Archivo de la categoría: Tecnologia

4 pasos para preparar tus bases de datos para análisis

Hoy en día la transformación digital cuenta con distintos pilares dentro de los que destaca la analítica o análisis de datos. Apalancar todo el valor que esconden las grandes cantidades de información disponibles en la actualidad permite que los negocios y la sociedad, en general, se organice y genere valor de formas innovadoras. Para lograr un análisis de datos, la materia prima es clave: las bases de datos. Como cualquier materia prima las bases de datos guardan atributos y características que las hacen ser mejores o peores al momento de ser utilizadas como input para un análisis. En esta columna vamos a revisar 4 sencillos pasos con los que podrás asegurar que tus bases de datos estén preparadas y listas para realizar análisis de calidad que generen un verdadero valor diferencial para tu negocio. Estos 4 pasos son: limpieza, reestructura, homologación y clasificación.

free_Suscriber

#1 Limpieza de datos

El llamado data cleansing, por su traducción al idioma inglés, es el proceso de descubrir y corregir o, en casos extremos, eliminar registros de datos que han sido identificados como erróneos dentro de una tabla o base de datos. Este proceso de limpieza de datos permite identificar datos incompletos, incorrectos, inexactos, no pertinentes, etc. y luego sustituir, modificar o eliminar estos datos sucios.

Hay distintos métodos para limpieza de datos. Uno de ellos es el análisis gramatical que identifica errores de sintaxis, es decir, si el sistema lo tiene declarado como una variable numérica y el usuario registro una palabra, este tipo de análisis lo identifica. Existe la transformación, que básicamente ajusta los datos dentro de un formato esperado, en la mayoría de las ocasiones la transformación es para normalizar los datos y ajustarse a valores mínimos y máximos. Otra forma es el eliminar duplicados, que como su nombre lo dice, simplemente identifica registros repetidos y elimina uno de ellos. Finalmente, existen métodos estadísticos mediante los cuales la estadística descriptiva hace visualmente reconocibles las anomalías y posteriormente expertos se encargan de ajustar ese tipo de datos mediante la sustitución de los mismos por valores promedios o algún otro tipo de tratamiento, dependiendo de la naturaleza del dato.

Una vez detectados estos datos “sucios” es necesario identificar las causas para poder establecer flujos de trabajo ejecutables de forma automática para que corrijan o excluyan este tipo de datos. En temas técnicos es común el uso de bibliotecas como Pandas para Python o Dplyr para R.

datlas_mx_blog_data_cleansing

#2 Reestructura de bases de datos

Este segundo paso del proceso de preparación de bases de datos tiene que ver literalmente con tomar una base de datos de cierta estructura como, por ejemplo, 10 columnas por 3 filas y alterarla de tal forma que al final quede una base de datos completamente nueva de, por ejemplo, 6 columnas por 7 filas, pero con los mismos datos ya limpios que obtuvimos en el paso anterior. Para ilustrar este punto utilizaremos un ejemplo muy sencillo:

Supongamos que levantamos una encuesta sobre productos y marcas que podemos encontrar en el baño de cada entrevistado. Los resultados de la encuesta nos darían una base de datos de la siguiente forma:

Entrev edad sexo Prod_1 Prod_2 Prod_3 Marca1 Marca2 Marca3 NSE
1 10 F Desodo

rante

Pasta de dientes Jabon líquido AXE CREST NUBELUZ A
2 25 M Pasta de dientes Sham

poo

Jabon en gel COLGATE ELVIVE AMIGO B
3 23 F Crema para peinar Pasta de dientes Jabon de barra SEDAL COLGATE ESCUDO C

Si quisiéramos que los datos nos digan que artículos son los que las mujeres de 24 a 30 años tienen en su baño, necesitamos manipular los datos de forma que podamos obtener como respuesta a esta pregunta un cálculo de frecuencia.

En este segundo paso es donde tomamos en cuenta las hipótesis o los objetivos de análisis para generar la reestructura de la información. En este caso, por ejemplo, la base de datos ya reestructurada quedaría así:

Entrevistado Edad Sexo Num_Prod Descripcion Marca
1 10 F 1 Desodorante AXE
1 10 F 2 Pasta de dientes CREST
1 10 F 3 Jabón Líquido NUBELUZ
2 25 M 1 Pasta de dientes COLGATE
2 25 M 2 Shampoo ELVIVE
2 25 M 3 Jabon en gel AMIGO
3 23 F 1 Crema para peinar SEDAL

Con lo cual podríamos establecer, suponiendo que utilicemos Excel, un filtro en la columna de edad para seleccionar las edades superiores a 24 años e inferiores a 30, al mismo tiempo que filtramos en la columna de sexo la letra F (de femenino) y simplemente calculamos el total de filas que quedan desplegadas de la tabla. De esta manera respondemos la pregunta inicial.

#3 Homologación de bases de datos

En este punto ya comenzamos a jugar con distintas bases de datos, es decir, muchas veces las empresas tienen distintas áreas donde el modo con el que tratan los datos es distinto. Por lo tanto, al momento de tratar de unificar resultados o compararlos, puede que no se estén tomando parámetros similares y eso difícilmente podrá permitir que se realicen cruces de información de manera eficiente.

Al homologar bases de datos es necesario generar estructuras preestablecidas y un glosario de variables que defina claramente los formatos y las especificaciones necesarias para cada tipo de variable registrada. Un caso muy común por ejemplo es el formato de fechas entre dos bases de datos distintas, mientras uno maneja el formato día/mes/año otro tiene registros como mes/día/año con lo que a la hora de hacer un cruce de información las fechas nunca logran empatar y es imposible realizar un cruce de forma adecuada.

datlas_mx_blog_homologacion_bases_de_datos

#4 Clasificación de bases de datos

Finalmente, tenemos el paso de clasificación. En este punto literalmente el objetivo es darle una etiqueta o categoría a cada base de datos de acuerdo al contexto que estemos manejando, la utilidad de la misma base de datos o las necesidades que estas satisfagan al interior de la organización. De forma general existen dos tipos de clasificaciones para las bases de datos: según la variabilidad de los datos o según su contenido.

Dentro de la primera clasificación existen las bases de datos estáticas, que generalmente son bases de datos de consulta, con registros históricos que no van a cambiar. El típico ejemplo aquí son las ventas de hace 5 años para una compañía de artículos deportivos. Por otro lado, están las bases de datos dinámicas, donde la información cambia a través del tiempo por actividades como: actualización, borrado y edición de datos. El mejor ejemplo en este caso son las bases de datos de clientes (CRM) donde hay constantes actualizaciones de información o incluso eliminación de prospectos.

En la segunda clasificación tenemos las bases de datos bibliográficas, que guardan literalmente registros de autor, fecha de publicación, editorial, etc. En contraste existen las bases de datos de texto completo que almacenan el contenido completo de las citas bibliográficas anteriormente citadas, por ejemplo. También existen subclases como directorios, bibliotecas, etc.

datlas_mx_blog_clasificacion_bases_de_datos

De esta forma logramos tener una integridad entre los datos almacenados, la base de datos que los resguarda, las distintas bases de datos dentro de una organización y su capacidad de complementarse al momento de realizar un análisis. Así de fácil podemos cuidar la calidad de nuestros datos para asegurar que podamos aprovechar todo el poder y las ventajas del big data a la hora de realizar analítica.

Si te interesa conocer más acerca de estos procesos o necesitas ayuda con tus bases de datos, visita nuestro Marketplace o contáctanos en nuestras redes sociales

@DatlasMX

 

Tecnología y análisis de datos para negocios antes esta “nueva realidad” post COVID-19

Si bien es cierto que, por lo menos en México, no hemos concluido definitivamente la lucha contra esta pandemia, recientemente hemos optado por “reactivarnos” bajo medidas y protocolos que velan por nuestra salud y cuidan el distanciamiento social. El regreso a las actividades es quizá tan retador como cuando por primera vez tuvimos que entrar en cuarentena. Cada uno de estos cambios nos exige, como negocios, una gran capacidad de adaptación. En esta columna vamos a platicar acerca de algunas herramientas tecnológicas y formas en las que el análisis de datos puede ayudarnos a adaptarnos mejor a esta nueva normalidad.

free_Suscriber

En primer lugar, como siempre lo hemos dicho, antes incluso de hablar de tecnología, están las personas. La cuarentena nos obligó a gestionar a nuestro talento humano a distancia utilizando plataformas tecnológicas como Zoom y Teams para las reuniones y videoconferencias. Asimismo, tuvimos que aprovechar herramientas como Asana o Monday para dar seguimiento a proyectos y actividades. En este regreso a la nueva normalidad el reto más grande recae en operar con menos personal y al mismo tiempo generar suficientes ingresos como si estuviéramos operando con normalidad. Para cada uno de estos retos podemos aprovechar la tecnología y los datos.

