El libro Marketing aplicado nos presenta las 5V, esquema innovador para reemplazar a las tradicionales

4P del marketing en un momento como el actual, donde la experiencia del cliente, la tecnología, la neu-

Modelo de las 5V: una nueva propuesta de Marketing Mix

rociencia, las redes sociales y el big data transforman la función del profesional del marketing.

Los diferentes capítulos del libro, agrupados a partir de este nuevo esquema, son desarrollados por

MARKETING APLICADO
académicos y por profesionales referentes del marketing. Incluyen casos aplicados reales que pueden

CASOS LATINOAMERICANOS
servir tanto para las empresas como para la enseñanza del marketing en Latinoamérica.

Marisol Suárez Portugal

Presidenta y CEO de la Universidad Peruana de Ciencias Aplicadas (UPC)

Cabe destacar el carácter práctico del presente libro, trascendiendo una mera transmisión de teorías,
definiciones y conceptos; pasando de la dimensión del “qué” a la realidad del “cómo”. Aproximación que
le da a esta publicación un carácter único y pionero en el marco de la literatura latinoamericana espe-
cializada en la gestión de marketing.

Desde ESIC hacemos una entusiasta invitación a la lectura de la presente obra y a la reflexión crítica del
contenido de sus capítulos. Con la seguridad que en sus páginas el lector encontrará una eficiente guía
para un entendimiento completo y global de los conceptos más importantes del marketing actual, a
partir de la interesante y atractiva casuística latinoamericana que se presenta, y a la vez, invitamos a sus
autores a seguir investigando y transmitiendo su conocimiento como valor a la sociedad.

Antonio Martin Herreros, Ph. D.

Decano Área de Postgrado y Executive Education en ESIC Business & Marketing School

GALLARDO • DEL CASTILLO

ISBN: 978-607-32-5165-5
90000 WAKABAYASHI • VENTURA

9 786073 251655
 Capítulo 18

372

M18 Marketing aplicado 01 SE HA [Link] 372 17/08/20 20:58

 ANÁLISIS
Y PROCESAMIENTO
DEL BIG DATA
Autor: Rolando Gonzáles López

373

M18 Marketing aplicado 01 SE HA [Link] 373 17/08/20 20:58

 Objetivos

1. El lector conoce el rol que juega actualmente el big data en el mar-

keting moderno.

2. El lector comprende cómo algunas empresas y organizaciones mo-

dernas están innovando para aplicar el big data en sus negocios.

3. El lector advierte que el big data será cada día más importante y que
todas las empresas tienen que considerar implementarlo.

374

M18 Marketing aplicado 01 SE HA [Link] 374 17/08/20 20:58

 Índice

1. Introducción

2. Fundamentos teóricos

2.1 Big data

2.2 Principales componentes del big data

2.3 El sistema clásico de inteligencia de negocios y el big data

2.3.1 El sistema clásico de inteligencia de negocios

2.3.2 El sistema de big data

3. Caso de estudio. Netflix

3.1 Cómo Netflix usa el big data

3.2 Información que obtiene del cliente

3.3 Calificación de clientes

3.4 Algoritmos utilizados

3.5 Calificación de películas

3.6 Recomendaciones al cliente

3.7 Manejo de la red

3.8 Segmentación de la clientela y comparación con estudios de

cine

3.9 Mercado internacional y publicidad

4. Perspectivas de big data

4.1 Limitaciones de big data

4.2 Big data mirando al futuro

5. Guía de implementación

6. Recursos útiles

375

M18 Marketing aplicado 01 SE HA [Link] 375 17/08/20 20:58

 Marketing aplicado

1. Introducción
El concepto big data (la gestión de grandes bases de información) ha incursionado
con fuerza en la economía global. De hecho, en más de un sector se ha convertido
en una prioridad, ya que tiene el potencial de cambiar profundamente el ambiente
competitivo de las organizaciones. El big data está demostrando, cada vez más, que
presenta soluciones innovadoras y transforma procesos, organizaciones, industrias
e, inclusive, la sociedad en su conjunto (Sharda, Delen y Turban, 2018).
En este capítulo conoceremos de qué hablamos cuando nos referimos a este
concepto (comparándolo con el sistema de inteligencia de negocios utilizado en
los últimos años). Luego, se desarrollará un caso: el de la plataforma de streaming
Netflix, que usa big data de una manera muy amplia. Esto le ha permitido superar
en poco tiempo a empresas líderes de la industria cinematográfica con más de 50
años de trayectoria.
Además, conoceremos en síntesis un par de ejemplos de la región que hacen
uso intensivo de big data. El primero es el de la embotelladora mexicana Arca Con-
tinental, y, el otro, el de una universidad peruana. Cerraremos este capítulo con las
perspectivas que se le depara a esta herramienta la cual, como adelantamos, ha
revolucionado el mundo de los negocios y, por ende, el del marketing.

