Sistema de Inteligencia de Negocios

Conceptos y herramientas de almacenamiento y análisis de datos

Al pensar en Business Intelligence, inevitablemente nos vienen a la mente

conceptos como Data Mart, Data Warehouse, OLAP (On Line Analytical
Processing), Customer Relationship Management (CRM) y Data Mining… Todos
estos conceptos se aglutinan bajo el marco común del denominado “Collaborative
Business Intelligence”, que nos permite gestionar conocimientos, y no sólo
información.

Por lo tanto, este tipo de herramientas son fundamentales para la nueva sociedad
de la información y el conocimiento.

DATA WAREHOUSE
Definición de Data Warehouse1

El concepto de Data Warehouse significa almacén de datos. Nació en la década

de los 80 ante la necesidad de desarrollar un sistema de almacenamiento de
datos. Con los requerimientos de una gestión fluida y ordenada de los datos. De
esta forma conseguimos un significativo ahorro en tiempo y presupuesto frente a
los sistemas de datos tradicionales.

Un Data Warehouse recopila y administra datos de diversas fuentes para

proporcionar información empresarial significativa. En este almacén se
concentrarán los datos durante el período de tiempo necesario para cumplir con
las necesidades de consulta de la organización.

Es una recopilación de datos centralizada. Está separada de los sistemas

operacionales y apoya la toma de decisiones de la empresa. En un Data
Warehouse los datos se almacenan desde una perspectiva histórica.

Los datos en el almacén se obtienen de múltiples fuentes. Se verifica, se limpia y

entonces se integra con el sistema Data Warehouse. El almacén de datos requiere
una rápida gestión de una gran capacidad de almacenamiento. Esta herramienta
puede responder a cualquier consulta compleja relacionada con los datos. Los
datos recopilados se utilizan para guiar la toma de decisiones. Data Warehouse

1
[Link]

1
pone a nuestra disposición herramientas de análisis, informes y extracción de
datos.

Podemos decir que una Data Warehouse2 es un conjunto de datos estructurados

orientados por temas, integrados, variables con el tiempo y no volátiles empleados
para tomar decisiones.

Desglosemos la definición:

- Orientados por temas: Colección de información relacionada organizada

alrededor de un tema central. Cuando se habla de Data Warehouse se hace
referencia a un sistema que esta organizado en base a temas o asignaturas
especiales, que permite entonces que los datos y la información de mismo tipo
quede siempre conectada. Ejemplos de temas pueden ser clientes, productos,
campañas, etc.

- Integrados: Los datos se obtienen de fuentes diferentes, por ejemplo de los

diferentes departamentos de una organización, pero se deben aplicar técnicas de
integración (agrupación) de los datos.

Los datos se organizan por temas para facilitar su acceso y entendimiento por
parte de los usuarios finales. Por ejemplo, todos los datos sobre clientes pueden
ser consolidados en una única tabla del Data Warehouse. De esta forma, las
peticiones de información sobre clientes serán más fáciles de responder dado que
toda la información reside en el mismo lugar.

- No volátiles: quiere decir que los datos no van a cambiar con el tiempo una vez
que se encuentran en el almacén. El almacén de información de un Data
Warehouse existe para ser leído, pero no modificado. La información ni se
modifica ni se elimina.

- Variables con el Tiempo: Los cambios producidos en los datos a lo largo del
tiempo quedan registrados para que los informes que se puedan generar reflejen
esas variaciones.

2
[Link]

2
Otras formas que podemos encontrar de llamar a las data warehouse pueden ser:
DW, Data Wharehouse, Data Warhouse o simplemente almacén de datos.

Data Warehousing, es el proceso que facilita la creación y explotación de un Data

Warehouse.

Además de una base de datos, en una Data Warehouse, se incluyen herramientas

de extracción, transporte, transformación y carga de los datos (ETL), un
procesamiento analítico en línea (OLAP) para analizarlos, herramientas de análisis
de clientes, y otras aplicaciones que gestionan el proceso de recopilación de datos
y la entrega a los usuarios como el data mining.

¿Para qué sirve Data WareHouse?

- Para tener un mayor conocimiento del negocio

- Para tomar mejores decisiones y en un tiempo menor.

- Para mejorar y ser más efectivos.

- Para no perder distancia con la competencia.

- En definitiva para aumentar los ingresos.