Por un lado, para el reto operativo lo primordial es tener mapeados los procesos de negocio para entender que tecnologías pueden ayudarnos a automatizar o eficientizar alguno de esos procesos. Pongamos un ejemplo: Eduardo es gerente de ventas de un negocio que da servicio a otras empresas con maquinaria y equipo industrial. Uno de los procesos más importantes para Eduardo es la atención a clientes y el seguimiento de las actividades. Simplificando enormemente sus procesos, Eduardo se enfrentaba a dos grandes fases que consumían la mayoría del tiempo y recurso humano de su negocio: atender los requerimientos de los clientes y construir la logística de atención en cuanto a tiempos y movimientos de su flotilla de mantenimiento. ¿Cómo está logrando Eduardo apoyarse de tecnología para estos casos? Muy sencillo, en primer lugar, adapto un chatbot desde su página web que mediante preguntas predeterminadas podía interactuar con los clientes para registrar sus pedidos/necesidades y armar, de forma automática, el requerimiento interno. En segundo lugar, apoyado de su área de tecnologías de la información (TI) implementaron un sencillo algoritmo de optimización de rutas que de forma dinámica construía, cada día por la mañana, la ruta óptima para cada cuadrilla de personal con el objetivo de que pudieran atender a la mayor cantidad de clientes, en el menor tiempo y en distancias relativamente cercanas. De esta forma Eduardo logró atender al 80% de los clientes con tan solo el 50% de su personal activo y dar servicio con una mejora del 20% en tiempo de respuesta.

datlas_mx_blog_post_covid_chatbot

Por otro lado, los negocios no solo tenemos que lidiar con una operación limitada sino también con el reto de generar las ganancias o ingresos que habíamos estimado a inicios de año durante nuestra planeación anual. ¿Cómo lograrlo? Es aquí precisamente en donde un buen análisis de datos puede apoyarnos para identificar algunas oportunidades. El ejemplo más claro es el cuidado sobre la salud financiera del negocio. En este nuevo contexto los expertos sugieren enfocarnos en cuidar los flujos de efectivo y empezar a pensar un poco más en el día a día y los objetivos a corto plazo. Un análisis de datos puede ayudarnos a monitorear indicadores como la cartera de clientes, es decir, las cuentas por cobrar que tenemos a favor del negocio. Si no estas familiarizado con este indicador puedes conocer este y otro tipo de indicadores en nuestro Marketplace. Analizar el comportamiento de la cartera de clientes histórica nos puede ayudar a realizar ejercicios de planeación de escenarios teniendo en cuenta las posibles consecuencias indeseables como retrasos en pagos o cuentas que caigan en incobrables.

datlas_mx_blog_post_covid_dashboard_financiero_cartera

Finalmente, otra de las relaciones principales a cuidar en este retorno a la normalidad es la de nuestros proveedores. Las presiones que el cliente ejerce sobre los negocios se traducen también en presiones que nosotros mismos ejercemos sobre nuestros proveedores y así como estamos adaptándonos internamente a este nuevo normal debemos también tomar en cuenta y cuidar nuestra relación con proveedores. Para este caso nos viene a la mente el ejemplo de Sofia, una emprendedora que justo a inicios de año abrió su segunda sucursal de una cafetería con un concepto bastante innovador de comida saludable con un toque de sabor único. Ante esta nueva realidad Sofía se vio en la necesidad de replantear su relación con proveedores para ajustarse a estas circunstancias en donde la atención al cliente fue nula durante algún tiempo e incluso recientemente se reactivó de forma limitada. Lo que logró hacer Sofía fue combinar la tecnología y el análisis de datos para establecer una gestión “justo a tiempo” con sus proveedores principales. ¿Qué fue lo que hizo? Muy sencillo, tomó la información de compras, insumos y producción que había tenido el último año para identificar los niveles medios de inventario que necesitaba por semana y por mes, cuidando algunas temporalidades como vacaciones o cambio de estaciones. Una vez estableciendo esta dinámica de producción realizó un ajuste con base a los movimientos de estos últimos veces en cuanto a pedidos y consumo, que principalmente se tornaron en pedidos a domicilio. De esta forma logró llegar a un acuerdo con sus principales proveedores para instalar un nuevo sistema en su punto de venta desde el cual los proveedores pudieran tener visibilidad de los consumos de insumos que estaba teniendo Sofía y a partir de identificar el punto de reorden, es decir, el punto en el que necesitaban reabastecer, están generando una dinámica mucho más eficiente de uso de recursos y manteniendo sanos, aunque en niveles menores, los niveles de venta y la sustentabilidad de sus negocios.

Así que cuéntanos, ¿qué medidas estas tomando tu para volver a la nueva normalidad? ¿qué tecnología estas utilizando? ¿qué tipo de análisis de datos estas aprovechando?

@DatlasMX

V de Variedad en Big Data: datos estructurados y no estructurados

En más de una ocasión hemos tenido la oportunidad de presentarnos en foros donde hablamos de Big Data como esta nueva gran tendencia dentro del marco de la transformación digital. Al comenzar cada una de nuestras presentaciones, como es nuestra fiel costumbre, contextualizamos acerca de los conceptos que abordamos. Dentro de la explicación de lo que es el Big Data hacemos referencias a las famosas 5 Vs: Volumen, velocidad, variedad, veracidad y valor. Implícitamente, dentro de la característica de variedad hablamos del origen de los datos, las fuentes de donde provienen y del tipo de estructura que tienen. En esta columna vamos precisamente a profundizar en los datos y las bases de datos estructuradas y no estructuradas, lo que son y como es que nosotros las apalancamos dentro de los reportes automatizados Laura para capitalizar un mejor entendimiento, análisis y descubrimiento de oportunidades con alto impacto para el negocio.

free_Suscriber

Como punto de partida hay que entender a que nos referimos con datos estructurados y no estructurados. En primer lugar, los datos estructurados se refieren a la información que se suele encontrar en la mayoría de las bases de datos relacionales (Relational Database Management System o RDBMS por sus siglas en inglés), es decir, en un formato estructurado usando filas y columnas. Suelen ser archivos de texto que se almacenan en formato tabla u hojas de cálculo con títulos para cada categoría que permite identificarlos. Son datos que tienen perfectamente definido la longitud, el formato y el tamaño y que pueden ser ordenados y procesados fácilmente por todas las herramientas de minería de datos. De igual manera, los datos pueden generarse de forma humana o mecánica siempre que los datos se creen dentro de una estructura RDBMS. Para ejemplificarlo de forma más simple, imagina cuando tomaban lista en el salón de clase y el profesor tenía una tabla con nombres, apellidos, la fecha de la clase y un montón de palomitas. Así se “ven” los datos estructurados.

El pase de diapositivas requiere JavaScript.

Por otro lado, existe una clasificación diametralmente opuesta a esta: los datos no estructurados. Aunque si bien entendemos que técnicamente existe también el término de datos semiestructurados en esta ocasión utilizaremos los opuestos para ejemplificar el punto de la variedad dentro del big data y los beneficios de fusionar los distintos tipos de datos a la hora de generar los análisis. Así que, volviendo al tema, los datos no estructurados, que son la otra cara de la moneda son aquellos datos, generalmente binarios, que no poseen una estructura identificable. Es un conglomerado masivo y desorganizado de varios objetos que no tienen valor hasta que se identifican y almacenan de manera organizada. No tienen un formato especifico, pueden ser textuales o no textuales. En su modo más simple, son documentos en PDF, archivos de Word, videos, audios, las fotos satelitales de las hectáreas de siembre que tiene una empresa agrícola, entre otros ejemplos. De la misma forma que los datos estructurados, este otro tipo de datos puede ser generado tanto por humanos como por maquinas.

datlas_mx_blog_datos_no_estructurados
Ejemplo de datos no estructurados (textual)

Ahora bien, ¿Qué relevancia tiene esta variedad de los datos? ¿Qué relación guarda con esto del Big Data? Pues precisamente estadísticas mostradas por empresas como Kyocera estiman que alrededor del 80% de la información relevante para un negocio se origina en forma no estructurada, principalmente en formato texto. Esto quiere decir que, al tener la posibilidad de integrar datos no estructurados al análisis, automáticamente el volumen de información (otra de las V del Big Data) disponible para análisis aumenta a más del doble. Imagínate que llegara un nuevo vendedor y pudiera leer todos los corres de prospección escritos en los últimos 5 años de historia de la compañía. Toda la riqueza detrás de ese tipo de ejercicio hoy es posible gracias al Big data, pero tomar ventaja de los datos no estructurados es una tarea retadora, ya que existe la necesidad de organizar los archivos, categorizar el contenido y entonces obtener información que pueda estructurarse de tal forma que sea capaz de fusionarse con los datos ya estructurados. Aunque sin duda hoy existen en el mercado herramientas de software para el procesamiento, gestión o almacenamiento de este tipo de datos, sigue siendo importante el papel de los analistas de negocio o los mismos dueños para establecer una priorización de esfuerzos con base al beneficio potencial que pudiera obtenerse de ese esfuerzo por capitalizar los datos no estructurados.

datlas_mx_blog_datos_no_estructurados_a_estructurados

Finalmente, desde nuestra experiencia hemos logrado consultar bases de datos estructuradas y no estructuradas para realizar los reportes automatizados de Laura y entregar un verdadero valor agregado al cliente comparado al de los estudios tradicionales que generaba un equipo de analistas sin este tipo de herramientas. Tomemos como ejemplo las redes sociales, un tweet. Hoy es muy común que la gente se exprese libre y abiertamente en twitter acerca de lo que le gusta, le disgusta o incluso donde esta. En nuestro caso, uno de los elementos integrados dentro de Laura es el análisis de tráfico peatonal por categoría de negocios, es decir, que tanta gente está tweeteando acerca de una cierta marca de restaurante o producto. Para poder apalancar estos datos de forma inteligente se hace un proceso de análisis de texto que extraer el nombre del establecimiento, lo coteja con un diccionario de negocios, lo clasifica dentro de la categoría a la que pertenece ese negocio y finalmente lo agrega, de forma estructurada, en una base de datos que pasa a ser consultada como un mapa de calor dentro de nuestras plataformas de Mapas de Inteligencia y a su vez como una imagen de la ubicación analizada y el entorno al hablar de los reportes Laura. Esto nos ha permitido apoyar a negocios a tomar mejores decisiones de ubicación, ponderando no solamente los típicos indicadores estructurados y “fijos” sino también la información no estructurada y, en este caso, dinámica para ofrecer una perspectiva realmente nueva y más holística de las condiciones a las que se enfrenta el negocio al momento de tomar una decisión.