Figura 18.1 Aplicaciones del big data

Comunicaciones Comercio Minorista
7 artefactos comunicados 70 % de los clientes son multicanal
por persona Uso del Internet de las cosas
Salud
Vehículos
Registros médicos interconectados
Big Data 24 millones de vehículos
y disponibles para un mejor manejo
comunicados mediante Internet
de la salud
Entretenimiento Industria
Gran uso del streamming: Netflix, Gran conexión máquina a máquina
Amazon, Apple Gran conexión mediante sensores

2. Fundamentos teóricos

2.1 Big data

Big data es una herramienta y un fenómeno actual por el cual las organizaciones
reciben una cantidad enorme de información. Esta es de diversos tipos, estructura-

376

M18 Marketing aplicado 01 SE HA [Link] 376 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

da (numérica en filas y columnas), semiestructurada y no estructurada (información

textual, de redes sociales, weblogs, sensores y otros).
Estos datos tienen que ser analizados para obtener nueva información e insights1
que nos permitan lograr mejores resultados (mayor conocimiento del comporta-
miento del consumidor, mejor conocimiento de la actividad en el mercado finan-
ciero, mayor comprensión del clima, etc.). Se utilizan diversas herramientas para
manejar y analizar esa información de una manera eficiente (Sharda et al., 2018).
Lemahieu, Vanden Broucke y Baesens (2018) indican que las cinco V o cinco
principios de la gestión del big data nos ayudan a caracterizar este reciente concepto:

•  Volumen: se trata de un gran volumen de información o de datos.

•  Variedad: implica una variedad de datos, en diferentes formatos, desde estruc-
turados hasta no estructurados.
•  Velocidad: estos deben llegar de manera veloz. Muchas veces vienen llegando
por miles o millones por minuto.
•  Veracidad: considera factores como la precisión, calidad, confiabilidad de los
datos, entre otros.
•  Variabilidad: en algún momento, los datos pueden llegar en grandes cantida-
des y, en otro, en cantidades más limitadas.

Según Sharda et al. (2018), la gran cantidad de datos que se tienen actualmente
se originan de varias fuentes:

•  Las páginas web que tienen las em-

presas, donde los clientes buscan Miles de millones
Cuando hablamos de big data ha-
información y realizan sus compras. blamos de información en miles de
•  Gran cantidad de información tex- millones o billones de récords (en
tual que se genera en la empresa y términos específicos petabytes (1015
bytes) o exabytes (1018 bytes)). Estos,
sus clientes, la cual llega en forma en muchos casos, se producen muy
electrónica. rápidamente: un motor a reacción
•  Formas modernas de identificar de jet produce 10 terabyte de data
en 30 minutos, mientras Twitter ge-
productos y elementos relacionados nera 8 terabytes (1012 bytes) de data
(identificadores por radio frecuencia al día.
– RFID).

1  Insight: nuevo conocimiento obtenido a través de un estudio o análisis.

377

M18 Marketing aplicado 01 SE HA [Link] 377 17/08/20 20:58

 Marketing aplicado

•  Sistemas de posicionamiento global (GPS).

•  Redes de sensores (de funcionamiento de equipos en una gran empresa mi-
nera, por ejemplo).
•  Información que llega a través de Internet.
•  Información de call-centers.
•  Información sobre el “Internet de las cosas” (diversos equipos conectados de
forma automática y que reenvían información: un ejemplo sería un refrigera-
dor programado para tener constantemente entre 1 y 2 kilogramos de carne
tipo lomo, y que cuando tiene menos de 1 kilogramo hace automáticamente
el pedido a un supermercado).
•  Información de cámaras de seguridad en una ciudad.
•  Información financiera de la bolsa de valores.
•  Información sobre el clima en miles de lugares en el mundo.
•  Información biológica como en el caso de los genomas.
•  Información sobre salud de miles de pacientes de hospitales.
•  Información militar sobre satélites.

La información que genera el big data es más reveladora que las muestras esta-
dísticas tradicionales que se utilizaban anteriormente, ya que presenta nuevo co-
nocimiento que antes no se podía obtener. Un ejemplo puede ser el uso de big
data para combatir el crimen organizado mediante miles de cámaras en toda una
ciudad, lo cual reduce sustancialmente la delincuencia (Laudon y Laudon, 2017).
Gracias a esta herramienta podemos decir que el paradigma del análisis de la
información ha cambiado drásticamente. Anteriormente, la forma más actualizada
de hacerlo era mediante un sistema de inteligencia de negocios que constaba de
una base de datos especializada (Data Warehouse) y que tenía toda la información
requerida (información interna y externa, que ya estandarizada ha pasado por un
proceso de extracción, transformación y carga, en forma histórica), y una serie
de herramientas de inteligencia de negocios para el análisis (por ejemplo, una
red neuronal).
Con Data Warehouse se realizaba el análisis, con cierta demora, de una canti-
dad de data mucho menor que la actual. Actualmente, con big data la información
se va analizando mientras va llegando, lo que facilita la toma de decisiones inme-
diatas. Esta inmediatez hace aprovechables los nuevos conocimientos (insights) y
advierte de nuevos patrones sobre los cuales hay que actuar de forma inmediata.

