Archivo de la etiqueta: análisis de datos

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

Lo que esconden tus datos: Análisis de CRM para mejorar precios, catálogos, marketing y ¡más!

La vida de un negocio son sus ventas. La complejidad es que las ventas son tanto arte como ciencia. Uno de los retos más comunes cuando trabajamos con empresas o grandes corporativos es el descifrar la fórmula para construir una estrategia comercial exitosa. Sin duda en estos tiempos esa fórmula se vuelve dinámica ante las circunstancias y son muchos los elementos a configurar. Por suerte la materia prima detrás de toda la parte “científica” de esto se encuentra en nuestro elemento favorito: los datos. En esta entrada vamos a platicar acerca de las distintas formas en las que los datos comerciales y de tu CRM se pueden usar para capitalizar mejoras en precios, catálogos, marketing, programas de descuentos y mucho más.free_Suscriber

Antes de comenzar es crucial entender un poco de historia. La gestión de la relación con clientes ha sido uno de los componentes más antiguos de los negocios. La infalible pluma y papel fueron suficiente en su momento para llevar el registro básico de las ventas y los clientes. En los años 50´s llegó el famoso Rolodex (se vale buscar en Google, yo también lo descubrí recientemente) que ofrecía la capacidad de girar los registros mientras añadías nuevos clientes y actualizabas la información de otros ya existentes. El siguiente gran paso se da a inicios de los 80´s cuando llegan las bases de datos a revolucionar el proceso de consolidación de la información de los clientes, aunque a finales de esa década el aprovechamiento de estas bases de datos era aún limitado, figuraba tan solo como un directorio o Rolodex digital, con pocos insights y casi nulas interacciones de la compañía con sus clientes. Hasta inicios de los 90´s comienza la automatización de los procesos de ventas y justo en 1995 se acuña el termino Customer Relationship Management o CRM, por sus siglas en inglés. A partir de esa década comienza la profundización en los análisis y una gestión mucho más detallada e inteligente de la relación con los clientes.

El pase de diapositivas requiere JavaScript.

Ahora bien, el CRM perse es una herramienta tecnológica pero su punto de partida, como en todo, son los datos que se alimentan en él. En este sentido la primera etapa importante antes de analizar los datos comerciales y de CRM es precisamente generarlos. Dentro de esta etapa de recolección de datos es importante establecer los procesos de negocio en donde interactúas con tu cliente y se abre la posibilidad de ese intercambio de datos o de información. Asimismo, es crucial que como negocio definas los datos “necesarios” y los datos “deseados” que buscas obtener de tus clientes para poder comenzar a llenar este CRM. Finalmente, debes establecer una mecánica de incentivos para poder propiciar de manera natural y benéfica para ambas partes el hecho de compartir estos datos.

Vamos a aterrizarlo en un caso de negocio. Eugenio, uno de nuestros clientes dentro de la industria energética, nos pidió apoyo para generar su estrategia go-to-market de su nuevo panel solar. Esta claro que analizamos sus datos comerciales y de su CRM, pero lo interesante aquí es resaltar los 3 atributos que mencionamos en el párrafo anterior. Eugenio tenia claro que uno de sus procesos de negocio mas importantes era el hecho de la interacción del cliente en su página web, dado que por la naturaleza del producto y el servicio que lo acompaña, el anaquel digital resultaba muy relevante. Después estableció que los datos que necesitaba obtener del cliente eran su ubicación y el consumo promedio de luz, aparte de los datos de contacto. Fue así como se le ocurrió armar una “calculadora de ahorro” dentro de su sitio web como un incentivo para que el cliente pudiera compartir estos y otros datos a cambio de un beneficio directo que era el calculo del monto estimado de ahorro que podía obtener con el nuevo panel solar que se estaba ofreciendo.