3
Las Data Warehouse son la base para los sistemas de gestión de relaciones con
los clientes ya que pueden ser utilizados para la consolidación de los datos del
cliente y la identificación de áreas de satisfacción y/o frustración del cliente.

También se utilizan para la detección de fraudes, análisis de reposicionamiento de

producto, el descubrimiento de centros de beneficio y gestión de activos
corporativos.

Ejemplos Data Warehouse

Veamos más casos concretos con ejemplos:

Para los minoristas, un almacén de datos o Data Warehouse puede ayudar a

identificar las características demográficas de los clientes, identificar los patrones
de compra y mejorar las respuestas de correo directo.

Para los bancos, puede ayudar en la detección de fraude de tarjetas de crédito,

ayudar a identificar a los clientes más rentables, y poner de relieve los clientes
más fieles.

Las empresas de telecomunicaciones la utilizan para predecir qué clientes

tienen más probabilidades de cambiar de compañía y luego aplicarles incentivos
especiales para quedarse.

4
Las compañías de seguros la utilizan para el análisis de las reclamaciones para
ver qué procedimientos se reivindican y para identificar patrones de los clientes de
riesgo.

Los fabricantes pueden utilizarla para comparar los costos de cada una de sus
líneas de productos en los últimos años, a determinar qué factores producen
incrementos y ver qué efecto tuvieron estos aumentos en los márgenes globales.

La mayoría de los Data Warehouse tiene la siguiente arquitectura:

Expliquemos los pasos ETL y de análisis.

DATA WARE HOUSE ETL

El proceso de extracción de datos de los sistemas de origen y ponerla en la Data
Warehouse se denomina comúnmente proceso ETL.

ETL (Extract, Transform and Load) es un proceso responsable de la extracción de

datos de los sistemas de origen y de colocarlo en un almacén de datos o Data
Warehouse.

ETL implica las siguientes tareas:

Extracción de datos: Es lo primero que hace una herramienta ETL.

5
Se trata de obtener la información de las distintas fuentes de origen, tanto internas
como externas.

Durante la extracción, se identifica los datos deseados y se extrae de muchas

fuentes diferentes, incluyendo los sistemas de bases de datos y aplicaciones.

Después de la extracción de datos, tienen que ser transportados físicamente al

sistema de destino o a un sistema intermedio para su posterior procesamiento y/o
transformación.

Transformación: es el filtrado, limpieza, depuración, homogeneización y

agrupación de la información.

Incluye la agrupación de los datos de las diferentes fuentes.

La transformación se produce mediante el uso de reglas o tablas de consulta o

mediante la combinación de los datos con otros datos.

Carga: es el proceso de escribir los datos en la Data Warehouse.

La fase de carga es el momento en el cual los datos de la fase anterior

(transformación) son cargados en el sistema de destino.

OLAP DATA WAREHOUSE

OLAP = On-Line Analytical Processing = Procesamiento analítico en línea.

Es el método más utilizado para analizar y evaluar los datos de la Data

Warehouse en línea.

Permite a los gerentes y analistas obtener una idea de la información.

Para analizar los datos se utilizan un conjunto de operaciones.

Estas operaciones se realizan mucho más fácilmente con software o programas

OLAP, que suelen incluir los programas Data Warehouse.

Para los programas OLAP un tiempo de respuesta es una medida de su eficacia.

OLAP permite al usuario extraer y ver con facilidad y de forma selectiva los datos
desde diferentes puntos de vista.

DATA MINING
6
Data Mining significa "minería del datos".

En general, el Data Mining (a veces descubrimiento de conocimiento) es el

proceso de analizar los datos desde diferentes perspectivas y resumirlos en
información útil; información que puede ser utilizada para aumentar los ingresos,
reducir los costes, o ambos.

El Data Mining descubre patrones ocultos en los datos.

Técnicamente, el Data Mining es el proceso de encontrar correlaciones entre los

patrones o de los campos en grandes bases de datos como en los de una Data
Warehouse.

Un ejemplo, una cadena de supermercados utiliza la capacidad de extracción de

datos de Oracle software para analizar los patrones de compra locales.

Descubrieron que cuando los hombres compran pañales los jueves y los sábados,
también tendían a comprar cerveza.

Un análisis más detallado mostró que estos compradores normalmente hicieron su

compra semanal los sábados.

Los jueves, sin embargo, sólo habian comprado algunos artículos.

El minorista llegó a la conclusión de que debería comprar cerveza para tenerla

disponible para el próximo fin de semana.