378

M18 Marketing aplicado 01 SE HA [Link] 378 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

2.2 Principales componentes del big data

El sistema de big data tiene como principales componentes a Hadoop, con sus dos
subcomponentes, el Hadoop Distributed File System (HDFS) y el MapReduce, y
luego a la base de datos no relacional, NoSQL (u otras bases de datos no relacio-
nales más modernas).
Hadoop es un esquema de software de código abierto usado para almacenar
y procesar enormes bases de datos. Este sistema se establece formando grandes
grupos de computadoras no especializadas; se asume que pueden haber fallas en
el hardware (aunque de fácil solución). El origen de Hadoop se remonta al siste-
ma de Google File System, el cual pretendía solucionar el problema de grandes
necesidades de almacenamiento de información, para lo cual se trabajaba con
hardware de bajo costo y tolerante a las fallas (Lemahieu et al., 2018).
Respecto al Hadoop Distributed File System (HDFS), primer componente de
Hadoop, Lemahieu et al. (2018) mencionan que permite el almacenamiento
de grandes volúmenes de data en un gran conjunto de computadores estándar, y
asumen que se presentarán fallas. El sistema permite a los usuarios conectarse a los
nodos (en los cuales los archivos han sido distribuidos) para obtener y grabar más
información como si fuera un solo sistema.
El MapReduce, el otro componente importante de Hadoop, es un nuevo para-
digma de programación. MapReduce permite escribir programas que son automá-
ticamente trabajados en paralelo y posibilita que sean ejecutados en un gran grupo
de diferentes computadoras estándar. Fue inicialmente establecido por Google y
luego implementado por Apache Hadoop. Aparte de su alta funcionalidad para
mapear y reducir información, su otra gran ventaja es la escalabilidad (posibilidad
de crecer rápidamente), y la tolerancia a las fallas.
Las bases de datos NoSQL son bases de datos no relacionales y permiten al-
macenar y recobrar información por medios diferentes al clásico mecanismo re-
lacional, de tipo tabular. Este tipo de base de datos se usa específicamente en big
data, en aplicaciones de web en tiempo real y en todo tipo de aplicaciones que se
implementen en la nube (cloud computing).
Entre las ventajas de las bases NoSQL podemos decir que tienen un diseño
simple, permiten el escalamiento mediante clusters de computación horizontales
(lo cual es una limitación en las bases de datos relacionales) y cuentan con un
buen control de disponibilidad y flexibilidad. No se logra una consistencia tan

379

M18 Marketing aplicado 01 SE HA [Link] 379 17/08/20 20:58

 Marketing aplicado

buena como en las bases de datos relacionales, pero se tiene una consistencia
eventual. Adicionalmente, trabaja muy bien con data no estructurada y con bases
de datos muy grandes. Se podría decir que cuando es necesario trabajar con gran-
des volúmenes y estructuras flexibles de la data, se requiere tener escalabilidad
(posibilidad de crecer rápidamente) y gran disponibilidad; la alternativa idónea es
una base de datos no relacional como NoSQL (Sharda et al., 2018, & Lemahieu
et al., 2018).

2.3 El sistema clásico de inteligencia de negocios y el big data

2.3.1 El sistema clásico de inteligencia de negocios

El sistema clásico de inteligencia de negocios está constituido por Data Warehouse

o Enterprise Data Warehouse (en muchos casos con una Data Marts dependien-
tes), siendo esta una base de datos relacionales.
Luego, las fuentes internas de datos, con las de ventas, ERP2, sistema operativo,
inventarios y otros. Además, fuentes externas de datos, como información finan-
ciera de Infocorp o Equifax, estudios de mercado, información de la web. A con-
tinuación, viene el proceso de extracción, transformación y carga (ETL en inglés)
que estandariza toda la información de las diversas bases de datos. Finalmente,
las herramientas de inteligencia de negocios o analytics (apoyo a la toma de de-
cisiones o DSS en inglés, OLAP, análisis predictivos y minería de datos). Luego, el
paradigma de análisis de la información es el primero en guardar la información en
la Data Warehouse, y después procede a analizarla, utilizando las herramientas de
inteligencia de negocios.
Los principales tipos de análisis que se pueden realizar con un sistema de inte-
ligencia de negocios, aplicados al área de marketing, son los siguientes: segmenta-
ción de clientes (táctica o estratégica), respuesta a las promociones (incremento de
ventas, venta directa, venta cruzada, nuevos productos, etc.), rentabilidad del clien-
te, detección de fraudes (tarjeta de crédito, seguros y otros), retención de clientes,
optimización del canal, credit scoring (determinar de antemano si el cliente pagará
el crédito que se le otorgará), y muchos otros tipos de análisis.

2  Enterprise resource planning.

380

M18 Marketing aplicado 01 SE HA [Link] 380 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

Figura 18.2 Componentes de la inteligencia de negocios

Inteligencia
de negocios
DSS
Materiales aplicaciones
Réplicas del usuario
Inventario,
transacciones Reportes
OLAP

Contabilidad, Presentaciones
transacciones dashboard

Herramientas de
ERP búsqueda OLAP

Análisis
Intranet, predictivos
extranet, EDI
Minería
Sistema operativo / Data de datos

Acceso
a la data
Fuente: Sharda, Denle y Turban, 2018

2.3.2 El sistema de big data

El sistema actual de big data tiene, complementariamente a lo que tenía el sistema

clásico de inteligencia de negocios, un componente de big data constituido por
el Hadoop Distributed File System (HDFS) y el MapReduce, además de la base de
datos no relacionales NoSQL u otra.
Adicionalmente, para proporcionarle una mayor velocidad a los análisis, tiene
una plataforma analítica, computación en la memoria y otros. Finalmente, el pa-
radigma del análisis ha cambiado a un análisis inmediato: este análisis se produce
conforme va llegando la información a la empresa, sin ninguna demora.