datlas_mx_blog_crm_customer_master_data_management-01

Hasta aquí se ha logrado establecer una dinámica para obtener los datos, el paso siguiente es precisamente adentrarnos en los datos. Cuando estamos analizando datos comerciales y de CRM es importante hacer un diagnostico y establecer el inventario completo de variables con el que vamos a estar trabajando, es decir, a pesar de que para un negocio un medio de contacto sea el teléfono, para otro podrá ser el correo electrónico o incluso ambos. En este sentido el punto de partida es entender muy bien la base de datos, las variables con las que vamos a estar “jugando” y comenzar a establecer algunas categorías de datos como, por ejemplo: perfil, canal fuente, dinámica. En el caso de Eugenio por ejemplo cuando hablamos de la categoría perfil estamos agrupando todos los datos que hablan del cliente como, por ejemplo: su nombre, su correo, su teléfono, el lugar donde vive, etc. Cuando hablamos de canal fuente estamos hablando de la forma en la que conoció y se entero de la empresa, como llego, si tuvo algún costo esa publicidad por la que se enteró, etc.

Finalmente, en la categoría de dinámica es necesario hacer una profundización todavía más importante ya que nos referimos a los datos que distinguen y diferencian a los clientes a lo largo de las etapas del proceso o ciclo de ventas. En este caso cuando hablamos de proceso o ciclo de ventas es relevante comprender la metodología que esta utilizando el negocio. Sabemos que existe mucha literatura, estudios y propuestas acerca de ventas, procesos y ciclos, algunas de 5 pasos, 7 etapas, 9 fases, etc. Aquí lo esencial es entender la forma en la que el negocio distingue entre un cliente que esta en la etapa 1 y como es que pasa a estar en la etapa 2, por ejemplo. En el caso de Eugenio, ellos tenían una gestión muy sencilla con 3 grandes etapas: lead, prospecto y cliente (o venta). En su equipo definieron un lead como todo aquel individuo que haya mostrado interés en su producto a través de compartir su información. Esa persona no podía pasar a la etapa de prospecto si no habían ocurrido 3 cosas: había entrado en contacto con un representante de ventas, había aceptado que se le generara una cotización y ya se le había generado y comunicado esa cotización. Finalmente se convertía en cliente (o venta) una vez que aceptada dicha propuesta o cotización y se generaba la factura de venta. De esta manera, se logra una claridad en cuanto a los datos que permite entender a quien realiza el análisis donde buscar y que datos utilizar al momento de atacar los distintos retos o hipótesis que se planteen al inicio del ejercicio.

El pase de diapositivas requiere JavaScript.

En cuanto se tiene claro los datos y las estructuras del CRM y la información comercial es momento de apalancarla para atacar los retos del negocio. En este caso, por ejemplo: mejorar precios, catálogos, marketing y programas de descuentos.

En el caso de mejoras o cambios en precio, tomando como ejemplo a Eugenio y su negocio, es de suma importancia poder apalancar los datos que tienen que ver directamente con la conversión, es decir, con la parte del proceso en el que pasa de prospecto a cliente. Lo que se hace aquí es agrupar a aquellos individuos que hayan tenido como principal indicador de “no conversión” un tema del precio y utilizar los datos del CRM para generar una segmentación. Ahora bien, cuando nos referimos a segmentación no estamos hablando del típico hombre/mujer, edad, etc. Sino un tema de necesidades, es decir, hay que descifrar que nos pueden decir los datos acerca de la necesidad o el beneficio percibido por el cliente en contraste con el precio. Por ejemplo, en el caso de Eugenio, ellos tenían claro el consumo promedio, con lo que pudieron hacer un análisis y encontraron una correlación entre consumo promedio y el precio estándar del nuevo panel, de tal forma que se dieron cuenta que para el punto de precio del nuevo panel el segmento de clientes al que debían dirigirse se distinguía por tener una necesidad de ahorro a partir de cierto consumo. ¿Y eso que con el precio? Precisamente estos insights permitieron que se buscaran alternativas para generar productos con un punto de precio más bajo para ese segmento detectado o incluso explorar alternativas como financiamientos, arrendamientos o planes de pagos que pudieran tener un impacto indirecto en la percepción del precio por parte del cliente.