La cadena de supermercados podría utilizar esta información recientemente

descubierta de diversas maneras para aumentar los ingresos.

Por ejemplo, podrían mover la estantería de la cerveza más cerca de la de los

pañales y los jueves no harían ninguna oferta para pañales y cerveza.

Diferencia entre OLAP y Data Mining

OLAP y Data Mining se utilizan para resolver diferentes tipos de problemas
analíticos.

Con OLAP se resumen los datos y se hacen pronósticos.

Por ejemplo, responde a cuestiones operativas como "¿Cuál es el promedio de

ventas de automóviles, por región y por año?".

7
Data Mining descubre patrones ocultos en los datos y opera a un nivel detallado
en lugar de un nivel de resumen.

Por ejemplo, en una industria de las telecomunicaciones, donde la pérdida de

clientes es un factor clave, la minería de datos podría responder a preguntas
como:

"¿Quién es probable que cambie los proveedores de servicios y cuáles son las
razones para que cambien?"

8
 DATA MART Y DATA WAREHOUSE3

Definición de Datamart

Un Data Mart es un subconjunto de un almacén de datos orientado a una línea de

negocios específica. Los almacenes de datos contienen depósitos de datos
resumidos recopilados para su análisis en una sección o unidad específica dentro
de una organización, por ejemplo, el departamento de ventas.

Un Data Mart solo obtiene datos de unas pocas fuentes. Estas fuentes pueden ser
el Data Warehouse corporativo, sistemas operacionales internos o fuentes de
datos externas.

El DataMart es un sistema orientado a la consulta. La distribución interna de los

datos es clara. Se utilizan modelos dimensionales de estrella o copo de nieve para
su estructura.

Un Data Mart es un sistema de indexación y extracción. Es un subconjunto

importante de un Data Warehouse. Está centrado en un área específica dentro del
negocio. Diseñado para satisfacer las necesidades de un grupo específico de
usuarios. De esta forma también se considera un almacén de datos
departamental, aquí podemos ver otra diferencia entre Data Mart y Data
warehouse.

Los Data Mart son rápidos y fáciles de usar, ya que utilizan pequeñas cantidades
de datos.

Diferencia entre Data Mart y Data warehouse

La diferencia entre Data Mart y Data Warehouse es notable, pero ambas son
herramientas de Businsess Intelligence. Son buenos ejemplos de herramientas
concebidas para mejorar significativamente la capacidad de una organización a la
hora de tomar decisiones de negocio.

Diferencias:

Criterio Data Warehouse Data Mart

Uso Ayuda a tomar una decisión Ayuda a tomar decisiones
estratégica. tácticas para el negocio.
Objetivo El objetivo principal de Data Utilizado principalmente en

3
[Link]

9
 Warehouse es proporcionar una división de negocios a
un entorno integrado y una nivel de departamento.
imagen coherente de la
empresa en un momento
determinado.
Diseño Complejo Sencillo
Modelo dimensional Puede o no puede usarse Se construye enfocado en
en un modelo dimensional. un modelo dimensional
Sin embargo, puede usando un esquema de
alimentar modelos inicio.
dimensionales.
Gestión de datos Incluye una gran área de la Son fáciles de usar, diseñar
corporación, por lo que se e implementar, ya que solo
tarda mucho tiempo en puede manejar pequeñas
procesarla. cantidades de datos.
Foco El Data Warehouse se Data Mart está orientado a
enfoca ampliamente en un área de negocio y se
todos los departamentos. utiliza a nivel de
Es posible que incluso departamento.
pueda representar a toda la
empresa.
Tipo de datos Los datos almacenados en Los Data Marts están
Data Warehouse siempre construidos para grupos de
ofrecen más detalle en usuarios particulares. Por lo
comparación con Data Mart. tanto, los datos son cortos y
limitados.
Normalización Los almacenes modernos No hay preferencia entre
están en su mayoría una estructura normalizada
desnormalizados para o desnormalizada.
proporcionar consultas de
datos más rápidas y un
buen rendimiento de lectura
Área temática El objetivo principal de Data En su mayoría tienen solo
Warehouse es proporcionar un área temática, por
un entorno integrado y una ejemplo, cifra de ventas.
imagen coherente de la
empresa en un momento
determinado.
Almacenamiento de datos Diseñado para almacenar Modelado dimensional y
datos de decisiones de toda diseño de esquema en
la empresa, no solo datos estrella empleado para
de marketing. optimizar el rendimiento de
la capa de acceso.
Tipo de datos La variación en el tiempo y Principalmente incluye
el diseño no volátil se estructuras de datos de
aplican estrictamente. consolidación para
satisfacer las necesidades
de informes y consultas del
área temática.
Valor de los datos Solo lectura desde el punto Datos transaccionales