381

M18 Marketing aplicado 01 SE HA [Link] 381 17/08/20 20:58

 Marketing aplicado

Figura 18.3 Sistema de inteligencia de negocios

Data operacional

Data histórica USUARIOS CASUALES

ETL Búsquedas
Reportes
Dashboards
Data de equipos

Data de la web

Sistema de USUARIOS EXPERTOS

Data audiovisual Plataforma
Big Data Búsquedas
(HDFS y Map Reduce) analítica Reportes
(Base datos NoSQL) OLAP
Data externas Minería de Datos
Machine Learning

3. Caso de estudio. Netflix

Netflix es una compañía formada en 1997 por Reed Hastings y Marc Randolph,
en California, para brindar el servicio de alquiler de DVDs, enviándolos a través
del sistema de correo convencional. Desde un inicio empezaron a usar algorit-
mos de inteligencia de negocios o analytics con la intención de recomendar a sus
clientes nuevas películas para minimizar los gastos de adquisición de las películas
(Davenport y Harris, 2017).
Reed Hasting era un profesional de la informática, con una maestría de Stand-
ford University, que ya había tenido una empresa de software que vendió por US$
750 millones. Cuando alguna vez tuvo que pagar una multa de US$ 40 por devol-
ver tardíamente una película alquilada a Blockbuster, pensó que ese servicio podía
ser mucho mejor si se cobraba una tarifa plana (como la que se paga en un gim-
nasio), si usaba el correo tradicional estadounidense y un nuevo medio, el DVD.
Así empezó su negocio, teniendo inclusive tiempos malos como en los años
2000-2001, cuando reventó la burbuja de Internet y las cosas se pusieron difíci-
les (incluso casi vende su empresa a su gran competidor inicial, Blockbuster, por
US$ 50 millones). Sin embargo, el negocio prosperó: sus ventas aumentaron
de US$ 5 millones en 1999 a US$ 8,300 millones en el 2016. Actualmente, Netflix
brinda el servicio de streaming con una gran variedad de contenido, películas, TV

382

M18 Marketing aplicado 01 SE HA [Link] 382 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

shows, documentales y contenido propio a más de 190 países, transmitiendo más

de 100,000 horas de video por minuto (Davenport y Harris, 2017).
Para analizar los gustos y hábitos de los clientes, inicialmente contaban con solo
el historial del cliente: identificación del mismo, películas vistas, rating asignado a
las películas y fechas. Luego, en el 2006, realizaron un concurso entre sus colabo-
radores (con un premio de US$ 1 millón) para el equipo que mejorara el algoritmo
que podía predecir cuál sería la película que miraría el cliente en la próxima opor-
tunidad. Se buscaba una mejora en los resultados del 10 %.
Luego, cuando se pasó al servicio de streaming, se obtuvo mucha más infor-
mación de los clientes: hora del día en que se veía la película, tiempo utilizado
buscando nuevas películas, con qué frecuencia se interrumpía la transmisión de
la película, rating que se le daba a la película, etc. Luego, la empresa, para tener
mayor información, hacía que las películas fueran calificadas de acuerdo con varias
características por personas especialistas. De esta manera Netflix llegó a establecer
80 000 microgéneros y entraba a la etapa del big data (Marr, 2015).

3.1 Cómo Netflix usa el big data

En los últimos veinte años, Netflix ha establecido un modelo de negocios donde el

cliente es el punto principal para la toma de decisiones, usa mucha innovación y se
apoya en la tecnología. Los componentes principales que hacen que la estrategia ten-
ga éxito son: un catálogo variado de películas y shows que tiene el contenido premium;
un pago limitado mensual, que incluye acceso ilimitado; y un servicio con imágenes
de calidad, navegación sencilla, con indicaciones de contenido y que puede ser utili-
zado en diversos equipos (Fernandez-Manzano, Neira, y Clares-Gavilan, 2016).
La gran ventaja de Netflix es que obtiene mucha información de sus mismos
clientes. Toda interacción entre ambos produce mucha data adicional, pero adi-
cionalmente consiguen data de Internet, redes sociales, biometrics, data de bancos,
estudios de mercado, retroalimentación del cliente y otras.
El negocio de Netflix está basado en suscripciones en vez de la publicidad. Ob-
tienen datos de sus usuarios y le sirve para el control de la calidad de los acuerdos
adquiridos, determinar el tamaño óptimo del catálogo, ofrecer recomendacio-
nes personalizadas, y producir contenido, teniendo en cuenta las preferencias del
cliente. Como servicio diferenciador, Netflix también ofrece temporadas completas
de una película, lo que le permite al cliente verla toda de una sola vez.