datlas_mx_casos_uso_consultoria_derrama_economica_luztopia_2019

Como este caso hemos aprovechado otro tipo de datos no estructurados para apoyar a empresas de distintas formas, en tu caso ¿generas información no estructurada? ¿te interesa aprovechar el poder que esconde esa información? ¿o simplemente te gustaría experimentar con la información no estructurada que existe allá afuera y que hoy podemos poner a tu disposición? Contáctanos y cuéntanos

@DatlasMX

 

5 pasos para aprovechar los datos de tus puntos de venta y mejorar tus resultados

Hace apenas un par de años comenzamos a escuchar el famoso concepto de transformación digital en las empresas. Este concepto hace referencia al aprovechamiento y la inserción de tecnología y digitalización dentro de los procesos de negocios. Uno de los pilares más importantes dentro de esta transformación digital es el análisis de datos. En un contexto en donde los datos y la información son lo más abundante, la necesidad de aprovechar este gran bagaje de información para la toma de decisiones de negocios se ha vuelto crucial. En esta columna vamos a hablar de un sencillo proceso de 5 pasos con el que hemos apoyado a los negocios a aprovechar la generación de datos desde sus puntos de ventas para capitalizar accionables comerciales y operativos que han impactado directamente sus resultados de manera positiva.

free_Suscriber

Para comenzar es necesario un poco de contexto. Cuando hablamos de aprovechar la generación de datos existe un componente importante que responde a las condiciones actuales de los negocios: el volumen. Mientras hace unas décadas la disponibilidad de información se limitaba a un par de libros contables, hoy las empresas tienen la capacidad de consumir información externa y, sobre todo, de obtener y generar una cantidad sin precedentes de variables respecto a sus transacciones, clientes y procesos. Es precisamente aquí en donde se introduce el famoso concepto de Big Data. Sin duda hemos hablado de este concepto en entradas anteriores, pero nos gustaría citar una frase del CEO de BBVA Analytics, Fabien Girardin, que sintetiza muy bien las ventajas de este concepto diciendo: “Lo que es nuevo con el Big Data, es la cantidad de datos que nos permite entender el mundo de mejor manera, y cuando digo ‘el mundo’ me refiero a los clientes, empresas, y también como funciona la propia organización. Eso nos permite realmente medir y entender los procesos, intentar automatizarlos, y ayudar a la toma de decisiones de manera nueva”.

Ahora bien, veamos como es que estas técnicas de aprovechamiento de grandes cantidades de información se pueden capitalizar para tu negocio o la empresa donde laboras. La receta consta de 5 sencillos pasos que se ilustran de una manera magistral en la siguiente imagen:

datlas_mx_blog_data_to_wisdom

Paso #1: Los datos

La primera etapa tiene que ver precisamente con la materia prima, es decir, con los datos. Este es el punto de partida para poder derivar verdadera inteligencia. Al hablar de datos hay que tener claros dos puntos importantes: el primero de ellos es responder la pregunta ¿dónde se esconden los datos? Muchos de nuestros clientes al principio aseguran que la falta de análisis dentro de su negocio tiene su origen en la “falta de datos”, pero esto no es necesariamente real. Los puntos de venta son por excelencia grandes generadores de datos. Sin duda no son los únicos, por lo que es importante mapear el viaje completo del usuario para identificar los puntos de interacción (touch points, en inglés) en los que el cliente interactúa con el negocio y en donde podemos estar capturando información.

Tomemos como ejemplo una tienda en línea, que han visto una evolución significativa en estas circunstancias de cuarentena. Para hacerlo todavía más simple pensemos en una tienda en línea que vende artículos para bebes. En este caso, el usuario tiene un viaje que podemos simplificar: el usuario conoce la marca/productos, entra a la página web, interactúa con el catalogo de productos, selecciona los artículos que va a comprar, realiza la transacción y sale contento(a) a esperar la entrega de los artículos que adquirió. Tan solo en este simple “viaje” podemos encontrar que el punto de venta ha logrado capturar datos como: edad, sexo, email y teléfono del cliente; el canal de procedencia, el tiempo que dedico a cada sección de la página, donde hizo click, los productos que estuvo evaluando, los filtros que utilizó, los artículos relacionados directamente a aquellos que incluyó en su carrito de compra, el ticket promedio, el total de la transacción, la dirección a la que pidió que se enviaran sus productos y la información de su método de pago, entre otros muchos detalles.

datlas_mx_blog_data_sources_ecommerce

Ahora bien, la cantidad de datos es sin duda impresionante y nos permite realizar análisis más nutritivos, pero es importante cuidar el segundo punto que citábamos arriba: la estructura de los datos. ¿A qué nos referimos con la estructura? Imagina un negocio hace 50 años que tuviera cada transacción anotada en una libreta y tuviera que ponerse a buscar en los miles de libretas de los años pasados para encontrar cuantas veces el Sr. Godínez (su cliente más frecuente) ha comprado en los últimos 3 años. Me canse tan solo de escribirlo. He aquí el segundo punto medular cuando hablamos de datos. Es de suma importancia cuidar que los datos se almacenen con una cierta estructura que permita identificarlos, como el caso del cliente, con un identificador o un folio. Asimismo, es importante cuidar que las estructuras habiliten la conexión entre los datos generados desde distintos procesos o puntos de contacto del negocio con el cliente. Un ejemplo claro en el caso de la tienda en línea para bebes sería tener un catalogo de productos con SKUs y una base de datos de pedidos que integren los distintos SKUs que cada cliente incluye en sus pedidos. Y todo esto ¿para qué? Justo vamos a verlo en los siguientes pasos.

Paso #2: De datos a información (la transformación)

Una vez identificadas las fuentes de datos, sobre todo aquellos generados por el punto de ventas, pasamos a transformar esos datos en información. Cuando hablamos de transformar estos datos nos referimos a tomar la materia prima y comenzar a darle forma, comenzar a construir y descifrar la historia detrás de esos datos para poder derivar la inteligencia. Es justo en esta etapa cuando tomamos, por ejemplo, todos los datos referentes a los clientes y comenzamos a construir los perfiles o avatares. Con los datos de los productos podemos generar canastas, catálogos, familias o categorías y/o agrupaciones. Con los datos transaccionales se pueden generar reportes de resultados e indicadores. Lo importante en esta etapa es poder apalancar la estructura de datos anteriormente establecida para que la transformación de esos datos en información se pueda dar de una manera sistemática y automatizada.

datlas_mx_blog_data_information_ecommerce

Paso #3: Interconectar (integraciones)

Esta etapa se distingue por integrar a la narrativa, a la historia, las diferentes fuentes de información. Retomando el ejemplo de la tienda en línea para bebes y teniendo en cuenta que de la fase anterior obtuvimos perfiles de clientes, catálogos de productos y resultados transaccionales, podemos generar una narrativa completa en esta sección. Imaginemos que de la información anterior seleccionamos uno de los perfiles de cliente formado, ejemplo: Perfil A. Una vez seleccionado el perfil comenzamos a cruzar la información con los catálogos de productos y obtenemos una lectura de los productos más afines al perfil de cliente seleccionado. Todo esto a su vez lo integramos con la información transaccional de tal suerte que podemos construir una narrativa capaz de contar una historia como esta: “El perfil A representa a clientes mujeres de 28 a 34 años, que principalmente llegan desde redes sociales como Instagram, interesadas en productos consumibles como pañales y leche en polvo, generalmente comprando 3 artículos por pedido con un ticket promedio de $890 MXN”

datlas_mx_blog_ecommerce_customer_profile

Ahora bien, lo más importante en este punto no es poder contar la historia sino tomar esa historia para generar las preguntas o hipótesis adecuadas, es decir, tomando la narrativa del ejemplo anterior un buen análisis parte de preguntarse cosas como ¿existe alguna relación entre su edad y la afinidad por productos de marcas de alta gama? ¿Qué tan probable es que este perfil compre artículos que no sean propiamente para su bebe (regalos u obsequios)?

