B2.320 - FUNDAMENT FUNDAMENTOS OS DE INTELIGE INTELIGENCIA NCIA DE NEGOCIO
PEC1 – ACTIVIDAD 1 Parte 1. Inteligencia de negocio Pregunta 1 (10 puntos). ¿Son Business Intelligence y data warehouse equivalentes? Argumenta tu respuesta y utiliza ejemplos. Absolutamente no. Business Intelligence son una serie de m étodos, prácticas y herramientas que permiten administrar información para realizar una mejor toma de decisiones dentro de cualquier organización. Dentro de las herramientas que incluye el Business Intelligence se encuentra el Data Warehouse. El Data Warehouse, a diferencia de un almacén de datos normal y corriente, es un repositorio de datos cuya información está almacenada siguiendo una estructura homogénea y fiable. Además, se encuentra tematizado para facilitar su acceso.
Pregunta 2 (20 puntos). Explica y pon un ejemplo de caso de uso para cada una de las combinaciones posibles entre complejidad del dato ( baja, alta) y las capacidades analíticas a desarrollar en la organización (descriptiva, predictiva y prescriptiva). o
BIG DATA CON BUSINESS INTELLIGENCE (DESCRIPTIVA – ALTA)
Nos cuenta como ha funcionado, por ejemplo, nuestro negocio en el pasado y nos ayuda a comprender el estado actual. En una empresa de ventas, averiguar qué personas son más influyentes en una red de comunicación empresarial, o qué cuellos de botella de información existen entre departamentos. Para lo cual, se necesitan datos de alta complejidad al no tratarse de métricas fácilmente capturables. o
BUSINESS INTELLIGENCE (DESCRIPTIVA – BAJA)
Basándome en el caso anterior, de una empresa de ventas, por ejemplo, detectando qué productos se están vendiendo más y en qué zonas. La complejidad del dato en este caso es más bien baja ya que las métricas son sencillas de obtener, entre otras cosas. o
BUSINESS INTELLIGENCE CON BIG DATA (PREDICTIVA – ALTA)
La analítica predictiva proporciona herramientas para encontrar o estimar los datos de negocio que son desconocidos o inciertos, o que requieren de un gran proceso manual o costoso para su obtención. Con complejidad alta de los datos, por ejemplo, podría ser descubrir grupos afines entre los clientes de un CRM que compartan características demográficas o preferencias por determinados servicios o productos.; o anticipar las demandas de los clientes cl ientes en distintos puntos de venta, teniendo en cuenta factores controlables, como el precio de venta, y factores externos como calendarios laborales o ef ectos meteorológicos.
Alberto Fernández Sierra
[email protected] [email protected]
o
BUSINESS INTELLIGENCE (PREDICTIVA – BAJA)
Siguiendo con la misma explicación anterior, por ejemplo, la detección de si una transacción bancaria es susceptible de haber sido realizada como parte de un fraude.
o
BIG DATA CON ANALYTICS (PRESCRIPTIVA – ALTA)
Mediante la analítica prescriptiva, el propio sistema de análisis realiza recomendaciones sobre las acciones que se han de seguir para, por ejemplo, reducir costes o mejorar beneficios. Como ejemplo con complejidad del dato alta, podría ser el plan de gestión de la logística de un sistema de transporte, mediante calendarios de transporte, que minimicen los costes de desplazamiento, almacenamiento y, a la par, que mantengan los niveles de servicio en los puntos de venta. También el análisis de precios adecuados para cada tipo de habitación en una cadena hotelera con el fin de maximizar de nuevo los beneficios, teniendo en cuenta las previsiones de la demanda esperada, factores como fechas especiales del calendario o la propia meteorología.
o
BUSINESS ANALYTICS (PRESCRIPTIVA – BAJA)
Basándome en la explicación anterior, como ejemplo con complejidad del dato baja, estaría el mantenimiento predictivo de una línea de pro ducción en serie de cualquier empresa industrial (por ejemplo, envasadora de cervezas). Sustituyendo las revisiones periódicas o las reparaciones en caso de fallo por un sistema que recomiende el mejor momento para realizar la revisión de cada componente, reduciendo así costes por averías y reparaciones.