383

M18 Marketing aplicado 01 SE HA [Link] 383 17/08/20 20:58

 Marketing aplicado

3.2 Información que obtiene del cliente

Mediante big data, Netflix puede obtener la siguiente información del cliente: con-
tenido visto o descartado; características de la reproducción de la película (ve-
locidad, adelantamiento, retrocesos, pausas, etc.); intensidad en la reproducción
(frecuencia y número de horas vistas por sesión); puntaje que el observador le da
al contenido; equipo usado por el usuario para ver la película o show; búsquedas,
localización geográfica, hora del día, seguimiento de recomendaciones; calidad de
reproducción que obtiene el cliente en su zona; rating que das a lo observado
(más de cuatro millones al día); búsquedas (más de 3 millones al día); y, comporta-
miento de navegación y búsqueda (Fernandez-Manzano et al., 2016).
Analiza también las características técnicas de la navegación para determinar
la capacidad y velocidad de transmisión y cómo afecta el consumo del usuario;
estimar cómo se pueden crear experiencias personalizadas; y, determinar cómo se
puede mejorar el envío de contenido, teniendo en cuenta la capacidad de los
servidores. De esta manera, Netflix relaciona todo lo que conoce sobre el cliente y
el ratio de uso del servicio.

3.3 Calificación de clientes

La data que los clientes envían activamente (calificando contenidos, llenando for-
mas cuando recién se inscriben, el hecho de que se conecten miembros especí-
ficos del hogar) es información que se puede comparar con otra generada por
el uso del cliente de manera involuntaria (qué es visto, qué es descartado, a qué
hora es visto, qué tan a menudo y en qué aparato). Todo eso ayuda a explicar las
motivaciones del cliente. Netflix tiene clasificados a sus clientes en 2 000 clusters de
segmentos específicos (Bulygo, 2019).

3.4 Algoritmos utilizados

El catálogo de Netflix está basado en una serie de algoritmos que, con la infor-
mación obtenida de todos sus usuarios en línea, trata de facilitar las decisiones de
estos al escoger las películas y shows.
El algoritmo de recomendaciones lo desarrolla Netflix con 800 programadores
de manera que funcione con mucha eficiencia, para lo cual lo adapta constante-
mente, teniendo en cuenta los gustos y el comportamiento de los clientes, y los
cambios en los productos.
384

M18 Marketing aplicado 01 SE HA [Link] 384 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

La precisión de Netflix en el lanzamiento de nuevos programas de TV es del

70 %, es decir, tiene muy buenos resultados en comparación con los de otros es-
tudios o canales, los cuales solo llegan al 35 % (Fernandez-Manzano et al., 2016;
Bulygo, 2019).

3.5 Calificación de películas

Adicionalmente, Netflix tiene catalogadas a todas las películas y shows de acuerdo

con sus principales características. Para eso recurre a especialistas, clasificando las
mismas en aspectos como su contenido sexual, grado de violencia, niveles román-
ticos y elementos narrativos como el cierre del argumento, utilizando una escala
con valores del 1 al 5.
Luego, utiliza un algoritmo súper especializado (el personal video ranker) para
relacionar la película con las preferencias del cliente. Mediante este sistema, Netflix
tiene clasificadas a todas sus películas y shows en 80 000 microgéneros. De esta ma-
nera, puede hacerles recomendaciones a sus más de 100 millones de usuarios, y ha-
cer que se queden como clientes leales, dando un buen sistema de personalización.
También utiliza otro algoritmo que mide la similitud entre las películas (Madri-
gal, 2014). Mediante su sistema de big data analytics, Netflix hace las recomenda-
ciones respectivas a los clientes y logra una precisión del 80 %: de lo que escogen
los clientes, el 80 % ha sido recomendado.

3.6 Recomendaciones al cliente

Netflix utiliza especialistas con habilidades analíticas para las áreas específicas: per-
sonalización analítica, comunicaciones de marketing analítica, segmentación de
contenido analítico, analítica de acuerdo con el equipo usado por el usuario, y
muchos más.
Si bien utiliza la analítica para cada aspecto del negocio, lo más relevante de
Netflix es que predice qué disfrutará más el consumidor. La compañía tiene más
de 100 millones de usuarios que se siguen incrementando y recibe una cantidad muy
amplia de información de ellos que tiene que analizar para mejorar la experiencia
del usuario, produciendo temas específicos y haciéndole recomendaciones a sus
clientes. De hecho, Netflix conoce más de sus usuarios de lo que uno estima, pues
el sistema de predicción mediante algoritmos sabe con anticipación qué le gustaría
ver al cliente (Marr, 2015; Rohan, 2018).
385

M18 Marketing aplicado 01 SE HA [Link] 385 17/08/20 20:58

 Marketing aplicado

3.7 Manejo de la red

Con intenciones de mejorar la calidad de la experiencia, Netflix busca enviar las

películas a los usuarios reduciendo la demora y controlando los costos.
Inicialmente mantenía todas sus películas y shows en sus propios servidores,
pero ahora los maneja en la nube, analiza la relación que tiene con los ISPs (In-
ternet Service providers), que son sus socios en Internet y pasan el contenido al
cliente final, de tal manera, como se indicó, buscan reducir tiempos de entrega y
minimizar costos.3