datlas_mx_blog_crm_pricing

Por otro lado, en el tema de mejoras al catálogo de productos el acercamiento al reto debe darse de forma distinta. Retomando el ejemplo de Eugenio y su negocio, para este punto estaríamos enfocándonos en analizar los datos dentro de las etapas de lead y prospecto, para destacar cuales fueron aquellos productos en los que las personas mostraron más interés. Igualmente cabe la posibilidad de una segmentación por necesidades. Si analizamos, por ejemplo, las palabras claves o los anuncios utilizados en las campañas de generación de leads y las cruzamos con términos relacionados nos podríamos dar cuenta, como Eugenio, que existe un particular segmento de clientes que no solo está interesado en paneles, sino que en el contexto de su búsqueda esta preocupado por el medio ambiente, busca alternativas de energía sustentables, renovables, etc. De tal suerte que pudiera explorarse, haciendo quizá un A/B testing, la forma de incluir dentro del catalogo de productos unos focos o bombillas de tecnología lead ya que consumen menos energía, iluminan más, etc. De esta forma hay un impacto directo en el catalogo de productos.

datlas_mx_blog_consultoria_crm_catalogo

Finalmente, para el tema de marketing, que sin duda es todo un universo y un mundo en sí mismo, existen bastantes formas de apalancar los datos comerciales y del CRM para enfocar mejor las campañas de mercadotecnia. En el caso de Eugenio, e incluso para nosotros, la información de la fuente desde la que se genero ese lead ha sido muy importante para discriminar entre los distintos canales de difusión y marketing. Igualmente, los datos del perfil del cliente nos han ayudado a definir áreas geográficas, zonas, regiones en donde enfocar puntualmente las campañas. Complementando con el punto anterior y apalancando incluso también información de la fase de cliente (o venta) se pudieran analizar atributos o características claves que el cliente percibe y expresa acerca del producto como para ajustar los mensajes, las frases y los anuncios en términos de lenguaje, beneficios a comunicar y formas de realizar el acercamiento.

Así que estas son algunas de las formas en las que hemos apoyado a nuestros clientes a aprovechar toda la información comercial y de su CRM para generar mejoras que impacten en los resultados de su negocio. Si estas interesado en explorar algo como esto te invitamos a visitar nuestro Marketplace y agendar una sesión con nosotros para platicar al respecto y ver la forma en que pudiéramos ayudarte.

Hasta aquí la columna de hoy, gracias y no dejes de compartirnos tu opinión en redes sociales

@DatlasMX

 

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

¿Cómo convertirte en analista estrella? Usando mapas – Datlas Casos de Uso

Hemos estado relatando los distintos casos de uso de nuestros clientes emprendedores y empresarios, pero hay una clase de clientes de los que no hemos platicado aún y es momento de hacerlo ya que ellos son la razón principal de que Datlas haya podido llegar a los grandes corporativos. En esta ocasión les contaremos la historia de Paulina, una analista junior dentro de un gran corporativo de bienes raíces con presencia nacional y oficinas centrales en Ciudad de México. Pau se dedica a realizar análisis y presentar reportes al equipo de desarrollo, con información relevante para evaluar la posibilidad de construir sobre un terreno u otro, comparando entre varias opciones. Antes de que Pau conociera Datlas su dinámica de trabajo consistía en consultar información de alrededor de 5 fuentes distintas, extraer dichos datos, sacar pantallazos de distintos sitios web, concentrar todo en una presentación y enviarla al equipo. Este proceso le tomaba alrededor de 4 horas para poder completar un solo análisis. Su entregable consistía en una sola lamina de presentación, con una imagen de la ubicación y una tabla resumen con datos como: población total, cantidad de hogares e ingreso promedio de la zona. Un buen día Paulina conoció a Datlas en una conferencia, entró a la página, probó el DEMO GRATIS de la plataforma de mapas y, a partir de ahí, todo cambio.

free_Suscriber

Su experiencia con el DEMO GRATIS le ayudó a darse cuenta de que el mapa Premium de Datlas integraba ya en una sola plataforma la información que ella capturaba de las 5 distintas fuentes. Asimismo, el hecho de partir desde una visualización de mapa le permitía a Pau mostrar una narrativa más homologada desde la imagen hasta el resumen de datos. Para una mejor explicación hagamos el caso rápidamente.