Paso #4: Insights (analíticos)

En esta etapa es importante partir de la definición de este famoso concepto de insights. Si bien es un término en inglés que difícilmente tiene una traducción directa al español, lo claro es que se puede definir como “el entendimiento de una causa específica y su efecto dentro de un contexto particular. Entender la naturaleza interna de las relaciones”. Basados en esta definición, este cuarto paso justo se trata de responder las preguntas planteadas en la etapa 3 y descifrar las causas y efectos de esas relaciones. Retomando el ejemplo anterior, para el caso de la relación entre edad y afinidad de marcas, podemos contarles que este cliente pudo analizar y concluir que las mamás jóvenes son más afines a marcas de alta gama porque su falta de experiencia prioriza la novedad y la mercadotecnia de las marcas de alta gama, mientras que las madres con mayor experiencia ya tienen conocimiento sobre las marcas que realmente son funcionales y priorizan su decisión de compra basadas en los atributos de confianza y usabilidad que otras marcas, no necesariamente de alta gama, les pueden proveer.

datlas_mx_blog_ecommerce_analytics

Paso #5: Inteligencia (accionables)

Después del esfuerzo de las cuatro etapas anteriores llegamos a la parte que realmente impacta los resultados: las acciones. El catalizador de los análisis que las etapas anteriores pudieron proveer llega a su culmen cuando los datos, la información, la historia, las preguntas y las respuestas se convierten en lo que conocemos como inteligencia, es decir, acciones concretas que nos ayuden a influir sobre los resultados que hemos estado analizando. Tomemos el ejemplo citado, una vez que desciframos que hay un perfil de cliente que responde a ciertos atributos podemos generar estrategias de comunicación segmentadas con mensajes afines a ese tipo de características sobre los productos, por otro lado, se pueden apalancar cupones de descuentos que ayuden a aumentar las conversiones en ciertos días de la semana o promociones especiales en los meses más críticos, etc. Con uno de nuestros clientes incluso logramos capitalizar información de entorno para poder identificar geográficamente aquellas zonas en donde se concentraban los clientes potenciales del negocio para poder accionar campañas enfocadas en esas zonas y optimizar los presupuestos promocionales.

En esta etapa es importante recordar dos cosas: la primera es que la inteligencia, como los datos, debe almacenarse de una manera estructurada y debe comunicarse a todos los grupos de interés para que se pueda capitalizar su valor en un impacto positivo a los resultados. La segunda, íntimamente relacionada a esta, es que el proceso es iterativo, es decir, nunca acaba. Al igual que la captura de datos, este proceso debe estar “vivo” debe nutrirse de nuevos datos y continuar abonando a la inteligencia, mejorar los accionables y seguir buscando nuevas fuentes de generación de datos, incluso externas a la empresa, para poder impactar los resultados de manera positiva.

datlas_mx_blog_data_business_intelligence

Finalmente, esta es una forma sencilla en la que puedes obtener valor de los datos de tu negocio. No olvides que a pesar de enumerar 5 sencillos pasos cada uno de ellos tiene una complejidad dentro de si mismo y en Datlas estamos preparados para apoyarte en cada una de las etapas con metodologías y tecnologías que son capaces de adaptarse a cualquier industria y tamaño de negocio. Cuéntanos como estas aprovechando los datos de tus puntos de venta o contáctanos para comenzar a ayudarte ¡hoy mismo!

@DatlasMX

The Last Dance: la versión que cuentan los datos

Antes de comenzar debo confesarles que soy un apasionado jugador y fanático del basketball desde que tenía 6 años. Me tocó ver, junto a mi padre, aquella temporada 1997-1998 donde Michael Jordan y los Chicago Bulls coronan su último baile (The Last Dance, en iglés) con un 6to título para Jordan, la segunda racha de 3 títulos al hilo para el equipo y una espectacular historia de 6 títulos en 8 años para la franquicia. Ahora bien, para quien no lo sepa, el famoso documental de ESPN transmitido también por Netflix y titulado “The Last Dance” relata los detalles de esta incansable hazaña de los Bulls desde 1984, cuando seleccionan a Michael Jordan en el draft, pasando por su primer título en la temporada 1990-1991 y hasta cerrar con broche de oro toda una era. Si bien el documental ha tenido un tremendo impacto, también ha desatado la polémica alrededor de Jordan desde distintos ángulos: su forma de ser, su trato con los demás, hasta cuestionar su título honorario de mejor jugador de todos los tiempos (Greatest of All Time o GOAT, por sus siglas en ingles). En esta columna vamos a dejar de lado el fanatismo, las opiniones y los sentimientos para utilizar analítica deportiva (Sports Analytics) y relatar la versión que cuentan los datos acerca del último baile. Si quieres saber que es sports analytics puedes visitar nuestro blog anterior. Si quieres enterarte como se está aplicando sports analytics en el Club de Futbol Monterrey puedes escuchar el más reciente episodio de nuestro podcast #CaféDeDatos.

free_Suscriber

El punto de partida de este análisis nace de la polémica que argumenta que la serie tiene un sesgo hacia el papel de Michael Jordan, mientras que deja “en las sombras” algunas aportaciones importantes de los distintos actores a su alrededor. Como amantes de los datos y la estadística entendemos que el resultado de cualquier situación depende de un modelo o de una formula con distintos factores y variables. En este caso el éxito de los Bulls se debe a un conjunto de cosas: desde el dueño, el gerente general, el entrenador, la ofensiva en triangulo, el talento individual de los jugadores, el juego colectivo, etc. Incluso el mismo Michael tiene una frase icónica que dice: “El talento gana partidos, pero el trabajo en equipo y la inteligencia ganan campeonatos”. Así que, veamos que dicen los datos acerca del “peso” de la variable Jordan en la ecuación del éxito de los Bulls y su último baile.

datlas_mx_the_last_dance_espn_netflix

Abril 27 de 1997 Chicago vs Washington juego número 2 de la primera ronda de play-offs de la temporada. Michael anota 55 puntos, empatando su récord de anotación desde que volviera del retiro en 1995. Tan solo en el último periodo anotó 20 de los 23 puntos del equipo. Acostumbrados a lo increíble, para muchos esta fue solo otra hazaña, pero es justo aquí donde se esconde el indicio del “efecto Jordan” para los Bulls y para el baloncesto de esa época. Más allá de lo que su marca personal de anotación representaba en el resultado final, lo impresionante es que anotó tan solo un tiro de 3 puntos y 10 puntos desde la línea de tiro libre, es decir, anotó 42 puntos en tiros de campo (con valor de 2 puntos) o media distancia, como también se les llama. ¿Y qué con esto? El secreto se llama eficiencia. En ese partido Jordan solo necesito 35 tiros para obtener los 55 puntos, mientras que el resto del equipo anotó 54 puntos tras 43 tiros.

datlas_mx_the_last_dance_mj_nbc

Mapeo de tiros en ese partido, elaborado por la NBC (Puntos rojos: tiros anotados. Puntos azules: tiros errados)

En paralelo, ese año la NBA (National Basketball Association, en inglés) comenzó a registrar datos estimados de ubicación de disparo X-Y. Así es como sabemos que mientras Jordan lideró la liga en anotaciones durante la temporada 1996-1997, terminó siendo el #57 en puntos en la pintura y #54 en tiros de 3 por juego. Nuevamente, el secreto de Jordan fue su dominio del juego desde la media distancia (definido aquí como cualquier intento entre 8 pies del borde y la línea de 3 puntos).

En 1984 cuando Michael fue seleccionado en el draft la NBA era dominada por tamaño y fuerza, 16 de los últimos 20 ganadores al galardón de jugador más valioso (MVP por sus siglas en ingles) eran centros. No había un solo guardia (posición de MJ) que hubiera ganado ese título. Jordan no solo vino a anotar muchos puntos, ganar títulos y llevar a sus colegas al límite, Michael llegó a revolucionar el juego, el dominio de la media distancia fue la clave.

Desde el punto de vista estadístico alguien podría argumentar que quizá esto se debe a la cantidad de tiros que realizaba desde esa distancia, pero Michael fuera de haber sido el más activo realizando este tipo de tiros, también fue el más eficiente. Durante la temporada 1996-1997 Glen “Big Dog” Robinson terminó segundo en el ranking de tiradores de media distancia, anotando 391 tiros. Jordan quedó en primera posición, con 547 tiros, 40% más que su sucesor.

Los datos de tiros revelan dos puntos fascinantes: MJ fue el mejor anotador de su época, pero también un tirador hiper eficiente. Este mapeo de los tiros lo demuestra, los puntos rojos representan una eficiencia superior al promedio de la liga.

datlas_mx_the_last_dance_mj_96-97_shots_percentage

He aquí la “razón” que dan los datos para que se hable con mayor preponderancia de MJ dentro del documental. Sin duda no lo hizo solo, pero si fue la variable más importante para llevar a los Bulls a hacer historia en esa época.

Por otro lado, los datos hablan también de la relevancia de estos “otros factores”. De los 59 jugadores de la NBA que intentaron al menos 300 tiros de media distancia esa temporada, Jordan ocupó el tercer lugar en eficiencia general, alcanzando el 49.5% en más de 1,100 intentos. Solo Chris Mullin y Vinny Del Negro fueron más precisos. Reggie Miller, comúnmente considerado como el mejor tirador de esa época, hizo el 42.4% de sus 484 tiros de media distancia esa temporada. Sí, Miller intentó 484 mientras Jordan anotó 547. En 1997 en la NBA literalmente estaba Michael Jordan y luego el resto.

datlas_mx_the_last_dance_mid_range_shooters_nba

Ahora bien, Mullin jugó con los Warriors de Golden State y Del Negro jugó para los Spurs de San Antonio durante la temporada 1996-1997, pero ninguno de los 2 equipos pudo siquiera calificar a los playoffs. ¿Qué quiere decir esto? Como bien lo dice Michael “…el trabajo en equipo y la inteligencia ganan campeonatos”. Durante los playoffs esa temporada hubo grandes aportaciones por parte de los compañeros de Mike. En la primera ronda contra Washington, en el juego número 3 Tony Kukoc sale de la banca a jugar 26 minutos, contra los 42 minutos de juego de Mike y lográ anotar 4 de 7 tiros de campo terminando con un 57% de eficiencia frente a 44% de Jordan. Durante el juego 6 de las finales Steve Kerr con solo 25 minutos de juego frente a los 43 minutos de MJ registró una eficiencia de 60% en tiros de campo comparada con el 42% de Michael y logró un 50% de tiros de 3 puntos, incluyendo el último triple para poner a los Bulls arriba en el marcador y consolidar la victoria y el titulo esa temporada. En ese partido Jordan tuvo solo 25% de eficiencia en tiros de 3 puntos.

