Josep Curto nos acerca al mundo del Big Data y cómo el estudio de la evidencia de los datos nos ayuda a tomar mejores decisiones de negocio. Escuchar al cliente, analizar los datos que nos proporcionan nos permite, como compañía, mejorar nuestros procesos, añadir valor a nuestra relación con los clientes y obtener mejores resultados.
3. Josep Curto
• CEO, Delfos Research
• Profesor en IE Business
School, UOC, EOI, Kschool, U-
TAD
• Escritor
• Analista de mercado
• Consultor estratégico
• Emprendedor
4. Esta es una
sesión de
participación y
los dos mejores
comentarios
tienen premio
5. Agenda
De la intuición a la evidencia
Panorámica de técnicas analíticas
Analítica en el ciclo de vida del cliente
Triada: Objetivos, Herramientas y Valor
Descubriendo casos de uso
Barreras y retos
Cómo elegir un buen socio
13. Customer Analytics en la vida real
Ingestión de datos
Almacenamiento y
procesamiento de datos
Análisis de datos
Visualización y
comunicacion de datos
14. Capacidades descriptivas
y de diagnóstico
Business
Intelligence
Capacidades predictivas,
prescriptivas y
preventivas
Business Analytics
Capacidad de generar
valor a partir datos
complejos
Big Data
¿Qué significa capacidades analíticas?
15. ¿Dónde está la diferencia analítica?
Inteligencia Artificial
Machine Learning
Deep Learning
NLP
Sistemas Cognitivos
23. Influenciando la compra
Datos Modelización Acciones
Árboles de decisión
Redes Neuronales
Regresión Logística
Tipos de Datos
Calidad del dato
Integración, Persistencia
Público
Descuento, promoción
Momento
25. ¿Qué perseguimos con la analítica de clientes?
Generar valor
para la
organización
y el cliente
26. Las formas del valor en Customer Analytics
Ofertas
Recordatorios
Programa Preferentes
Personalización
Privacidad
Experiencia multicanal
Evitar Spam
…
Ventas cruzadas
Incremento del ticket
promedio
Incremento CLV
Ranking y segmentación
de clientes
Eficiencia y efectividad
…
Mejorarlaexperienciadelcliente
Mejorarelvalordelaorganización
Cliente
Organización
27. Valor para el cliente: Personalización
Datos Modelización Acciones
Collaboration-filtering
Content-filtering
Context-filtering
Híbrido
Datos históricos
Contexto
Datos de producto
Recomendaciones
Personalización
Momento
28. Valor para la organización: ticket promedio
Datos Modelización Acciones
RFM
CLV
Datos históricos
Calidad de dato
Integración, persistencia
Segmentación
Descuentos, promociones
Momento
29. ¿Cómo lo hacemos?
Operational Databases
Information Systems Audio, video, textSocial Media FeedsMobile Data
Data Feeds Machine Data
Logs
CDR Streams
Sources
Information Management
Data Integration Data StewardshipData SecurityData Governance Master Data ManagementData Availability Data Consistency Data Access
ManagementUse
Cases
Decision Making
Operations &
Operational Intelligence
Hypothesis Validation
and Problem Solving
Products and Services
based on Data
Data Brokerage
Business Intelligence
Reporting
Alerts/ Automated Monitoring
Dashboard
ScorecardsOLAP
Ad-hoc Query Visualisation
Business Analytics
Visual Analytics
Machine Learning
Statistical/
Quantitative
Artif cial
Intelligence
Predictive
Modelling
Content Analytics
Graph Analytics
Search based
Analytics
Analysis&
Visualisation
Data & Text Mining Balanced ScoreCard
Process
Mining
Corporate Information Factory
Enterprise Data Warehouse Operational Data StoreData Integration
Storage&
Processing
Staging Area (Persistente)Data Mart
Data Mining Warehouse
Exploratory Warehouse Data Virtualisation
Big Data
Storage Processing
Batch Processing
Stream Processing CEPHPCNoSQL
In-Memory MPP
NewSQL
FileSystem
Metadata
Data Wrangling DevOpsSemantic
Modelling
Data Curation
Storytelling
32. 32
Ejemplo
01
02
03
04
05
06
07
08
Estrategia de negocio
Iniciativas de negocio
Resultados
Factores Críticos de Éxito
Tareas
Fuentes de datos
Viabilidad
Valor de negocio
Mejorar la proximidad con el
cliente para impulsar
interacciones más rentables
Incrementar las
interacciones de éxito
Estimular ventas;
comprender a los clientes
Incrementar CLV,
segmentación de clientes
Recuperar datos internos, conseguir
datos externos, plataforma, algoritmos
datos internos, datos
externos
Coste datos, calidad, accesibilidad,
granularidad,…
Alto valor para mejorar la estimulación
de ventas y la segmentación
35. Existen múltiples razones para fallar
Customer Analytics
Implementation
Failure
TECHNOLOGY
Poor
Data Quality
Over
Customization
Inadequate data
sources knowledge
Poor IT
infrastructure
Poor
ETL/ELT Quality
Poor CA
product or algorithm
selection
PEOPLE
User resistance
To change
High rotation of
Project team members
Inadequate
resources
Poor user
involvement
OPERATIONAL
Unavailability of key
users for UTA
Poor quality
of testing
Poor
Knowledge
Transfer
Inappropriate timing
to go live
Unavailability of
subject matters
experts
TACTIC
Inadequate training and
education
Non-empowered
decision-makers
Poor departmental
alignment
Poor
communication
Unrealistic
expectations
Inadequate
functional requirements
Lack of top
management
commitment
STRATEGIC
Inadequate project team
composition
Poor project
management
Unrealistic project
scheduling
Ineffective organizational
change management
COST
Unrealistic
ROI
Cost
Overrun
39. Identificar el problema
• Identificar y conceptualizar las
necesidades de negocio
• Priorizar las necesidades de negocio
• Definir la estrategia de Customer
Analytics
• Escoger el partner adecuado