3.8 Segmentación de la clientela y comparación con estudios de cine

Netflix ha sido capaz de tomar correctas decisiones para escoger los géneros de
películas, directores y actores que el consumidor quiere ver para cada proyecto,
basándose en la información que obtiene en su servicio. En comparación con los
estudios de cine, que se fundamentan mucho en notas y consejo de expertos, ellos
utilizan toda la data obtenida en su servicio de streaming para escoger qué producir
y a qué segmentos dirigirles esa producción (Million, 2019).
Las grandes productoras de películas no pueden utilizar esta técnica, y se basan
en la gran producción que podría llegar a todo el mercado con buenos resultados,
y así se convierta en un éxito. Netflix, por el contrario, no tiene que tratar de que
cada producción sea un éxito, sino que sea un éxito en unos segmentos específicos
del mercado. Netflix juega a obtener producciones que sean exitosas solamente
en unos cuantos segmentos de los 2 000 que maneja, mientras que las grandes
productoras de películas tienen que lograr un superéxito para todo el mercado.
Las grandes productoras juegan con el marketing masificado, mientras que Netflix
puede jugar al marketing de segmentación (Landgraf, 2018).

Arca Continental
La industria de big data ha generado en Latinoamérica cerca de US$ 3 mil millones
de ingresos en el 2017 y se espera que llegue a los US$ 9 mil millones para el 2023,
obteniendo tasas de crecimiento anuales del 19 %. Dentro de los países que más han
estado utilizando big data en la región están Brasil (47 %), México (27 %), Colombia
(8 %), Chile (7 %), Argentina (6 %), y Perú (3 %). Elementos que están contribuyendo al
uso de big data son la mayor concepción de empresas que usan su data para obtener
mejores resultados, la búsqueda de mayor productividad, conseguir mayor lealtad del
3 

386

M18 Marketing aplicado 01 SE HA [Link] 386 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

cliente, la aparición del Internet de las cosas, entre otras. Empresas proveedoras de
tecnologías de big data, que están jugando un rol decisivo en Latinoamérica, son IBM,
Oracle, Microsoft, SAP y SAS (Frost y Sullivan, 2018).
Arca Continental es la segunda embotelladora más grande de Coca Cola en Lati-
noamérica y la tercera en el mundo. Está localizada en México. Tiene ventas por US$
7,300 millones. Vende bebidas gaseosas, agua embotellada, agua con gas embotella-
da y bocaditos embolsados, y atiende los siguientes países: México, Perú, Argentina,
Ecuador y el sur de Estados Unidos.
La empresa está en un negocio muy competitivo, atendiendo a 900 000 clientes,
en áreas muy diferentes en cuanto a ingresos económicos, densidades de población,
gustos, clima y características de marketing, y decidieron utilizar la inteligencia de ne-
gocios, big data analytics en este caso, dado la cantidad de data interna que tenían y
la data externa adicional que podían conseguir, para lograr un buen crecimiento (Arca
Continental, 2016). La solución planteaba utilizar la data de los tres últimos años, data
interna y externa, trabajando con la regresión múltiple, como herramienta de minería
de datos, y teniendo a todo el sistema de big data implantado en el sistema Azure, la
nube de Microsoft (Cloud Computing).
Con el sistema de big data analytics analizaron la información con 200 regresio-
nes múltiples de unas 100 variables cada una, con información demográfica, clima,
empleos, eventos deportivos, precios de la competencia y días feriados. Se pudieron
explicar aspectos de incrementos de ventas en periodos específicos, razones por los
cambios en las ventas y muchas variables más.

Compañías como [Link], General Electric, Facebook y muchas otras es-

tán utilizando la segmentación dentro de big data, para brindar una mejor perso-
nalización, recomendaciones de productos y dar una mayor experiencia al cliente.
La revista Forbes declara que big data es la mejor oportunidad para cambiar las
reglas del juego en marketing y ventas, desde que se creó el Internet hace más de
dos décadas.

3.9 Mercado internacional y publicidad

Netflix es una empresa global que atiende a 140 millones de clientes en 190 países,
personalizando el contenido para cada territorio que atiende, sin negar las diferen-
cias culturales y atendiendo a cada uno de acuerdo con las preferencias que tiene.
Por esa razón es que manda producir las películas en 21 países además de E.U.A.,
traduciéndolas y poniéndoles subtítulos en muchos idiomas (The Economist,
2018). Netflix también usa publicidad segmentada y recomendaciones para reducir
el presupuesto de su campaña promocional, llegando a los clientes más valorados
y relevantes en un solo momento.