Así que sin duda no se trata solo de Mike, este es un juego de equipo. El mismo da crédito a colegas como Scottie Pipen y Dennis Rodman en multiples ocasiones durante el documental. Los datos muestras incluso como otras personalidades como Kerr y Kukoc aportaron valor en momentos y situaciones claves que lograron consolidar la historia de ese mítico ultimo baile.

datlas_mx_the_last_dance_chicago_bulls_team_1998

Finalmente, no queremos cerrar sin dar un salto al presente y abordar como es que el juego que en 1984 era dominado en la pintura y que tras 1998 fue llevado a la media distancia, durante estos últimos años parece ser un juego en donde todos quieren tirar de 3 puntos. Pero para comparar manzanas con manzanas hemos de tomar a un guardia que también haya ganado múltiples títulos de MVP en los últimos años: James Harden. Quien sea fanático del baloncesto entenderá inmediatamente las diferencias, pero veámoslo desde el punto de vista de los datos: tomemos la ubicación de los tiros de Jordan en sus últimas dos temporadas y pongámoslo al lado de la ubicación de los tiros de James en sus últimas dos campañas.

datlas_mx_the_last_dance_mj_james_harden_shot_locations

Interesante, ¿no? así es como descubrimos la versión que cuentan los datos acerca de la historia de la NBA, de Michael Jordan, los Bulls de Chicago y la forma en que se jugaba baloncesto en esa época. El último baile no fue solo Jordan, fue un poco de todo, pero el catalizador fue sin duda Mike. La forma en que revolucionó el juego será una marca imborrable. Su aportación fuera de la cancha hizo también que el deporte, la imagen y la relevancia de la liga creciera de manera exponencial. Sin duda una historia digna de película, pero con un reparto tan importante como el protagonista.

Hasta aquí la columna de hoy, ¿ya viste The Last Dance? Cuéntanos tu opinión en nuestras redes sociales

@DatlasMX

 

Fuentes:

Sports Analytics: el nuevo MVP (jugador más valioso)

Durante los últimos años hemos estado escribiendo acerca de las distintas aplicaciones que tiene el análisis de datos. Desde los negocios hasta la música, las iniciativas sociales y muchas otras facetas más. En esta ocasión vamos a hablar del nuevo jugador más valioso en los deportes, una de las aplicaciones más populares del análisis de datos en los últimos años, los famosos Sports Analytics o analítica deportiva, es decir, el análisis de datos aplicado en los deportes. También puedes consultar nuestro blog anterior en donde hablamos de algunas aplicaciones y eventos de sports analytics. ¿Qué es? ¿Cuándo empezó todo esto? ¿Realmente que relevancia tiene en los resultados? Y ¿cómo pinta el futuro para esta industria? Es algo en lo que estaremos profundizando el día de hoy. Quédate al final y entérate de una noticia que tiene que ver con Datlas y los Sports Analytics.

free_Suscriber

Para comenzar lo más importante es tener una definición general de ¿qué son los sports analytics? Y es que, como su nombre lo dice, se refiere al análisis de las estadísticas relevantes e históricas buscando generar una ventaja competitiva para un equipo o un deportista en lo individual. A través de la recopilación y el análisis de estos datos, la analítica deportiva provee información a los jugadores, entrenadores y demás personal para facilitar la toma de decisiones antes, durante y después de los eventos deportivos.

Si bien esta es una práctica que ha tenido sus inicios hace más de 10 años, la realidad es que el término como tal de “sports analytics” se volvió famoso en la cultura deportiva después del lanzamiento de la película Moneyball en el 2011. La película está basada en el best-seller de Michael M. Lewis del 2003 “Moneyball: The Art of Winning an Unfair Game” que cuenta la historia acerca de la temporada 2002 de los Oakland Athletics, el equipo de beisbol de Oakland California, donde el Gerente General Billy Beane (interpretado en la película por el actor Brad Pitt) utiliza la analítica deportiva para construir un equipo competitivo con presupuesto mínimo. Si no has visto la película te recomiendo que aproveches esta cuarentena y la pongas en tu lista. Sin ánimos de arruinarte el final (spoiler alert) los resultados que los A´s lograron esa temporada fueron impresionantes. Tan solo al inicio de la temporada se posicionaron 10 juegos por detrás del líder de la división. Tres semanas después ya estaban a solo 4 juegos del primer lugar. Dos meses después el equipo comienza una impresionante racha ganadora que termina con 20 juegos al hilo. Eventualmente los A´s logran conquistar el titulo del oeste, pero pierden la serie mundial frente a Minnesota.

datlas_mx_sports_analytics_moneyball_movie

Aun así, muchos escépticos dirán que el caso de los A´s es uno en un millón y que, estadísticamente hablando, hace falta una mayor muestra para comprobar que el método realmente funciona. Precisamente tras la impresionante historia de Oakland, otros equipos comenzaron a invertir en sports analytics. Algunas franquicias como los Mavericks de Dallas en la NBA, las Águilas de Filadelfia en la NFL y los Boston Red Sox en la MLB son considerados como los equipos más sabios y con más inversión en analítica deportiva. De hecho, los Red Sox, que no ganaban la serie mundial desde que intercambiaron a Babe Ruth a los Yankess de Nueva York en 1918, lograron coronarse en 2004 y 2007 después de integrar analítica deportiva en su toma de decisiones.

Ahora bien, cualquiera de nosotros entiende que el deporte es más que solo el evento deportivo, es decir, que el éxito o fracaso depende tanto de la manera en la que se desempeñan durante el partido, pero también la forma en la que se preparan previamente y la forma en la que aprenden posteriormente al partido. De esta forma hablaremos de los 2 aspectos claves de la analítica deportiva: el análisis en campo y el análisis fuera del campo.

datlas_mx_sports_analytics_nfl

Por un lado, la analítica en el campo se enfoca en mejorar el rendimiento de los equipos y jugadores en el terreno de juego. Profundiza en aspectos como las tácticas de juego y la aptitud del jugador. Un ejemplo claro de este tipo de analítica es el de la selección de futbol alemana que en 2014 dejó al mundo enmudecido después de propinarle a Brasil una de las derrotas históricas más humillantes en la historia del futbol al ganarle 7-1 durante la semifinal de la Copa Mundial que ese año se disputaba precisamente en Brasil. ¿Cuál fue el secreto de Alemania? Mientras otros equipos tenían a un analista de video y desempeño, la selección alemana usó un software de analytics llamado Match Insights que convertía el video de 8 cámaras alrededor del campo en indicadores claves de desempeño como velocidad de los pases, promedio de posesión de balón, velocidad y distancia recorrida, posicionamiento y numero de toques al balón. Todos estos datos fueron habilitados al equipo directivo, entrenadores y hasta los jugadores a través de una aplicación móvil. Los movimientos de sus oponentes se convirtieron en personas, simulaciones y gráficas, lo que hizo que la aplicación fuera tan fácil e intuitiva como un video juego. La cantidad de información analizada fue enorme, el mismo gerente de la selección mencionó que 10 jugadores pueden producir 7 millones de datos en tan solo 10 minutos. Pero si crees que el análisis de datos que uso Alemania se limito a los partidos de la Copa Mundial, te quedaste corto, porque esta gran hazaña comenzó 2 años antes de la Copa del Mundo cuando estudiantes de la Universidad Deportiva de Cologne Alemania extrajeron datos de numerosos videos acerca del acerrimo rival de Alemania en aquella semifinal, descifrando patrones que reportaron ser una pieza clave en la preparación del equipo para esa Copa Mundial. La habilidad de Alemania para desmantelar la defensa de Brasil fue extraordinaria.

datlas_mx_sports_analytics_germany_brazil_7_1_world_cup_2014

Por otro lado, tenemos la analítica fuera del campo que se ocupa del lado comercial de los deportes. Esta enfocada en ayudar a una organización deportiva a través de datos que ayuden a aumentar las ventas de boletos y mercancías, mejorar la participación de los fanáticos, etc. El objetivo final es el crecimiento y aumentar la rentabilidad. Un ejemplo de este tipo de analítica es el más reciente lanzamiento de los Vaqueros de Dallas titulado “Pose with de Pros” (posa con los profesionales). Tras un extenso análisis de datos acerca de los aficionados y su experiencia dentro del estadio, la franquicia y AT&T unieron esfuerzos para crear, desarrollar y ejecutar una aplicación de realidad aumentada que permite a los fanáticos tomarse una fotografía con sus jugadores favoritos. Localizados dentro del estadio estos kioscos te permiten no solo tener tu selfie sino compartirla vía redes sociales gracias a la tecnología 5G habilitada por AT&T.

datlas_mx_sports_analytics_dallas_selfie_pros_stadium_at&t

Finalmente, hemos de reconocer que el análisis de datos se ha vuelto uno de los prospectos a convertirse en el nuevo jugador más valioso del deporte. Frente a un panorama de incertidumbre como la pandemia del COVID-19 incluso en los e-sports la analítica ha tenido un rol cada vez más relevante. Si te gustan los deportes, los datos o incluso ambos, esta es un área de oportunidad enorme para que puedas realizar tu vida profesional. De hecho, nos complace anunciarles qu en el siguiente episodio de nuestro podcast Café de Datos tendremos un invitado especial que se dedica a inteligencia deportiva con uno de los clubes más ganadores de la última década y con el que estaremos platicando acerca de Sports Analytics, como se vive en México, las grandes tendencias y formas en las que está revolucionando el deporte a nivel mundial. Si esta columna se te hizo interesante, espera a escuchar este próximo episodio que será mucho mejor.