El paso #1 es entrar a tu panel personalizado y acceder al mapa Premium de CDMX. Para esto debiste haber adquirido tu licencia directamente en nuestro Marketplace. Quédate hasta el final y aprovecha el cupón de descuento que tenemos para ti.

datlas_panel_mapa_premium_cdmx

El paso #2 es localizar la ubicación que quieres analizar. En esta ocasión Paulina estaba analizando una zona a las afueras de la ciudad por lo que tuvo que hacer un ajuste antes de realizar su análisis. Entendiendo que su ubicación estaba del lado izquierdo a la carretera y que la carretera es una restricción u obstáculo de acceso, decidió medir la distancia paralela a la carretera para establecer un área rectangular para realizar su análisis.

El pase de diapositivas requiere JavaScript.

Una vez establecido el límite, procedemos al paso #3 que es realizar un análisis de la zona, en este caso mediante un área rectangular.

El pase de diapositivas requiere JavaScript.

Para este punto, Paulina ya tiene mucha más información que tan solo su par de variables iniciales. Es por ello que el paso #4 ella lo bautizó como: extraer hallazgos. De manera ilustrativa esta etapa se pudiera resumir de la siguiente manera:

datlas_mapa_premium_cdmx_hallazgos

Ahora bien, es importante denotar aquí que Paulina comenzó utilizando el mapa Premium dado que ella fue quien invirtió ($$$) de forma personal en la plataforma para poder probarla en su trabajo. Tras los primeros meses de uso Pau les mostró la plataforma a sus superiores y logró que el corporativo le aprobara contratar nuestra modalidad Socios, de la cual les hablamos en este blog anterior. Llegado este punto Pau fue capaz no solo de obtener los datos mostrados anteriormente sino nutrirlo con una capa de información especializada que, para su caso, fue la de nivel socioeconómico.

datlas_mapa_premium_cdmx_hallazgos_nse

Finalmente, el paso #5 para Pau es integrar estos hallazgos en una presentación ejecutiva para su equipo de desarrollo. De esta forma Paulina logró realizar durante las mismas 4 horas de trabajo, hasta 8 presentaciones completas que incluían más de 6 láminas cada una.

datlas_mapa_premium_cdmx_presentacion

De esta forma Pau logró convertirse no solo en la analista estrella dentro de su equipo y su compañía, sino que actualmente ha logrado obtener el cargo de gerencia de inteligencia de mercados capitalizando aún más los mapas, el sistema de reportes y hasta la consultoría en análisis de datos para seguir generando valor a su negocio, desde ahorro en tiempos, eficiencia en proceso, mejores tomas de decisiones, identificación de oportunidades y mucho más.

free_Suscriber

Tú también puedes convertirte en el analista estrella de tu organización. Entra ahora mismo a nuestro Marketplace y aprovecha el cupón BLOG20 para obtener un 20% de descuento en nuestros mapas Premium y Socios de CDMX o de cualquiera de nuestras geografías activas.

Mantente atento a nuestras redes porque pronto anunciaremos sorpresas alrededor de nuestros mapas.

@DatlasMX

¿Cómo encontrar clientes potenciales usando mapas? – Datlas Caso de Uso

Hace un par de años cuando le contábamos a la gente que hacíamos análisis de datos con mapas se nos quedaban viendo extrañados. Y es que la historia nos enseñó que el uso común de los mapas era para navegación, establecer rutas, indicar direcciones. Pero hoy en día la disponibilidad de datos geo referenciados (asociados a un punto geográfico, un punto en el mapa) nos ha permitido utilizar los mapas para realizar análisis más complejos, incluso de variables ajenas a temas de tráfico y navegación. En esta columna te vamos a explicar cómo puedes utilizar el mapa Premium de Datlas para encontrar nuevos prospectos, justo como lo han hecho nuestros clientes. Quédate hasta el final y obtén una sorpresa que te ayudará a adquirir tu licencia premium de inmediato e iniciar hoy mismo a prospectar nuevos clientes potenciales.

