguir, podremos profundizar en los datos y extraer conocimiento orientado a la toma de decisiones.
¿Por qué es tan importante formarse en técnica de data mining ahora?
Vivimos hoy una transformación en la que hemos pasado de que los datos sean una parte estática del negocio a que sean la materia prima. Donde explotábamos los datos para ver cómo iba la evolución del negocio, explotamos datos para evolucionar el negocio, tomar decisiones y crear productos y acciones de impacto en la sociedad y en las cuentas de la empresa. Además, estas acciones no tienen por qué ir orientadas únicamente al aumento del beneficio. Una de las mejores aplicaciones de estas técnicas es la optimización de costes.Por tanto, ya sea que quieres mejorar tu satisfacción de cliente, crear mejores productos u optimizar tus costes, una pequeña actualización técnica puede ser determinante.
Aitor Farragut, Consultor Senior BI & Big Data
https://www.datahack.es/fundamentos-big-data-ciencia-de-datos-data-mining/
Algunas aplicaciones del Análisis Predictivo en otros sectores
Gestionar el riesgo
Con esto, nos referimos tanto a escenarios macroeconómicos como a escenarios microeconómicos. A escala global, podemos predecir (y beneficiarnos) de lo que ocurrirá a los mercados en el corto plazo. A escala individual, podemos hacer un análisis de cada cliente para conocer su comportamiento futuro. De esta forma, podremos anticipar, entre otras cosas, cuáles tienen más probabilidad de no hacer sus pagos a tiempo o con cuáles no recuperaremos la inversión.Detectar fraudes
Se usa analítica predictiva para detectar desde siniestros fraudulentos hasta créditos inapropiados, robo de identidad, evasión de impuestos, proveedores sospechosos o transacciones financieras fraudulentas. ¡Incluso para encontrar plantaciones ilegales de marihuana gracias al consumo eléctrico!Gestión de inventarios
Gracias a las técnicas de series temporales y machine learning, podremos predecir la demanda de un producto para gestionar el inventario. Así, anticiparemos tanto la cantidad de materia prima necesaria como el espacio de almacenamiento que necesitaremos.Compraventa de acciones en bolsa
Hoy ya se utilizan los algoritmos predictivos para invertir en bolsa. Gracias a ello, no solo sabemos qué acciones subirán, sino también cuándo es el mejor momento para venderlas.Gestión eficiente de los recursos públicos
Con analítica predictiva, podemos conocer los datos demográficos de la población futura en distintas zonas, así como los servicios públicos que necesitarán. Así, se podrán planificar mejor desde la gestión de las basuras hasta la creación de nuevas infraestructuras.Combatir el crimen
El análisis predictivo va más allá de combatir el fraude cuando se trata de luchar contra el crimen. Como comentamos en el artículo Luchar contra el crimen con Big Data, podemos predecir desde crímenes leves hasta atentados, secuestros y asesinatos. También podemos anticipar qué movimientos hará el crimen organizado y predecir la probabilidad de que un criminal vuelva a delinquir, de modo que se tomen mejores decisiones respecto a su encarcelamiento.Asistencia sanitaria
La analítica predictiva también salva vidas. Podemos anticipar qué pacientes tienen riesgo de padecer ciertas enfermedades como la diabetes o problemas de corazón.También cómo evolucionarán ciertas enfermedades, el contagio de las mismas o cómo reaccionará el paciente a cada tratamiento posible.Gestionar el talento en la empresa
Como comentamos en los artículos sobre Big Data y Recursos Humanos, gracias al análisis predictivo podemos saber qué empleados tienen más probabilidad de marcharse y tomar medidas para fidelizarles. También podemos predecir el desempeño futuro de nuestros candidatos o encontrar al talento más merecedor de un ascenso, entre otras cosas.Mejorar el Medio Ambiente
Ya vimos en los artículos de Big Data y Medio Ambiente que el Big Data y el análisis predictivo también pueden ayudar a crear un mundo mejor. Predecir cuál será nuestra huella en el planeta, cómo será el el cambio climático, cómo se pueden aprovechar mejor los recursos y cómo evolucionarán las distintas especies de la biosfera en vista de los cambios es el primer paso para luchar por un planeta más limpio.Conclusiones
El análisis predictivo puede ser aprovechando en múltiples sectores. Los anteriores son solo unos pocos ejemplos de los cientos que se podrían mencionar, ya que las aplicaciones prácticas son casi infinitas. Es por eso por lo que resulta tan importante estar al día en lo que respecta a estas tecnologías y tener una base de formación en Big Data de calidad.Análisis Predictivo en marketing y ventas: algunas aplicaciones
Segmentación de clientes y personalización de la oferta
El análisis predictivo nos permite anticipar qué ofertas serán más efectivas en función del tipo de consumidor. Esto permite la máxima personalización, ya que no nos limitamos a datos cualitativos fáciles de obtener (ingresos, franja de edad, sexo…), sino que añadimos datos sobre sus intereses, gustos y comportamientos de compra previos.Al realizar una segmentación tan profunda, podemos predecir comportamientos y actitudes futuros en función de los pasados y de los de otros clientes similares, lo que nos permitirá optimizar la oferta y anticiparnos a sus deseos.