10
 de vista de los usuarios agrupados alimentados
finales. directamente desde el Data
Warehouse.
Alcance Es más útil ya que puede Data Mart contiene datos,
traer información de de un departamento
cualquier departamento. específico de una empresa.
Puede que haya Data Marts
separados para ventas,
finanzas, marketing, etc.
Tiene un uso limitado
Fuente Los datos provienen de Los datos provienen de muy
muchas fuentes. pocas fuentes.
tamaño El tamaño del Data El tamaño de Data Mart es
Warehouse puede variar de inferior a 100 GB.
100 GB a más de un TB.
Tiempo de implementación El proceso de El proceso de
implementación de Data implementación de Data
Warehouse puede Mart está restringido a unos
extenderse de meses a pocos meses.
años.

11
 HERRAMIENTAS DE BUSINESS INTELLIGENCE4
El mercado de las herramientas de Business Intelligence crecerá a un ritmo anual
del 7,6% entre 2020 y 2025, según pone de manifiesto un estudio de
MarketsandMarkets. La Inteligencia de Negocio y el Big Data están ofreciendo a
las organizaciones justo lo que más necesitan: confianza en medio de la imparable
transformación digital en que se halla inmerso el sector empresarial.

Los expertos en Business Intelligence y Big Data recurren a soluciones

tecnológicas para automatizar las tareas de recolección y análisis pero, sobre
todo, para trabajar en la visualización de datos. Numerosos departamentos (como
marketing, RRHH, compras, logística, etc.), así como los mandos directivos, hacen
uso de dashboards creados con estas plataformas para consultar información
previamente tratada por los analistas y data scientists.

Business Intelligence (BI) es un tipo de software que se alimenta de datos de

negocios y presenta reportes, paneles, tablas y gráficos de forma amigable para el
usuario. Las herramientas de BI permiten a los usuarios de negocio acceder a
diferentes tipos de datos: históricos y actuales, de terceros e internos, así como
datos semiestructurados y datos no estructurados como las redes sociales. Los
usuarios pueden analizar esta información para obtener insights sobre el
rendimiento del negocio.

Aunque la BI no les dice a los usuarios empresariales qué hacer o qué sucederá si
toman un determinado curso, la BI tampoco se trata únicamente de generar
informes. Más bien, BI ofrece una forma para que las personas examinen los
datos para comprender las tendencias y canalizar los insights.

Las organizaciones pueden utilizar la información obtenida de BI y el análisis de

datos para mejorar las decisiones comerciales, identificar problemas, detectar
tendencias del mercado y encontrar nuevos ingresos u oportunidades comerciales.

¿CÓMO FUNCIONA LA BI?

Las plataformas de BI tradicionalmente se basan en los almacenes de datos para

obtener su información básica. Un almacén de datos agrega información de
múltiples fuentes de un sistema central para respaldar el análisis y la generación

4
[Link]

12
de informes comerciales. El software de BI realiza búsquedas en los almacenes y
presenta los resultados al usuario en forma de informes, tablas y mapas.

Los almacenes de datos pueden incluir un motor de procesamiento analítico en

línea (OLAP) para admitir consultas multidimensionales. Por ejemplo: ¿Cuáles
fueron las ventas de nuestra región este y la región oeste en este año, en
comparación con el año pasado?

OLAP proporciona una poderosa tecnología para el descubrimiento de datos, lo

que facilita la inteligencia empresarial, los cálculos analíticos complejos y el
análisis predictivo. Uno de los principales beneficios de OLAP es la coherencia de
la información y los cálculos que utiliza para impulsar los datos a fin de mejorar la
calidad del producto, las interacciones con los clientes y las mejoras de los
procesos".

Algunas soluciones de inteligencia empresarial más nuevas pueden extraer e

ingerir datos sin procesar directamente utilizando tecnología como Hadoop, pero
los almacenes de datos siguen siendo la fuente de datos de elección en muchos
casos.

¿POR QUÉ ES IMPORTANTE LA BI?