Alberto Fernández Sierra
[email protected]
Parte 2. Estrategias de inteligencia de negocio En esta segunda parte vamos a analizar el nivel de madurez analítica de las organizaciones comparando distintos modelos de clasificación de empresas según la adopción de técnicas analíticas. En los apuntes, ya hemos visto el Business Intelligence Maturity Model (BIMM). En esta segunda parte de la actividad, vamos a trabajar sobre dos artículos de Thomas Davenport: Competing on Analytics Analytics 3.0 Pregunta 3 (40 puntos). Describe la organización en la que trabajas actualmente (o una organización que conozcas con profundidad). Explicar el tipo de empresa, la actividad y situación actual de la organización para con respecto a la inteligencia de negocio. Para ello, utiliza como referencia las fases del modelo de madurez analítica presentado por Thomas Davenport en su artículo “Competing on Analytics.” Trabajo en RANDSTAD PROFESSIONALS, la consultora de selección especializada (Headhunting) del grupo RANDSTAD HOLDING. Trabajo como Executive Consultant, en el área de ingeniería, enfocado a perfiles de Mandos Medios y Mandos Directivos. No obstante, mi formación es de ingeniero y he trabajado en varias ingenierías en tareas técnicas, además de tener un negocio propio basado en drones. RANDSTAD es una multinacional con más de 22.000 trabajadores en todo el mundo, presencia en 110 países (Oficinas de Randstad en 80 países y el resto, socios locales), ambiente multinacional y multicultural. Flexibilidad horaria. Teletrabajo. Capacidad de decisión. Beneficios sociales y atractivo salario fijo (además de incentivos varios). Desde su nacimiento hace más de 60 años en Holanda, se ha posicionado constantemente como nº1 en el ámbito de soluciones de RRHH en todos los países donde ha desembarcado. La situación en España es similar. La división de Trabajo Temporal (Staffing) es líder indiscutible en el país, a bastante distancia de los competidores más cercanos. En la línea de consultoría en la que yo me encuentro, desde su desembarco en España hace 5 años, hemos pasado de ser residuales a nº2 en España, ganando cuota de mercado a la competencia directa (Michael Page) a un ritmo de un 14% anual desde hace dos años. En cuanto a la situación de la compañía con respecto a la inteligencia de negocio, se trata de una compañía que históricamente ha pensado todas las líneas de negocio bajo la óptica de la división de Trabajo Temporal, quienes son el músculo financiero de la compañía a nivel global. Ante el panorama de no ser del todo eficientes con las decisiones debido a que cada división está focalizada en una tarea concreta dentro del ámbito de los RRHH, se estaban perdiendo fuentes de ingreso, no se estaba atendiendo correctamente al cliente, no se estaban focalizando correctamente en cuanto a estrategia empresarial y marketing, etc. En cuanto al cliente interno, los consultores, la estrategia de la compañía era similar: vista desde la óptica del negocio de Trabajo Temporal.
Alberto Fernández Sierra
[email protected]
Debido a ello, desde hace 4 años para aquí, me consta que existen varios proyectos de implantación de técnicas de Big Data dentro de la compañía. Desde que estoy yo en ella (2 años), he visto mejorar varias cosas en lo concerniente a mis tareas (y desde el desconocimiento total de cómo se puede estar trabajando en este aspecto en otras áreas de la empresa como finanzas, marketing, servicios centrales, rrhh, etc.):
El nivel de acceso de los usuarios a datos en bruto de la compañía, con tal de buscar métricas del interés de cada uno para su sector (en mi caso, mi target son las compañías industriales o empresas de ingeniería). Además, se realiza un informe de cumplimiento de KPIs en función de varios factores: Entrevistas a candidatos o Visitas a clientes o Ofrecimientos de candidatos a clientes o o Llamadas comerciales o 1ª entrevista candidato-cliente o 2ª entrevista candidato-cliente o Tiempo medio de cubrimiento de una posición o Número de referencias tomadas o Momento de envío del informe del candidato al cliente. o Posiciones abiertas por cada consultor o Posiciones en negociación o Estimación de Euros por posición o Porcentaje de objetivo alcanzado o Posiciones cerradas Nuevos clientes abiertos en la semana. Aporte neto de dinero del trabajador a la compañía después de costes indirectos y directos del mismo. En función de dichos KPIs, se generan una serie de ratios semanales que se ponderan con las ratios trimestrales anteriores, los semestrales anteriores y los anuales anteriores, dándoles diferentes pesos, y con ello, generando los KPIs de la próxima semana.