Caso_Blog_Podcast_E1_FF

Sin más, nos leemos en la próxima entrada. No dejes de compartirnos tu opinión en nuestras redes sociales.

@DatlasMX

La mutación de los deportes y la mercadotecnia ante el COVID-19

Desde hace más de un mes hemos estado hablando y escribiendo acerca del COVID-19 y las distintas formas en que la pandemia ha presentado retos en nuestra vida diaria y la forma en la que se hacen negocios en algunas industrias. También hemos mencionado que los tiempos de “crisis” deben ser percibidos como oportunidad y durante esta columna estaremos profundizando precisamente en el impacto que ha tenido esta pandemia en los deportes y la mercadotecnia asociada a ellos, para resaltar algunas de las formas en las que estas actividades han mutado, quizá para siempre, para adaptarse a este “nuevo normal”.

free_Suscriber

Comencemos con algo de contexto. A pesar de que el primer caso de COVID-19 se identificó en diciembre del 2019, no fue sino hasta el 11 de marzo de 2020 que la Organización Mundial de la Salud (WHO, por sus siglas en inglés) la declarara una pandemia. Tan solo 24 horas después, el 12 de marzo comenzó el impacto en la industria deportiva. Ese mismo día la NBA (National Basketball Association) canceló su temporada debido a que 2 jugadores del Jazz de Utah dieran positivo en la prueba de COVID-19. De esta forma comenzaba todo un efecto dominó que en un par de días ya sumaba a la Liga Premier de Inglaterra y la Formula 1 como desaparecidos del calendario. A pesar de que la lista se iba haciendo cada vez más grande, los golpes duros comenzaron a llegar cuando se anunció la cancelación de las Olimpiadas de verano a llevarse a cabo en Tokyo. Mientras que para las grandes compañías todavía hubo oportunidad de reagendar y mover algunas de sus inversiones en mercadotecnia, para algunas marcas que apostaron $10,000 dólares en un solo deportista esto representó un riesgo inminente de debacle.

datlas_mx_covid19_tokyo

El gran impacto que sacudió a toda la industria fue la cancelación del March Madness, el torneo de baloncesto colegial de la liga americana NCAA (National College Athletic Association). Y es que la relevancia de este gran evento masivo tuvo un efecto resonante en la industria de los medios de comunicación. El March Madness habría sido cubierto por CBS y sus socios – alrededor de un 80% de lo $1.05 billones de dólares del presupuesto anual de la NCAA provenía de los que estos medios pagan por presentar el evento vía TV y en línea. Sin mencionar que las implicaciones para anunciantes y mercadotecnia se estimaban superiores a los $1.126 billones de dólares gastados en mercadotecnia durante la edición 2019 del torneo. Tan solo este evento generó aproximadamente $968 millones de dólares en ingresos por mercadotecnia. Los spots (comerciales) costaban alrededor de $60,000 y $75,000 dólares en las primeras rondas y un espacio en la gran final se disparaba hasta los $950,000 dólares.

datlas_mx_covid19_march_madness

Así que entre tanta turbulencia ¿Dónde se esconden las oportunidades? Para esta “crisis”. Sin duda la reacción intuitiva para algunos de los equipos y de las mismas marcas patrocinadoras como la cervecera Anheuser-Busch (dueña de la cerveza Corona) fue mover sus presupuestos de mercadotecnia de deportes a iniciativas sociales y sin fines de lucro para apoyar al combate del COVID-19.

Por otro lado, aquellos que buscan aún conectar con fanáticos del deporte se han trasladado a la apenas naciente pero exponencialmente creciente industria de los e-sports (o deportes electrónicos). Sin duda los CMO (Chief Marketing Officers, por sus siglas en inglés) podrán encontrar justificación en la similitud de las características entre los fanáticos tradicionales del deporte en vivo y aquellos de los deportes en línea, pero existe un reto muy claro que es el tema de la edad. La demografía de los perfiles que hoy se están volcando a los deportes en línea son más jóvenes, lo que hace que las marcas comiencen a cuestionar y ajustar sus expectativas de retorno de inversión ante un escenario en donde los espectadores mayores, con ingresos y poder de compra superior, hoy están siendo parcialmente sustituidos por fanáticos más jóvenes con otros esquemas de gasto y consumo. Asimismo, los medios están invirtiendo y dando mayor cobertura a eventos complementarios al espectáculo deportivo como, por ejemplo, el periodo de agencia libre de los jugadores de la NFL (National Football League, por sus siglas en inglés).

datlas_mx_covid19_3d_sports

Finalmente, hay algunas iniciativas innovadoras como OpenSponsorship, una plataforma diseñada para automatizar el proceso de emparejamiento para atletas e influencers con marcas. Estos patrocinios podrían ser tan simples como apoyar a los atletas que muestran sus técnicas de entrenamiento en casa a través de las redes sociales, por ejemplo. Otras opciones incluyen nuevas empresas como AR-51, que podría permitir a los atletas que han resultado negativos para COVID-19 ser filmados en un pequeño juego de baloncesto de tres contra tres que los consumidores podrían ver como un holograma en 3-D.

Así que ya lo saben, cada puerta cerrada abre un par de ventanas de oportunidad para innovar. Cuéntanos tu como estas innovando en tu industria y ¿Qué opinas de las nuevas tendencias en deporte y mercadotecnia?

Escríbenos en @DatlasMX

Análisis de mercado con Inteligencia Artificial

Esta mañana tuvimos la oportunidad de realizar un Webinar Gratuito acerca de como estamos usando inteligencia artificial para realizar análisis de mercado de una forma ágil y sencilla aprovechando la gran cantidad de información disponible. Presentamos a Laura, nuestra asistente virtual. Si no tuviste oportunidad de asistir ¡no te preocupes! en esta columna te vamos a contar un poco de lo que estuvimos viendo. Si te interesa aprovechar nuestros Webinars gratis no olvides suscribirte en nuestra página web.

free_Suscriber

En primer lugar, comenzamos por definir el concepto de inteligencia artificial (I.A.). Sin duda no es un termino ajeno hoy en día, sino al contrario, se ha puesto tan de moda que muchas personas lo han escuchado, pero pocos saben con exactitud que es a lo que se refiere. La definición de Bill Bulko es una de nuestras favoritas: “La inteligencia artificial es el arte de hacer que las computadoras se comporten como aquellas que vemos en las películas”. Sin duda no es una definición académica, pero se acerca mucho a la realidad, sobre todo en años recientes donde hemos visto numerosas películas que tratan este tema. La realidad es que una definición más científica define la inteligencia artificial como un “programa de computación diseñado para realizar determinadas operaciones que se consideran propias de la inteligencia humana, como el autoaprendizaje”

datlas_mx_webinar_laura_IA

Ahora bien, la inteligencia artificial no es algo que haya nacido ayer, como dicen. Este tipo de programas computacionales tuvo sus inicios en los años 50´s con el famoso Alan Turing y su test para identificar si una computadora es capaz de “pensar como un ser humano”. Lo que también es verdad es que en la época de Alan Turing el término inteligencia artificial no existía siquiera, fue hasta 1956 que John McCarthy acuña el término y se comienza a utilizar. A lo largo de estos más de 60 años esta tecnología ha evolucionado desde los primeros chatbot, robots, hasta IBM Deep Blue que logró vencer al campeón de ajedrez. Esto nos lleva a otro punto importante, dentro de la inteligencia artificial existen distintos tipos o subgrupos dentro de los que destacan precisamente la robótica, los sistemas expertos, el procesamiento de lenguaje natural, visión computacional y machine learning. En este caso nosotros nos enfocamos en este último subgrupo mencionado: machine learning, que en su definición simple se entiende como “el estudio de los algoritmos computacionales que mejoran a través de la experiencia”

datlas_mx_webinar_laura_machine_learning

Después de esa rápida introducción al tema de inteligencia artificial es momento de platicar un poco del proceso que se lleva a cabo para poder generar este algoritmo que nos ayuda finalmente a realizar los análisis de mercado de forma automática. Para ello nosotros hemos personalizado y adaptado la técnica académica de CRISP-DM a la metodología Datlas y la hemos bautizado como Laboratorio de Datos. Este proceso consta de 6 actividades claves:

  • Extracción
  • Integración
  • Clasificación
  • Visualización
  • Entrenamiento
  • Reporteo

datlas_mx_webinar_laura_crisp_dm

Durante la primera fase del proceso lo que hacemos es todo el trabajo de minería de datos, es decir, nos conectamos a las diversas fuentes de información abierta, públicas, privadas y, de ser necesario, integramos también datos internos del cliente.