Optimización de recursos en el funnel de ventas
Gracias a la analítica predictiva podemos detectar el riesgo de que el cliente abandone su relación comercial con nosotros o el potencial que tiene de gastar más en nuestro negocio o de avanzar en el funnel de ventas. Y, lo que es más importante, cuántos recursos serían necesarios para evitar dicha “fuga” o conseguir que aumente sus gastos o convierta.Si el retorno de la inversión en dichos recursos no compensa, podemos ahorrarnos el esfuerzo y “atacar” a clientes menos propensos a marcharse… o más propensos a gastar más y convertir. O a los que cueste menos dinero/tiempo retener, convertir o fidelizar.
En definitiva, el análisis predictivo nos permite separar los clientes potencialmente rentables de los que no lo serán, dedicando los esfuerzos a los primeros y evitando malgastar recursos innecesariamente.
Cross selling y up selling
En función de comportamientos de compra actuales, podemos predecir qué otros productos le interesarán al cliente o el potencial que tiene de comprar una categoría superior y más rentable para nosotros, añadir más productos al carro de la compra… Además, podremos hacerle la sugerencia en el momento justo para lograr más impacto.Mejora del marketing mix personalizado
La analítica predictiva es capaz de identificar, para cada tipo de cliente, las combinaciones más efectivas de productos, precios, material promocional, canales de comunicación, timing… De esta forma, nos ayuda a coordinar mejor todas las acciones de marketing a nivel globalPublicidad predictiva
Gracias al análisis predictivo, podemos saber a qué clientes “atacar” y elegir el mejor anuncio basándonos en la probabilidad de que el cliente haga clic y en el ROI esperado por cada clic.Conocer los cambios en el estilo de vida del cliente antes de que estos ocurran.
A veces, los algoritmos saben que la vida del cliente va a cambiar… ¡incluso antes que el cliente! Me refiero a cambios tan cruciales como, por ejemplo, matrimonios, movilidad laboral, si van a tener un bebé…Anticipar tendencias
Con el análisis predictivo, podemos anticiparnos a las tendencias futuras y diseñar productos ad hoc para reaccionar a ellas antes que nadie, lo que nos colocará en una posición ventajosa frente a la competencia y nos pondrá en el top of mind de los consumidores.En definitiva
El uso de algoritmos de análisis predictivo permite aprovechar más los recursos del departamento de marketing y tener un mejor conocimiento del cliente y del mercado. Por ello, es importante formarse con los mejores, para conocer todas las herramientas que podemos utilizar para realizar este tipo de análisis. En el Master Big Data & Analytics de Datahack, te formarás en las últimas tecnologías para sacar de ellas el máximo provecho. ¡Pide información ya!BIG Financial data
https://www.datahack.es/formacion/cursos-bigdata/big-financial-data/-
https://articulosclaves.blogspot.com/2020/01/alquimia-como-los-datos-se-estan.html
No hay comentarios:
Publicar un comentario