Business Analytics
Preguntas importantes
● ¿Qué es un modelo de negocio?
1- Un modelo de negocios es un instrumento que permite tener claridad en el modo por el
cual se ofrece una solución a una necesidad del mercado. Estos tienen que ser claros y
definir las estrategias que deben emplearse en la búsqueda de los objetivos de un
negocio. A través de un modelo de negocios se deben distinguir cuál es el valor de un
producto, qué se necesita para insertarlo en el mercado y a qué tipo de clientes se
venderá.
● ¿Cómo se relaciona un modelo de negocios con la inteligencia de negocios?
2- Un modelo de negocios se relaciona con la inteligencia de negocios ya que ambas
funcionalidades permiten a las organizaciones tomar mejores decisiones y medidas
fundamentales con el fin de aplicar procesos de negocios más eficientes.
● ¿Por qué se asocia el modelo de negocios con el uso de la tecnología?
3- Se asocia el modelo de negocio al uso de la tecnología ya que está es clave a la hora
de mejorar la eficiencia de determinados procesos (Ej: recolección, medición y análisis de
datos). Además, permite generar empresas más eficientes con repercusión directa en la
calidad del servicio que prestan y capaces de generar más ingresos.
● ¿Es sólo una capacidad técnica la que hay que desarrollar?
4- Se puede determinar que el desarrollo de una capacidad técnica es fundamental para
una organización producto a los conocimientos y aptitudes que implica. Sin embargo,
también debe desarrollarse una cultura de trabajo acorde al negocio.
---------------------------------------------------------------------------------
Modelo de negocios: Es armar un boceto, un ideal, para ofrecer una solución a una
necesidad del mercado (el objetivo tiene que ser la rentabilidad del negocio, pero no
siempre está tan explícito). Por otro lado, define las estrategias en búsqueda de los
objetivos del negocio.
Inteligencia de negocio: Base de datos, información que te ayuda a tomar decisiones.
Tiene que ver con poder minimizar riesgos, ya que soy más eficiente si en la toma de
decisiones minimizo riesgos (decisiones basadas en inteligencia de negocio).
Se relacionan con:
● Trabajar con inteligencia:
➔ Cualquier persona que hace negocio tiene que entender las bases del negocio.
➔ La inteligencia se hace a través de todos los datos que almacena mi empresa.
➔ Es importante saber QUE hacer con los datos ahí se relaciona la tecnología y las
habilidades. Alguien que cuente con la capacidad de entender lo que me dicen
los datos, eso transformarlo en info para que me dé la pauta para tomar
decisiones con menor riesgo.
● El uso de la tecnología:
➔ Hacer uso de la mucha o poca info en pos de tomar nuevas decisiones y mejores.
Ej: mirar los costos fijos y ver de abrir un nuevo local.
➔ Poder relacionar datos para poder minimizar riesgos, cuantas más variables
pueda tener en cuenta interna o externa.
➔ Se relaciona con la tecnología porque hay ciertos análisis que voy a necesitar una
skill tecnológica para hacerlo.
---------------------------------------------------------------------------------
Dato: Es una representación simbólica de una entidad, por ejemplo de letras del alfabeto,
número, puntos, dibujos etc.
➔ Por sí solo no tienen sentido (valor semántico: no tienen impacto), pero si se
procesan, toman significado.
➔ Para clasificarlo: Es cualitativo o cuantitativo.
- Cualitativos:
➔ Nominal (clasifica) - Ej: sport o casual.
➔ Ordinal o jerarquizado - Ej: nivel social.
- Cuantitativos:
➔ Variables discretas.
➔ Variables continuas.
Base de datos: Conjunto de datos, herramienta que recopila y organiza la información.
Información: Es un conjunto de o agrupación de datos, los cuales se organizan para
transmitir un significado.
➔ Esto ayuda a reducir la incertidumbre y aumentar el conocimiento,
importante para el momento de tomar decisiones. Ej: ¿Por qué en marzo se
me disparó el consumo de luz? Porque hubo una ola de calor.
➔ Se caracteriza por ser: relevante, completa, confiable, comprensible y
adecuada en tiempo y espacio.
Ejemplo:
● Un dato - Lo más simple (Ej: Edad del empleado).
● Una base de datos - Es un conjunto de datos (Listado de empleados con datos
personales).
● Información - A partir del análisis de esos datos qué información obtengo (Edad
promedio de los empleados).
---------------------------------------------------------------------------------
Profesionales y Análisis
● Departamentos, Divisiones, Organización.
➔ Distribución de Tareas y Responsabilidades.
● Empresas.
➔ Planes comerciales.
➔ Planes financieros.
➔ Planes de abastecimiento.
● Gestión y control.
➔ Gestionar y/o controlar los planes a los que me comprometo.
➔ El control y la planificación van de la mano.