La BI brinda a las organizaciones la capacidad de hacer preguntas en un lenguaje

sencillo y obtener respuestas que puedan comprender. En lugar de utilizar
conjeturas, las empresas podrían basar sus decisiones en lo que les dicen sus
datos comerciales, ya sea que se relacionen con la producción, la cadena de
suministro, los clientes o las tendencias del mercado.

La BI ayuda a las organizaciones a convertirse en empresas basadas en datos,

mejorar el rendimiento y obtener una ventaja competitiva. Estas pueden:

Mejorar el ROI entendiendo el negocio y asignando recursos de manera inteligente

para cumplir con los objetivos estratégicos.

Descubrir el comportamiento, las preferencias y las tendencias de los clientes, y

utilizar los conocimientos para segmentar mejor los mercados potenciales o
adaptar los productos a las necesidades cambiantes del mercado.

Supervisar las operaciones comerciales y corregir o realizar mejoras de forma

continua, impulsada por la información obtenida.

13
Mejorar la gestión de la cadena de suministro mediante el seguimiento de la
actividad a lo largo y ancho de la línea, lo que representa una mejor comunicación
de los resultados con socios y proveedores.

Las organizaciones se benefician cuando pueden evaluar las operaciones y los

procesos, comprender a sus clientes, evaluar el mercado e impulsar la mejora,
todo de forma integral. Necesitan las herramientas adecuadas para agregar
información empresarial desde cualquier lugar, y así analizarla, descubrir patrones
y encontrar soluciones.

El mejor software de BI respalda este proceso de toma de decisiones al:

 Conectar a una amplia variedad de diferentes sistemas de datos y

conjuntos de datos, incluidas bases de datos y hojas de cálculo.
 Proporciona un análisis profundo que ayuda a los usuarios a descubrir
relaciones y patrones ocultos en sus datos.
 Presentar respuestas en visualizaciones de datos informativas y
convincentes como informes, mapas, cuadros y gráficos.
 Permitir la comparación de datos en paralelo, en diferentes escenarios.
 Proporciona funciones específicas para obtener detalles y así permitir a los
usuarios investigar diferentes niveles de datos.

Ante este interés por el Business Intelligence, el número de herramientas a

nuestra disposición no hace sino aumentar. Las siguientes son algunas de ellas:

1. Power BI

Power BI es una suite de Microsoft para la gestión de datos y la realización de

análisis descriptivos y predictivos. Power BI vuelca la información en cuadros de
mando interactivos que muestran la evolución de las variables del negocio,
favoreciendo una dinámica self-service de acceso a los datos por parte de las
distintas áreas de la organización.

Entender el funcionamiento de esta herramienta de Business Intelligence es

prácticamente una obligación para los expertos en Big Data.

2. Tableau

Tableau mantiene su posición de preeminencia entre las soluciones de Business

Intelligence más utilizadas. Probablemente, porque los niveles de dificultad en su
manejo se adaptan al conocimiento de sus usuarios: los neófitos pueden efectuar
análisis sencillos en una plataforma visual e intuitiva; mientras que los

14
especialistas disponen de numeras opciones de configuración en un entorno
seguro y escalable.

Además, su gran implantación en todo el mundo ha favorecido el crecimiento de

una comunidad online muy activa, que comparte a menudo sus experiencias con
la herramienta en foros y redes sociales.

3. MicroStrategy

La rapidez y la inmediatez son las grandes ventajas que sitúan a MicroStrategy

como una de las herramientas de Business Intelligence con más potencial en
2021. Ofrece numerosas posibilidades de integración con otras aplicaciones (con
Power BI, entre otras), permite efectuar análisis en tiempo real y acaba con los
silos en el manejo de la información empresarial. Además, provee funcionalidades
específicas para el entorno móvil.

4. Oracle BI

Oracle BI es la suite de soluciones de Inteligencia de Negocio de Oracle. Presenta

dos grandes bazas como herramienta de Business Intelligence:

Analítica en la nube. Con Oracle Analytics Cloud es posible combinar un

almacenamiento on premise de los datos con la ejecución de análisis en la nube.
El resultado es un acceso seguro a los insights desde cualquier lugar.

Inteligencia Artificial y Machine Learning. El uso de la IA y el aprendizaje

automático sustenta la formulación de predicciones más fiables.