free_Suscriber

El proceso es muy sencillo, no importa si vendes productos o prestas servicios, el paso #1 es: la delimitación geográfica. Estamos seguros de que tu producto es único y tu servicio es inigualable, que pronto todo el mundo se va a pelear por adquirirlo, pero analizar todo un continente o un país te puede provocar dolores de cabeza. Es por ello que en DATLAS hemos dividido nuestros mapas por estados. Por lo tanto, debes elegir el estado en el que se encuentra la zona donde te quieres enfocar para encontrar a tus prospectos. Para ejemplificarlo de forma sencilla usaremos el caso de Carolina, una joven que vende repostería a través de redes sociales, principalmente en Monterrey. Ella estaba buscando expandir su mercado y comenzar a vender en San Pedro Garza García. Por lo tanto, la plataforma que vamos a utilizar para este ejercicio será el Mapa Premium del estado de Nuevo León, disponible en nuestro Marketplace.

datlas_marketplace_mapa_premium_NL

Una vez definida la geografía que vas a analizar, el paso #2 es: definir el perfil de tu cliente objetivo (o mercado meta). Si eres dueño o parte de una organización que tiene años operando, será mucho más sencillo ya que conoces las características generales de tus clientes actuales y con ello puedes establecer un perfil con ciertos atributos a buscar. Por otro lado, si eres un emprendedor que está iniciando su negocio definir el perfil del cliente objetivo será un ejercicio distinto, basado en el problema que resuelves y el tipo de solución que has diseñado. Para el caso de Carolina ella definió a su cliente objetivo como: mujeres entre los 24 y 31 años de edad, con estudios universitarios o superiores, que tuvieran una capacidad de pago de $1,000 MXN o más.

datlas_mkdo_meta_perfil

Una vez definida la geografía de enfoque y el perfil de cliente que buscas es momento de entrar en la plataforma. Si has tenido la oportunidad de probar nuestro DEMO seguro sabrás como navegar y que atributos están disponibles, si no es así te invitamos a suscribirte para tener conocimiento de algunas de las variables y herramientas que estaremos comentando.

Una vez dentro de la plataforma fácilmente podrás reconocer que los polígonos que aparecen al inicio son interactivos y que al dar click en ellos se revela un pop-up del lado izquierdo con alguna información relevante. Y es justo ahí en donde podrás encontrar la información demográfica y socioeconómica que en este caso Carolina estaba buscando.

datlas_mapa_premium_nl_popup_poligono

Ahora bien, ya identificaste donde está la información ¿qué sigue? ¿checar uno por uno todos los polígonos? ¡Por supuesto que no! para eso hemos habilitado la herramienta llamada búsqueda específica que se encuentra justo en la barra lateral derecha. Esta herramienta te permite establecer un área dentro del mapa y buscar aquellos polígonos que cuenten con características específicas, como por ejemplo mujeres de 24 a 31 años.

datlas_mapa_premium_nl_busqueda_especifica

Una vez identificada la herramienta el siguiente paso es establecer los criterios de búsqueda. En este caso podrás observar que los rangos de búsqueda para variables como “Mujeres” (cantidad de mujeres) desde 0 hasta un máximo (ej: 1547). En el caso de Carolina, podemos hacer un cálculo simple para establecer la cantidad de mujeres que necesitaría encontrar: si Caro quisiera atender 3 bodas cada fin de semana del mes estaría buscando generar 12 clientas. Si su porcentaje de conversión es del 10% eso quiere decir que debe estar buscando una zona con 120 clientas potenciales (prospectos). Siendo así el criterio de búsqueda para el tema de mujeres debería tener como mínimo 120.

free_Suscriber

Ahora bien, Caro no solo busca mujeres, sino mujeres de cierta edad, así que el segundo paso sería establecer un rango para las edades de 25 a 31. Es importante notar que los datos de edades son agregados, es decir, contemplan tanto a hombres como mujeres por lo que un cálculo simple pudiera ser el siguiente: navegando en la plataforma notamos que la mayoría de las veces la proporcionalidad de hombres y mujeres es de alrededor de 50-50% por lo tanto, usando esta simple regla de dedo, si queremos encontrar 120 mujeres y el rango de edades contempla hombres y mujeres, pudiéramos establecer un mínimo de 240 para la variable de edad de 25 a 31.