387

M18 Marketing aplicado 01 SE HA [Link] 387 17/08/20 20:58

 Marketing aplicado

Universidad peruana
Uno de los grandes problemas que tienen las universidades actualmente es la baja
retención de los estudiantes durante todo el periodo de estudios (5 a 6 años, desde
que ingresan), llegando en muchos casos a retener solo el 50 % de los que ingresaron
inicialmente. La retención de los estudiantes ha llegado a ser un objetivo prioritario
en las universidades a nivel mundial y en nuestro país. Los resultados de esa baja
retención producen malos resultados financieros, baja proporción de estudiantes
graduados y una deficiente reputación de la institución a los ojos de los accionistas y
todas las partes relacionadas con la institución.
En el área de marketing existe desde hace mucho tiempo los estudios para retener
a los clientes, los cuales son muy importantes de definir en algunos tipos específicos
de negocios, y un ejemplo sería el de las líneas telefónicas para los celulares inteligen-
tes (Movistar, Claro, Entel y otras).
Este es el caso de una universidad peruana de renombre, que prefiere mantenerse
anónima, sobre cómo hace para predecir qué estudiantes son los que no culminaran
sus estudios, y las razones por las cuales ocurrirá ello. La universidad analiza toda la
data (estructurada y no estructurada) que recibe de los postulantes al momento de
presentarse a la universidad, y los relaciona con los resultados que se obtienen luego
de los seis años de estudios, es decir, si completan la carrera o si se retiran de la uni-
versidad por algún motivo.
Se trabaja con 10 variables independientes que se obtienen cuando el estudiante
está postulando a la universidad. Como variable dependiente se tiene a la posición del
estudiante. Esta variable fue definida categóricamente con cuatro alternativas: terminó
la carrera universitaria, se retiró voluntariamente porque quiso irse a estudiar a otra
institución, se retiró por muy malas notas, y fue retirado por la universidad por notas
muy malas.
La información se analiza con herramientas de anlytics, la minería de datos, uti-
lizando específicamente, la regresión múltiple, árboles de clasificación, redes neuro-
nales y la regresión logística, y se llega a tener una precisión del 75 %, lo que ayuda
a dar cursos de preparación para las materias en las cuales no traen una preparación
adecuada, apoyo psicológico para los que tienen posibles problemas por motivos
varios, y también apoyo financiero para quienes lo requieran.

4. Perspectivas de big data

4.1 Limitaciones de big data

El error de tratar de pasar directamente a un sistema de big data, sin mayores aná-
lisis, desde un sistema típico de inteligencia de negocios con una Data Warehouse
relacional sería el siguiente: primero, creer que porque una organización tiene ac-
tualmente una millonada de datos que le llegan frecuentemente, tiene que pasar
a un sistema de big data, cuando su sistema de inteligencia de negocios con una
388

M18 Marketing aplicado 01 SE HA [Link] 388 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

Data Warehouse relacional lo puede manejar sin ningún problema. Generalmente,

un sistema de big data crece horizontalmente, sin casi limitaciones, en cuanto a re-
cibir mayor cantidad de data, pero pierde consistencia y precisión en la búsqueda
de información (Lemahieu et al., 2018).
Segundo, el concepto de big data surgió para manejar bases de datos no estruc-
turadas (que no estaban en forma numérica dispuestas en filas y columnas), data
que venía a gran velocidad, y de base de datos muy grandes, cosa que no podían
manejar los sistemas de inteligencia de negocios con base de datos relacionales.
Pero esto no significaba que los sistemas de big data podían buscar, analizar y ob-
tener insights (nuevos conocimientos) fácilmente de estas bases de datos, por lo
que los planteamientos iniciales de big data tenían todavía sus limitaciones (Sharda
et al., 2018).

4.2 Big data mirando al futuro

El concepto de big data se actualiza casi cada mes y viene tratando de subsanar
todas las deficiencias que tiene comparado con los sistemas de inteligencia de
negocios con Data Warehouse relacionales. Se han ido desarrollando nuevas tec-
nologías big data, para sobreponerse a las limitaciones de sus componentes, el
Hadoop Distributed File System y el Hadoop Map reduce, derivados de la base
de datos no relacional del NoSQL. Se han creado tecnologías como el HBase, Pig,
Hive, Spark, Flink, Ignite y H20 (que superan a la base de datos NoSQL), las cuales
logran buenos avances, pero todavía requieren de algo más (Lemahieu et al., 2018).
El sistema de big data viene evolucionado rápidamente para solucionar las li-
mitaciones que tiene actualmente y promete superarlas en un periodo no muy
lejano, trabajando conjuntamente con el concepto de la Data Warehouse y su base
de datos relacional para data estructurada, pero siempre cambiando el paradig-
ma de analizar la información inmediatamente al momento de su llegada (stream
analytics), y no como antes, que consistía en primero guardar la información en la
Data Warehouse y posteriormente empezar el proceso de análisis.

5. Guía de implementación
Se proponen, a continuación, algunas recomendaciones clave para la implementa-
ción de una adecuada y eficiente estrategia de big data:
389