Pasando a la segunda etapa de integración, lo que sucede es que aquellas diversas fuentes de información y datos que ya tenemos se organizan y se “traducen” para lograr homologarlos bajo un mismo “idioma” que en nuestro caso es el componente geográfico o la georreferencia como le llaman técnicamente.

Enseguida viene la parte de clasificación, que muchas veces es uno de los pasos más subvaluados pero es de los más importantes porque es en esta parte en donde pasamos de los simples datos y de la información a la preparación de la interfaz de usuario, al diseño centrado en el consumidor final. La clasificación nos sirve para poder entregar datos a nivel agregado o a nivel granular dependiendo de su relevancia, por ejemplo: si tenemos datos de los check-ins en redes sociales, en esta fase es donde decidimos mostrarlos a través de mapas de calor clasificados por tipo de actividad, en vez de mostrarlos quizá como una masa de puntos individuales dentro de una geografía.

Una vez clasificado todo, pasamos a la parte del cifrado visual en donde elegimos las distintas maneras de presentar la información y se termina de gestar todo ese diseño que se planeo en la parte de clasificación.

Finalmente llegamos al penúltimo paso que es el de entrenar el algoritmo. En este punto es importante entender que cuando hablamos de inteligencia artificial hay distintos tipos de entrenamiento que se pueden ejercer sobre un algoritmo de este estilo. En general se clasifican de dos formas: entrenamiento supervisado y entrenamiento no supervisado.

datlas_mx_webinar_laura_entrenamiento_IA

Cuando hablamos de entrenamiento supervisado estamos básicamente hablando de tomar el set de datos que tenemos, extraer una muestra del 80%, por ejemplo, indicarle a la máquina cual es la variable de respuesta o lo que quiero calcular, estimar o predecir y pedirle que ajuste un modelo con esas variables. A partir de esto se usa el 20% restante de los datos para probar su asertividad del modelo y se realizan ajustes iterando esta práctica. Por otro lado, el aprendizaje no supervisado es aquel que permite a la maquina “deducir” o aprender a partir de un set de datos sin decirle exactamente que variable de respuesta esperamos o que tipo de ejercicio se quiere realizar. Para ponerlo en perspectiva, en 2016 Microsoft utilizó un entrenamiento no supervisado para generar su chatbot Tray y lo puso a aprender por si solo en base a las conversaciones e información de redes sociales. Este tipo de experimento resulto un tanto controversial ya que Tray se volvió racista y extremista debido a la exposición que tuvo a gran cumulo de datos e información de esta índole. En nuestro caso claramente, por el contexto de negocios utilizamos un aprendizaje supervisado.

free_Suscriber

Finalmente terminamos la sesión platicando acerca de un caso aplicado que tuvimos con un cliente en Nuevo León que nos planteó el reto de analizar una ubicación en el centro de Monterrey para descifrar cual podría ser el tipo de negocio ideal que pudiera posicionar en esa ubicación que pudiera estar generando un cierto monto de ganancias mensuales. Sorprendentemente cuando Laura realizó el análisis de entorno descubrió que dentro de la dinámica de la zona había un hospital que básicamente fungía como el generador de tráfico más fuerte y que había hecho que la zona tomara una vocación distinta en los últimos años. A partir de este hallazgo Laura fue a realizar un análisis de entorno de los principales hospitales públicos y privados de Nuevo León para derivar un top 10 de negocios que habitualmente se sitúan alrededor de un hospital y contrastarlo contra el entorno que estaba analizando para identificar aquellos tipos de negocios que tuvieran oportunidad de posicionarse en la ubicación definida por el cliente.

De esta forma logramos entregar al cliente 3 opciones de negocio con un cierto nivel de potencial económico que cumplía las restricciones citadas originalmente y ayudarlo a tomar la mejor decisión a través del uso de tecnología y apalancados en la gran cantidad de datos e información disponible actualmente. Si quieres conocer un poco más acerca de esta experiencia te invitamos a ver el video de testimonio de nuestro cliente

datlas_mx_webinar_laura_testimonio_barras_cardan

Finalmente te invitamos a mantenerte en contacto para recibir noticias de los siguientes Webinars y muchas sorpresas más que tendremos para ti. Hasta la próxima.

@DatlasMX

El impacto del COVID-19 en la educación y el auge de las Ed-Tech

“La educación es el arma más poderosa que podemos usar para cambiar el mundo” – Nelson Mandela

free_Suscriber

Es imposible negar que la actual crisis mundial de salud provocada por la pandemia del COVID-19 esta teniendo fuertes impactos económicos y sociales. Los titulares de periódicos, noticieros y hasta redes sociales están tapizados de artículos respecto a estos temas. Pero existe un impacto igualmente sensible, y quizá mucho más relevante por su trascendencia en el tiempo, en el tema de la educación. En esta columna vamos a contextualizar algunos efectos directos que esta crisis ha provocado en el sistema educativo, vamos a hablar de algunas soluciones que se están llevando a cabo en diferentes países y, finalmente, comentaremos acerca de las Ed-Tech (Education Technologies), la manera en la que esta mega tendencia ha acelerado su crecimiento y adopción bajo estas circunstancias y como se ve el futuro cercano con respecto a estas nuevas técnicas de educación.

datlas_covid_edtech_class

El pasado 23 de marzo de 2020 las cifras de la UNESCO estipulaban que más de 1,300 millones de estudiantes de todo el mundo no podían asistir a la escuela o la universidad. Estas cifras se refieren a los alumnos matriculados en los niveles de educación preprimaria, primaria, secundaria, preparatoria y universidad. Más de 1,379,344,914 estudiantes, equivalente al 80% de los estudiantes del mundo están siendo excluidos de las instituciones educativas por cierres en todo el mundo. Otros 284 millones de estudiantes están siendo afectados de alguna manera por cierres a nivel local.

datlas_covid_edtech_grafica_estudiantes

Ahora bien, las instituciones educativas como agentes económicos también tuvieron que generar sus planes de contingencia para mantener sus modelos de negocios y velar por el bienestar de las personas que integran sus organizaciones. Siendo así una de las medidas más populares para combatir esta gran desventaja de no poder realizar la educación de manera presencial ha sido recurrir al aprendizaje remoto a través de diferentes tecnologías: China, Italia, Francia, Alemania y Arabia Saudita han transformado la educación totalmente en línea; teléfonos móviles o televisión en Vietnam y Mongolia, por ejemplo. Además de la infraestructura y la conectividad, la familiaridad de los maestros y administradores con las herramientas y los procesos también son factores clave para proporcionar educación a distancia como lo establece la experiencia de Singapur. Otros países como Líbano envían a los niños a casa con lecciones como tarea. En Bulgaria, se han creado más de 800,000 cuentas para todos los maestros y padres, los editores se han movilizado para abrir los libros de texto digitales y materiales de aprendizaje para los grados 1 a 10, y dos canales de televisión nacionales transmitirán televisión educativa. A medida que más países cierren las escuelas, se necesitará más creatividad. Por ejemplo, la adaptación de las plataformas existentes para su uso en teléfonos inteligentes, y/o el acuerdo con las compañías de telecomunicaciones para eliminar el costo de acceder al material desde un sitio del Ministerio o Secretaria de Educación podría ser parte de los esfuerzos de mitigación.

datlas_covid_edtech_alumno_tablet

En México se está capitalizando una medida que ha existido desde 1968: la televisión educativa. El gobierno ha utilizado Telesecundaria para proporcionar educación secundaria a estudiantes en áreas rurales a través de canales de televisión. Actualmente, el sitio web de Televisión Educativa y la red nacional de televisión educativa brinda acceso a diferentes canales que transmiten televisión educativa en todo México (Telesecundaria, Telesecundaria +, Ingenio TV, Aprende TV, Telebachillerato y Capacita TV) junto con los horarios de transmisión de los mismos. Dentro de la plataforma también se apoya a la formación de docentes con “educación y capacitación digital” utilizando cursos masivos abiertos en línea (MOOC), micro cursos y conferencias en línea.

datlas_covid_edtech_television_educativa_mx

Finalmente, los emprendedores e innovadores han transformado la crisis del COVID-19 en una oportunidad, como mencionamos en nuestra anterior columna, y la han capitalizado dentro de la industria Ed-Tech. Están aprovechando el momento para experimentar con opciones de educación menos intensivas en mano de obra basadas en tecnología. Pero, como señala Audrey Watters, crítica de la influencia del capitalismo y la tecnología en la educación, la educación es mucho más que la simple entrega de instrucción o el dominio de ciertas habilidades. Hay que tener en cuenta cuestiones como la accesibilidad, la privacidad y la seguridad al momento de implementar este tipo de soluciones. Asimismo, es importante tomar en cuenta que las escuelas sirven como centros comunitarios y centros de nutrición, así como espacios seguros para estudiantes y familias que se ven afectados por la desigualdad, la inestabilidad de la vivienda y la inseguridad general con la que muchos viven hoy.

free_Suscriber

Para mejorar el aprendizaje en el aula y hacer que la experiencia educativa sea más significativa para los estudiantes, las escuelas y las Ed-Tech deben unirse. Las escuelas deben adoptar constantemente soluciones de aprendizaje en línea junto con el enfoque tradicional del aula. Las soluciones digitales como el aula invertida, que se centra en la participación de los estudiantes, el aprendizaje activo y los sistemas de gestión del aprendizaje, y crea un entorno de aprendizaje colaborativo y mantiene a todos los interesados, incluidos los maestros, padres y estudiantes conectados, harán que el aprendizaje sea más inclusivo.