Finalmente, Caro buscaba que tuvieran una capacidad de pago de $5,000 MXN o más. Aquí es importante contextualizar. El dato socioeconómico que manejamos es el de ingreso promedio, por lo tanto, si buscamos que sean personas dispuestas a gastar $5,000 MXN en su organización de bodas habría que buscar que su ingreso promedio sea superior a esta cantidad. Para simplificar el ejercicio, en este caso, lo haremos buscando ingresos de $10,000 MXN o más.

El pase de diapositivas requiere JavaScript.

Finalmente, el resultado es muy simple: en color rojo verás todos aquellos polígonos dentro del área que has establecido, pero que no cumplen con los criterios de búsqueda. Por otro lado, los polígonos en color amarillo serán aquellos que cumplen con las características establecidas. De esta forma puedes identificar rápidamente las zonas en donde se encuentran tus prospectos. Con esto, Caro, tú y todos nuestros clientes pueden accionar campañas enfocadas, realizar trabajo en campo de una manera focalizada o muchas otras estrategias para capitalizar a ese mercado meta que ya has podido encontrar.

datlas_mapa_premium_nl_busqueda_especifica_resultado

Recuerda que esta es solo una de las multiples herramientas de análisis que integran nuestros mapas. Puedes combinar el uso de distintas herramientas para realizar análisis más complejos, comparar los resultados en distintas zonas y mucho más.

Puedes probar este ejercicio y todos los demás detalles suscribiéndote en nuestra pagina y probando la versión DEMO.

Si crees que ya estas listo para ponerte manos a la obra y captar más prospectos puedes ir directamente a nuestro Marketplace y aprovechar el código de descuento BLOG100 para obtener $100 MXN de regalo en tu primera compra de cualquiera de nuestros mapas Premium.

free_Suscriber

De esta manera concluimos el blog de hoy, mantente atento a todos los nuevos casos de uso, videos y nuevos lanzamientos que tendremos para ti.

Siguenos @DatlasMX

Por qué no necesitas un Data Scientist (es Clickbait) en tu organización Parte 1 – Datlas News

Data scientist la carrera “más sexy” del 2018. Los científicos de datos son los mejores pagados.  Los datos son el petróleo del futuro. Habrá un déficit de 400k especialistas de big data para 2020. Si no estás avanzando con un equipo que desarrolle Inteligencia Artificial vas a quebrar.

¿Les suena conocido? No he dejado de escuchar en cada conferencia de empresarios que nos toca asistir aseveraciones de tal calibre. Justamente queremos hacer la reflexión sobre este tema en esta columna. Y que no cunda el pánico, no es una discusión de 1-0 o blanco y negro. Pero sí hace falta balancear el diálogo de si tu empresa necesita un especialista en datos o no. Iniciamos.

Ver en Medium.com

Datlas_barra_suscribir

El pase de diapositivas requiere JavaScript.

Una organización, con o sin fines de lucro, va creciendo de manera orgánica conforme las necesidades van rebasando a los puestos. Al principio un par de personas gestionan el negocio, pero conforme va creciendo la operación es necesario buscar ampliar el capital humano. Después viene el tema de no tener personal ocioso y optimizar equipos y personas. Ya al final viene los puestos de innovación, que muchos lo ven como pirotecnia. Sin ofender a nadie, me refiero a que hay áreas que no impulsan directamente a la operación ya que su valor agregado va más dirigido a la báscula de ventajas competitivas.

En resumen, concédenos generalizar el proceso de la siguiente manera:

1.Nace la organización > 2.Crece en una sola gestión > 3.Se multiplica en distintas áreas >> 4.  Se optimiza constantemente >> 5. Innova en apuestas a ser disruptiv@

¿Dónde entran los Data Scientist (DS) ? ¿A qué horas me transformo con datos?