M18 Marketing aplicado 01 SE HA [Link] 389 17/08/20 20:58

 Marketing aplicado

1. Definir la oportunidad de negocio.

Antes que los datos y la tecnología, debe delimitarse con claridad el objetivo
de negocio que se busca alcanzar por medio de la estrategia de Big Data. Por
lo mismo, debe partirse de un análisis de la situación, identificando necesida-
des, oportunidades y objetivos; y definiendo resultados esperados medibles.
2. Identificar la data disponible y su tratamiento actual.
Debe conocerse en detalle de qué datos dispone la compañía y dónde están. Ade-
más, de quién los gestiona, quién tiene acceso y cuál es su calidad. Resulta de es-
pecial importancia tener conocimiento de dónde están los datos e identificar, ade-
más, las distintas fuentes de información potencial de las que se pueden disponer.
Complementariamente, debe entenderse cómo se están desarrollando
los procesos o tomando decisiones en la compañía; para entender el ren-
dimiento que se viene alcanzando, e identificar las áreas de mejora de estos
procesos y decisiones, en el marco de la oportunidad de negocio definida.
3. Seleccionar los datos con los que se trabajarán.
Una de las decisiones que puede representar el éxito o fracaso de una es-
trategia de Big Data es la correcta selección de los datos, en función a su
relevancia respecto a la oportunidad de negocio delimitada. Una selección
incorrecta de los datos, podrá acarrear, a su vez, una errónea selección de la
tecnología adecuada para su tratamiento y análisis.
4. Flexibilidad e iteración.
La explotación de data es ciencia y arte al mismo tiempo. Dado que las apro-
ximaciones potenciales son múltiples, se debe tener la suficiente flexibilidad
para entender que se debe experimentar e iterar, en un proceso continuo de
ensayo y error, en la búsqueda del enfoque más adecuado para la explota-
ción de los datos en el marco de los objetivos predefinidos.
5. Avanzar sobre los logros conseguidos y las lecciones aprendidas.
Dado que la estrategia de Big Data debe conceptualizarse e incorporarse
como una nueva cultura en la organización (y no como un proyecto espe-
cífico con un plazo fijo) es especialmente útil que los logros obtenidos y las
lecciones aprendidas retroalimenten el avance de la estrategia, facilitando y
potenciando su escalamiento. De esta manera, los resultados positivos pre-
vios permitirán identificar nuevas oportunidades de negocio y áreas de me-
jora de los procesos, así como el uso potencial de aproximaciones de análisis
alternativas y de tecnologías emergentes.

390

M18 Marketing aplicado 01 SE HA [Link] 390 17/08/20 20:58

 Capítulo 18 Análisis y procesamiento del big data

6. Recursos útiles
•  ¿Qué es Big Data? - IBM Developer
[Link]
•  ¿Qué son los Big Data? - Amazon Web Services
[Link]
•  Big data is better data - TED Talk - Kenneth Cukier
[Link]
•  How Netflix Uses Analytics To Select Movies, Create Content, and Make
Multimillion Dollar Decisions - Zach Bulygo
[Link]
•  Fighting Coronavirus with Big Data - Harvard Business Review - Julie Shah y
Neel Shah [Link]

391

M18 Marketing aplicado 01 SE HA [Link] 391 17/08/20 20:58

 Marketing aplicado

Referencias bibliográficas
Arca Continental (2016). Big Data boosts business for beverage company. Recuperado
de [Link]
-company
Bulygo, Z. (2019). How Netflix uses analytics to select movies, create content, and make
multimillion dollar decisions. Recuperado de [Link]
uses-analytics/
Davenport, T. y Harris, J. (2017). Competing on Analytics. The New Science of Winning.
Boston: Harvard Business School Press. Updated edition.
Fernandez-Manzano, E.P., Neira, E. y Clares-Gavilán, J. (2016). Data Management in
Audiovisual Business: Netflix as a Case Study. El profesional de la Información, (25),
pp. 568-576.
Frost and Sullivan (2018). Brazil and Mexico stand as front-runners in the Latin American
Big Data Market, says Frost & Sullivan. Recuperado de [Link]
press-releases/brazil-and-mexico-stand-front-runners-latin-american-big-data-market-
says-frost-sullivan/
Landgraf, J. (2018). Netflix uses data to drive creativity, and it is terrifying Holliwood. Strea-
ming Media, June 2018. Recuperado de [Link]
Editorial/Featured-Articles/Netflix-Uses-Data-to-Drive-Creativity-and-It-Terrifies-Ho-
[Link]
Laudon, K. y Laudon, J. (2017). Management Information Systems, Fifteenth edition.
Boston: Prentice Hall.
Lemahieu, W., Vanden Broucke, S., y Baesens, B. (2018). Principles of Database Mana-
gement. Great Britain: Cambridge University Press.
Madrigal, A. (2014). How Netflix reverse-engineered Hollywod. Recuperado de https://
[Link]/technology/archive/2014/01/how-netflix-reverse-engineered-ho-
llywood/282679/
Marr, B. (2015). Big Data: How Netflix uses it to drive business success. However although
Big Data is used across every aspect of the Netflix business. Recuperado de [Link]
[Link]/big-data-how-netflix-uses-it-drive-business-success/
Million, M. (2019). Customer segmentation in the age of Big Data. Recuperado de
[Link]
[Link]
Rohan (2018). Deciphering the unstoppable Netflix and the role of Big Data. Recupe-
rado de [Link]
[Link]
Sharda, R., Delen, D. & Turban, E. (2018). Business Intelligence, Analytics and Data
Science: A Managerial Perspective. New York: Pearson.
The tech giant everyone is watching, and The televisión will be revolutionised (30 de
junio de 2018) The Economist, p. 11. Recuperado de [Link]
tent/uploads/2018/07/The_Economist_USA_-_June_30_2018.pdf

392

M18 Marketing aplicado 01 SE HA [Link] 392 17/08/20 20:58