Cuando las cosas vuelvan a la normalidad después del COVID-19, es probable que la industria educativa sea impulsada por las plataformas Ed-Tech, haciendo que la educación sea más accesible para los estudiantes. Tales soluciones aseguran que los estudiantes aprendan, a pesar de cualquier obstáculo, e incluso cuando no pueden ir a la escuela. Además, las plataformas digitales son una herramienta para que los maestros hagan que el aprendizaje sea más interesante e inclusivo y lleven a cabo tareas académicas con mucha facilidad.

Gracias por leer la columna de hoy, te invitamos a contarnos como se vive este cambio educativo en tu comunidad a través de nuestras redes sociales.

@DatlasMX

Un plan para iniciar en E-commerce en tiempos de cuarentena (E-commerce, Podcasts, entre otros) – Datlas Research

Otra semana más de cuarentena, pensamos que podemos demorar un mes en que todo el tema de distanciamiento social nos juegue. O dos, o tres. Mientras tanto las reglas del libre mercado y oferta-demanda comienzan a cobrar más fuerza. Los denominados “brick – mortars” y las marcas de modas han quedado perplejas ante el efecto dominó de la pandemia en sus estados financieros. Primero las contracciones en las bolsas de valores, luego las empresas, los empleos y finalmente las carteras y el abasto familiar de las personas. Pero ¿Esta es la realidad de todas las industrias? ¿Hay excepciones? ¿Habrá un canal más adecuado?

Datlas_barra_suscribir

En la nueva economía que nos espera probablemente se cumplan los principios de “Darwin”, nos referimos a la selección natural. Si vinculamos esta lógica al efecto de la pandemia en la economía podemos poner atención en la importancia que están tomando los canales digitales, la cantidad de emprendedores y empresas que hoy, con urgencia, quieren sumarse a un canal digital y los cambios de hábito en el nuevo consumidor.

Datlas_QueApuro_TransformacionDigital
¿Quién lideró la transformación digital en tu compañía?                                             A) Director(a) General ; B) Director(a) de Tecnologías; C) COVID-19

En esta columna  hablaremos sobre cómo los canales digitales, particularmente en “e-commerce” se han destacado entre otros canales de venta por la casi carente necesidad de interacción social en sus transacciones. Daremos algunas ideas para tomarte más enserio los negocios en línea y cómo el análisis de datos te puede ayudar a llegar a las metas de forma más rápida.

Destacados

A continuación, inspirados en el reporte de Stackline que contrasta la variación de categorías transaccionadas por canales “e-commerce” de Marzo 2020 contra Marzo 2019 presentamos algunos resultados interesantes.

A continuación el nombre de la categoría acompañada de la cifra de variación en %.

Top 20 de categorías con más crecimientos durante COVID-19

  1. Guantes desechables +670%
  2. Máquinas de Pan +652%
  3. Medicionas para la tos o resfríado +535%
  4. Sopas +397%
  5. Granos y arroz seco +386%
  6. Comida empacada +377%
  7. Copas de frutas +326%
  8. Equipo para entrenamiento (pesas) +307%
  9. Leche y crema +279%
  10. Insumos de limpieza para trastes +275%
  11. Toallas de papel +264%
  12. Jabón de manos y sanitizador + 262%
  13. Pasta +249%
  14. Vegetales +238%
  15. Harina +238%
  16. Toallas faciales +235%
  17. Medicina para alergias +232%
  18. Salud para la mujer +215%
  19. Cereal +214%
  20. Generadores de poder +210%

Top 20 de categorías con mayor caída durante COVID19

  1. Maletas y equipaje -77%
  2. Maletines -77%
  3. Cámaras -64%
  4. Trajes de baño para hombres -64%
  5. Ropa de novia -63%
  6. Ropa formal de hombres -62%
  7. Trajes de baño para mujeres -59%
  8. Playeras de neopreno para agua -59%
  9. Zapatos atléticos para hombre -59%
  10. Bolsas de gimnasio -57%
  11. Mochilas -56%
  12. Equipo de buceo -56%
  13. Trajes de baño para niñas -55%
  14. Equipamiento para béisbol -55%
  15. Artículos para fiestas y reuniones -55%
  16. Equipo de protección para motociclismo -55%
  17. Bolsas para cámaras -54%
  18. Vestidos y trajes para dama -53%
  19. Botas para mujer -51%
  20. Bastidores de carga para autos -51%

Más ejemplos del reporte completo de Stackline:

El pase de diapositivas requiere JavaScript.

Atributos importantes

No sólo se trata de arrancar una tienda porque conozco a X o Y persona que me puede proveer a buen precio cierto producto. Al menos hay que dedicarle un par de días a la ideación y sobre todo a las selecciones técnicas.

¿Me conviene más subirme a un canal existente o crear el mío?

La respuesta es depende. Si tienes una marca con reconocimiento local o nacional vale la pena hacer tu propia apuesta. Una marca de juguetes muy conocida en Estados Unidos “Toys R Us” tomó la decisión de depender de Amazon como su canal principal digital. Durante un tiempo tenían ciertas primicias y exclusividades para algunas categorías. Conforme Amazon subió su dominio en la arena comercial, tanto físico y digital, fueron integrando competidores y proveedores directos de juguetes. De pronto Toys R Us cayó en ventas en canales digitales y hace un par de meses quebró. Hay que tomar en cuenta que una marca puede diversificar su presencia digital, por lo tanto tendrá que planear qué reglas define en canales físicos, en canales digitales y en canales de terceros.

El pase de diapositivas requiere JavaScript.

Por otro lado si eres un nuevo entrante es recomendable sumarte a canales como Mercado Libre, Amazon, Ebay, Linio, entre otros que podrán educarte un poco en la dinámica del negocio en línea, conectarte con pasarelas de pagos importantes así como protegerte de los contracargos.

¿Cuál plataforma es la indicada para iniciar si quiero hacerlo por mi cuenta?

El pase de diapositivas requiere JavaScript.

Hay que entender que hay distintos roles en el e-commerce. Hay jugadores que solamente juegan en la arena digital. Algunos híbridos, es decir, lo que catalogues en lo digital tiene potencial de que termine en un anaquel físico. Otros preparados para exportar, otro responsables de la logística e inventarios. En toda esta mezcla la recomendación sería atender los puntos de la venta que más están en tu control y con base a esto escoger la plataforma.

  • Adquirir insumos o productos a bajo precio (En tu control)
  • Importarlos o prepararlos para revender (Usa terceros)
  • Preciar, catalogar y promocionar en canales digitales (En tu control)
  • Entregas y logística (Usa terceros)
  • Atención al cliente (En tu control)
  • Reseñas y calificaciones (Usa terceros)
  • Devoluciones (Usa terceros)
  • Pasarelas de pagos y protección de contracargos (Usa terceros)

Con una ecuación como esta podrías tener el potencial de vender productos marginando cerca de 50%-60% dependiendo la capacidad de descuento por volumen que obtengas. Si te gusta esta propuesta de valor te resultará interesante explorar plataformas como: Ecwid, Shopify y/o Magento.

Datlas_barra_suscribir

Y la analítica ¿Dónde? ¿Cuándo?

Una tienda física tiene más de 14 puntos de recolección de datos. Estos postulados los hacemos en nuestras conferencias tratando de sensibilizar a las y los dueños de negocios acerca de como pueden capitalizar datos. En el mundo virtual hay una infinidad de puntos dependiendo las herramientas que utilices. Algunos journeys son:

  • Análisis de datos para seleccionar las categorías que conviene vender. Te recomendamos revisar la página https://camelcamelcamel.com/
  • Análisis de facebook ads y promocionales en tus publicaciones para ver qué segmento de audiencia tiene más enganche con tus post
  • Google analytics cuando nuestro cliente visita la página web podemos conocer su demografía, gustos, preferencias, comportamiento en el sitio web y desarrollar mejoras
  • En el catálogo de los productos que ofreces, podrías monitorear en tu plataforma como shopify o ecwid qué precios son los que mejor tracción tienen en tus productos
  • En el momento de entrega ¿Qué proveedor de logística tarda menos? ¿Cuál te cobra menos?
  • Entre otros…

Te invitamos a conocer nuestro caso de análisis de e-commerce en este vínculo:

Reflexión final

Durante el resto del año, tal como lo hemos comentado en nuestros webinars, continuará siendo una temporada dura en el sentido económico. Hay que continuar buscando nuevas tácticas para mantener a flote nuestros negocios y nuevas líneas de ingreso. El e-commerce es una buena opción, tomará un tiempo en aprender, pero una vez dominado sin lugar a duda será una habilidad digital que te servirá toda la vida.

Por nuestra parte, desde Datlas, recuerda que estamos aqui para aportarle ese granito de arena con la analítica para que tus operaciones sean eficientes, detectes y reacciones rápidamente a nuevas líneas de ingreso y no pierdas dinero en el intento.

Hasta aqui la columna de hoy, te invitamos a escuchar nuestro podcast “Café de datos” para continuar aprendiendo de analítica. Recuerda compartir y difundir este blog con tus colegas que seguramente han tenido ganas de abrir una tienda, pero no se han atrevido.

Equipo Datlas

-Keep it weird –