La Unión Europea dice que en cada minuto se generan 1.700 nuevos billones de bytes. Parte de ellos corresponde a nuestro entorno empresarial; es el mundo del Big Data.
Medir y analizar los datos para tomar decisiones
Recoger, tratar y analizar los datos es el nuevo paradigma de la empresa. Y esta es la gran beneficiada de la medición, del análisis de los datos y de la toma de decisiones basadas en el análisis.
Ya en el siglo XVII, Galileo nos dijo que “Debemos medir aquello que sea medible y hacer medible aquello que no se puede medir”. Y Tom Peters, en el siglo XX, nos recuerda que “No puedes gestionar lo que no puedes medir”.
El reto: transformar los datos en conocimiento
Pero, ¿estamos preparados para ello?
Los datos están creciendo de forma exponencial, no solo en las transacciones comerciales, sino también en el entorno digital. Y estos no sirven de nada si no los transformamos en conocimiento que nos permita tomar decisiones.
El consumidor es un activo de información.
¿Tenemos recursos para gestionar todos estos datos?
Y entonces, ¿tenemos recursos para capturar, almacenar y analizar los datos?
Sin duda, unos pocos sí. El resto, la gran mayoría, taxativamente no.
Por lo tanto, nos queda explotar lo que sí tenemos a nuestro alcance ahora mismo y a unos costes asumibles por la mayoría de las empresas.
Un ejemplo práctico: conocer mejor al cliente
Mientras nos preparamos para asumir el Big Data, veamos cómo sacar todo el partido a los datos a través de la experiencia con una empresa de distribución.
Esta empresa cuenta con múltiples tiendas por todo el territorio del país y es reconocida por sus almacenes, donde vende tecnología, imagen y productos editoriales.
A pesar de contar con una base de datos de clientes a los que hacía ofertas y mantenía al día de las novedades, su deseo era conocer mejor a los clientes, potenciar la venta cruzada y saber su nivel de satisfacción.
¿Qué queríamos conocer del cliente?
El objetivo consistía en saber:
- Cómo es el cliente.
- Cuánto vale estratégicamente.
- Quién puede comprar determinado producto.
Para ello, utilizamos distintas técnicas analíticas, como modelos explicativos, cuantitativos y probabilísticos. Estos se aplicaron sobre variables transaccionales y otras procedentes de fuentes externas.
Segmentar y valorar a los clientes
Con unas variables identificamos 8 tipologías de clientes (cluster) y, con otras, el valor estratégico del cliente (scoring).
Al cruzar los dos parámetros identificados obtenemos la Matriz de Valor de la Marca.
Esta matriz aporta inmensas posibilidades a la hora de distribuir los recursos de la empresa. Permite adecuar la estrategia de relación a los objetivos generales y al valor del cliente.
Predecir quién puede comprar un producto
Para saber quién puede comprar determinado producto, identificamos posibles comportamientos aplicando modelos probabilísticos.
En el análisis resultaron 20 segmentos diferentes, con 20 probabilidades de compra distintas.
A estos segmentos se les sometió a un test mediante una acción directa. El resultado se ajustó a lo esperado.
Cada dato debe tener una utilidad
La empresa ha seguido un modelo de conocimiento muy sencillo.
Cada variable sirve para un cometido. Además, está perfectamente tratada, normalizada y ocupa su lugar en la estructura de datos.
Y aquí encontramos una de las claves: no se trata de acumular datos, sino de saber qué información necesitamos, cómo tratarla y para qué vamos a utilizarla.
¿Big Data o Small Data?
Por lo tanto, ¿Big Data?
O sencillamente Small Data, una opción que sí pueden abordar las pequeñas y medianas empresas.
No requiere grandes inversiones ni planes estructurales a medio y largo plazo. Tan solo precisa integrar en el equipo personas con capacidad analítica o subcontratar la consultoría analítica a un especialista.
Empezar por lo sencillo
Nuestra experiencia y recomendación es empezar por lo sencillo:
- Hacer acciones.
- Desarrollar el plan estratégico.
- Medir el resultado.
- Controlar la evolución de los clientes.
- Medir su satisfacción.
Son planes de implantación inmediatos y con resultados a corto plazo. Permiten prepararse para pasar posteriormente a desarrollos más complejos, como el Big Data.
Empecemos por el Small Data.
ActionsDATA