La mayoría de las organizaciones hacen estas inversiones en el paso 5) ¿Cuál es el reto? Cuando la cultura de innovación en la empresa no está 100% socializada y la ciencia de datos es un área que con muchos celos demanda atención, gobernanza y autoridad para sacarle valor a un activo de la compañía,(los datos) y reflejar la voluntad de entender que “Los datos no pertenecen  a ningún área o dirección, son de la compañía“.

¿Estoy listo para transformar mi organización con DS?

La primera evaluación es hacia tu organización ya que para implementar esta innovación tiene que lograrse esta cultura de innovación al mismo tiempo del timing tecnológico correcto. Es decir

  1. Si no estás listo para abandonar los excel-es que llevas operando y mejorando toda la vida. No contrates un DS
  2. Si te da miedo transferir procesos y responsabilidades a “cajas negras” que no vas a entender. No contrates un DS
  3. Si eres de los líderes que les gusta decir cómo resolver el problema, en lugar de ceder el problema y la resolución del mismo a tu equipo. No contrates un DS
  4. No entiendes los beneficios de la ciencia de datos o el potencial de tu información. No contrates un DS, terminarás concluyendo que “no sirve” sólo porque no supiste sacarle valor
  5. Y por último, si quieres un DS para que se la pase extrayendo datos y datos, mejorando tableros y visualizaciones. No contrates DS, ambos se frustarán por sólo estar dando la mitad de todo el potencial

(Tomado de inspiración B) citado al final del blog). El trade-off es claro, hay que evaluar.

Mucha crítica ….¿Y qué consejos son mejores prácticas para lograr transformar?

Como cualquier caso en una organización, tienes que tener algunas historias de éxito para convencer a los tomadores de decisiones que vale la pena hacer la apuesta. La mayoría de los casos comienzan contratando consultorías y empresas externas para aprender cómo funciona este mundo.

  1. Vete a lo seguro. Analiza a tus clientes, toma decisiones comerciales como cambios de precios, planes promocionales, marketing y mide resultados KPIs.
  2. Evalúa distintas consultorías que sobre todo tengan capacidad y voluntad de “enseñarle” a tu organización cómo funciona.
  3. Invita a distintos roles a que te acompañen en el proceso.
  4. Genera la historia, “socializala” (Que todos se enteren) y  mapea nuevas posibilidades para datos
  5. Finalmente evalúa repetir el proceso hasta que la organización pueda ceder recursos para interiorizar las capacidades. Aún así la mayoría de las organizaciones que orquestan un área de datos interna contratan y subcontratan. Así es , hasta el mismo Google, IBM, Microsoft o startups como UBER, AIRBNB, CABIFY , entre otras distribuyen el trabajo ya que retener a científicos de datos en una organización es complicado por la demanda actual que existe. Además exigen un alto grado de especialización que puede capitalizar una consultoría porque el análisis de datos es su negocio principal que no pueden descuidar.

No olvides leer nuestro blog de “Los 5 perfiles para una estrategia de datos en tu empresa”

Para el cierre ¿En qué áreas donde agrega valor un científico de datos?

Cerramos con un par de infografías que mapean las áreas de mayor valor agregado para un científico de datos. Recomendamos leer y generar un plan para implementar los “quick-hits” de mayor impacto.

El pase de diapositivas requiere JavaScript.

Hasta aqui la parte uno de la columna de Datlas más enfocados en la cultura de innovación y datos antes de arrancar sin un plan. En la siguiente parte comentaremos de algunas herramientas que pueden ayudar a iniciar experimentaciones de big data sin tener que hacer la “gran inversión”.

Gracias por leer, estamos abiertos a opiniones y buscamos difundir este tema en organizaciones que están batallando mucho para iniciar a experimentar con datos. Siempre contarán con empresas y startups como Datlas para acompañarlos en su desarrollo.

Inspirado gracias a la lectura de:

Ver en Medium.com