5. Qlik

Lo mejor de esta plataforma es que, con un tono pedagógico en su comunicación,

intenta hacer fácil lo difícil, apostando por la simplificación de sus comandos y la
automatización de las órdenes. En definitiva, persigue que los usuarios le pierdan
el miedo a los datos.

6. SAP BusinessObjects Business Intelligence

La plataforma BusinessObjects Business Intelligence de SAP destaca por su

escalabilidad, requisito extremadamente valioso para startups y empresas en
expansión. Se trata de una herramienta de Inteligencia de Negocio con
implementación local y 100% integrable con el paquete Office de Microsoft, lo que
la convierte en la solución de elección para aquellas compañías que han hecho de
Excel su biblia corporativa.

15
 LAS REDES SOCIALES Y EL BUSINESS INTELLIGENCE
Cada vez más la empresas se dan cuenta de la importancia que el social media
debe formar parte de sus estrategias de negocio. La data proveniente de las redes
sociales es como cualquier otra data recopilada por tu empresa, simplemente no
está organizada y normalmente proviene de diversos canales. Sin embargo,
deben las compañías están empezando a ver las redes sociales otra fuente de
datos para su inteligencia de negocio.

Esto es por una simple razón. Al recopilar y analizar datos de redes sociales junto
con el resto de su BI corporativo, las empresas tienen una mejor visión de
quienes son sus consumidores, si adquieren o no sus productos y servicios. Ayuda
a ir más allá en información como " las ventas de Producto X en el Medio Oriente
son más altas".

La data social puede explicar por qué el Producto X se vende tan bien en el Medio
Oriente, e incluso pueden ayudar a detectar tendencias tempranas que para
impulsar el desarrollo de productos o los mensajes adecuados para
comercializarlos. El Business Intelligence ayudará en la representación visual de
estos datos, por lo que es fácil identificar estas tendencias.

La falta de conexión entre la data social con otros de tus conjuntos de datos puede
provocar:

Una visión incompleta de los factores que afectan al negocio

Una búsqueda manual y por separado en diferentes sistemas

Duplicidad de la data

¿Por qué aprovechar la integración de las redes sociales y del Business

Intelligence?

En principio, podemos decir que con la ayuda de las herramientas de

monitorización adecuadas y los datos generados por las redes sociales por
ejemplo las interacciones, te dan acceso inmediato a potentes ideas accionables
sobre la confianza del consumidor: si no aprovechas esta capacidad y los
competidores si, entonces estarás perdiendo cuota de mercado.

Esto no es el único motivo por el cual es importante incorporar las redes sociales
en tu conjunto de datos.

Datos en tiempo real

16
Las conversaciones generadas en las redes sociales son espontáneas y los
comentarios son virtualmente instantáneos. En cambio muchas de las otras
fuentes de datos comúnmente utilizadas, como los informes de puntos de venta /
transacciones y las encuestas a los clientes, tienen un tiempo de retraso.

Ahora es más fácil que las marcas puedan aprovechar la inmediatez de los
comentarios en las redes sociales para medir el éxito de los productos, servicios y
lanzamientos. Esta inmediatez a su vez permite retroalimentar la información
sobre en una campaña existente, para optimizarla y ajustar las ofertas actuales, o
alimentar el proceso de planificación para futuras campañas.

Satisfacción del cliente: capacidad de respuesta y personalización

El acceso a datos en tiempo real y más precisos permite tomar decisiones de

manera más ágil y con un mayor grado de personalización, de tal manera que el
responder a las necesidades e inquietudes de los clientes es más rápido,
indudablemente los clientes estarán satisfechos y serán más leales a la marca.

Mensajes altamente dirigidos y precisión de datos

Además de la rapidez de respuesta, es probable que la relevancia y la precisión

de los datos sea alta. Los consumidores tienden a hablar con más honestidad
sobre una marca o sus productos o expresar su inconformidad en caso de
incidencias en las redes sociales. Este tipo de insights no se obtienen en una
encuesta formal estructurada.

Monitorizar a la competencia y desarrollar nuevas estrategias

Aprovechar el análisis del social media facilita seguir de cerca a la competencia

para establecer oportunidades y amenazas en el segmento de mercado.

Hacer un seguimiento de patrones y comportamientos de las redes sociales a

través de la analitica te ayuda a monitorizar el comportamiento de los
consumidores en diversos entornos online y así determinar qué plataformas son
las más rentables y, por lo tanto, guiar el desarrollo de una sólida estrategia de
marketing en redes sociales.

17