Me consta que existen varios proyectos para medir tiempos de cada tarea que realiza un consultor a lo largo de su jornada de trabajo, debido a que he estado implicado en varios de dichos proyectos, se me han medido los tiempos, los métodos que uso; además de que la compañía está realizando una profunda transformación digital (invirtiendo en multitud de start-ups que ofrezcan soluciones innovadoras en el ámbito de los RRHH) a todos los niveles. Por la misma razón, he visto documentos de la organización donde se especifica claramente la inversión del Holding para implementar herramientas de inteligencia de negocio (y se encargan de publicitarlo a nivel de Marketing). No obstante, y lo veo en mis compañeros, existe cierta reticencia general a realizar cambios que afecten el trabajo individual del consultor, con lo que creo que puedo afirmar que no existe un espíritu de aceptación a los cambios que se avecinan en la organización. Huelga decir que tampoco estoy viendo por parte de la empresa un proyecto de comunicación que informe a los trabajadores y les haga ver que vamos todos en equipo hacia dichos cambios, además de que estos redundaran en beneficios para todos.
Alberto Fernández Sierra
[email protected]
Así pues, considero que mi organización se encuentra en el STAGE 1 ( Major Barriers ) debido a que existe conciencia desde los niveles altos de la empresa, de que se deben implementar dichas transformaciones para desarrollar una buena inteligencia de negocio; no obstante, existe la barrera del escepticismo de los trabajadores y la negación de la mayoría de los mismos a reportar según qué datos. Como decía también, no veo que se esté comunicando correctamente el proyecto. “
”
Pregunta 4 (30 puntos). Describe las similitudes y diferencias de los periodos de Analytics 1.0 y Analytics 2.0 que se detallan en el segundo artículo. Detalla las similitudes/diferencias como mínimo en los siguientes temas: orígenes y tipo de los datos, habilidades y competencias, tecnología, objetivo. Argumenta y ejemplifica tus respuestas.
A partir de 1950, con el advenimiento de nuevas tecnologías que podían capturar una mayor cantidad de datos y discernir patrones mucho más rápido que una mente humana. Necesidad de comprensión objetiva de diferentes fenómenos que sucedían en las compañías y de que la toma de decisiones fuera basada en algo más que en la pura intuición de la dirección Principalmente datos internos de procesos de producción, ventas e interacciones con clientes.
Capacidad de gestión de datos (capacidad de preparar los datos para el análisis) Habilidad para realizar preguntas correctas debido al pequeño volumen de datos disponibles para responderlas. Respondían solo a lo que había sucedido en el pasado pero no ofrecían explicaciones ni predicciones. Principalmente nuevas tecnologías informáticas, Data Warehouse y Software específico
Tomar mejores decisiones en función de puntos clave y con ello mejorar la eficiencia de la organización
Alberto Fernández Sierra
Mediados del 2000. Las empresas basadas en internet y redes sociales empiezan a acumular l as cantidades masivas de datos que se generan en sus aplicaciones o servicios y a analizar qué información pueden extraer de ellos.
Datos generados por fuentes internas y externas (Internet, diferentes tipos de sensores, proyectos públicos y abiertos como el Genoma Humano, capturas de audio y video, etc.) Habilidades computacionales Habilidades analíticas Competencias de científico de de datos.
Hadoop (Open Source) para el procesamiento de datos por lotes en servidores paralelos NoSQL, para el tratamiento de datos relativamente desestructurados. Computación en la Nube (Cloud Computing) Informes. Machine Learning Las anteriores de Analytics 1.0 La oportunidad de encontrar nuevas fuentes de ingresos en base a patrones detectados en la cantidad masiva de datos y con ello La venta u ofrecimiento de servicios y/o productos de tratamiento de datos para terceros. Las anteriores de Analytics 1.0 Linkedin y la multitud de servicios generados a partir de la recogida masiva de datos. Facebook y sus recomendaciones ad-hoc para cada usuario. Amazon y las sugerencias de compras en su página web basadas en el tiempo que has estado mirando un artículo, el perfil de gente que ha comprado artículos parecidos a los tuyos, la asiduidad con la que miras un producto, etc.
[email protected]