➔ Se establecen metas y objetivos en las diferentes áreas para gestionar y
controlar.
● Analista de Negocios.
➔ Perfil con múltiples responsabilidades (control presupuestario, seguimiento
de objetivos, detección de oportunidades y/o alertas y control).
➔ Perfil que tiene conocimiento del negocio, es técnico y posee habilidades
blandas como la comunicación, escucha, trabajo en equipo etc.
➔ Tiene que poder evaluar qué proceso está impactando en el negocio y ver
cuál seguir/sugerir.
---------------------------------------------------------------------------------
Data Driven
➔ Cultura data driven - Organización, tecnología y personas.
➔ Tomar decisiones basadas en información - Estrechamente relacionado con la
gestión de sus datos, se trata de tomar las decisiones, en función de los datos
(sustento medible).
➔ Generar conocimiento - Generar nuevos conocimientos, información y
descubrimientos que tengan que ver con nuevas formas de hacer una tarea.
➔ Democratización de los datos - Habilitar los datos a todas las áreas, que todo el
mundo tenga acceso a los datos y los puedan analizar y gestionar y así tomar
decisiones.
➔ Alcance transversal a toda la información - Que la información sea transversal a
toda la organización, es decir, que rompa con las jerarquías de la empresa (todos
puedan verla).
---------------------------------------------------------------------------------
Journey - Business Analytics
➔ Camino ideal para poder analizar información valiosa para el negocio.
1 Primer paso - Inmersión : Para comenzar cualquier análisis es fundamental entender el
modelo de datos que tengo.
➔ Para ello debo:
1) Entender qué necesidades o premisas plantea el negocio.
2) Si no existen premisas, debo hacer una exploración de la base de datos
para encontrar disparadores.
3) Si no conociera el negocio, debo familiarizarme con conceptos o datos
recolectados.
4) Formular preguntas de negocio (que sirvan de premisa). - ¿Qué
información seria valiosa tener de estos clientes? ¿Qué haría para
ayudarlos a mejorar?
2 Segundo paso - KPI/OKR
➔ Definir indicadores, objetivos y dimensiones.
OKR : Es un objetivo, gestión, decisión que toma la empresa de cómo establecer sus
objetivos a mediano plazo.
➔ Propone sus objetivos a corto plazo.
➔ Objetivos inspiradores, los cuales son transversales para toda la compañía (se
debe mover a todas las áreas para lograrlos).
KPI : Es un indicador simple que se usa para hacer seguimiento y ayuda a tomar
decisiones (herramienta de gestión y control).
➔ Miden el éxito/fracaso en grado de cumplimiento.
➔ Se compone de 2 variables.
➔ Se suelen definir cuando tenes que hacer políticas de negocio. Ej: Es bueno o malo
para el negocio producir 10.000 unidades.
Dimensiones : Variables que nos permiten alcanzar los KPI.
➔ Cuestiones que usó para crear cada dimensión - Agrupó, filtro y orden.
Ejemplo - Actividad kpi/okr
Empresa : Cabify
OKR : Voy a ser la empresa con traslados más seguros en el mercado Argentino 2023.
KPI : - Aumentar un 50% las conductoras femeninas.
- Implementar un sistema de protección para el viajero.
- Aumentar los viajes en un 10% en frecuencia de 1 a 4 am.
Dimensiones : - Accidentes que tuvo el cabify.
- Viajes por persona.
- Viajes por conductor femenino/masculino.
Iniciativa : - Hacer un descuento en horas nocturnas.
- Realizar encuestas sobre el servicio brindado a los usuarios, acerca de su
seguridad.
3 Tercer paso - Data
➔ Manipulación, limpieza, modelado y visual.
Datawarehouse : Repositorio de datos, de múltiples fuentes, transformados en grupos o
variables para permitir consultas, análisis, reportes, etc.
➔ Características:
-Accesible a cualquier persona que necesite acceder a los diferentes datos y
relacionarlos.
-Consistente en la parte de la transformación, por ejemplo, que todas las bases
terminen con el mismo código del producto.
-Adaptable, que sea nutrido desde diferentes bases de datos.
-Seguro, que los datos estén seguros, y que una persona pueda acceder
fácilmente a estos.
-Manipulación, ser capaz de extraer diferentes datos y brindar información para
tomar decisiones.
Ejemplo de fuentes de información: Consultas, pagos, quejas, proveedores, promociones.
Arquitectura de datawarehouse
1. Fuentes de datos: Formales, informales y externas.
2. Procesos ETL
➔ 1- Extraen información desde las distintas fuentes de datos.
➔ 2- Realizan transformaciones simples o complejas (que incluyen
normalmente algoritmos para mejorar la calidad de los datos).
➔ 3- Cargan dichos datos en el datawarehouse.
3. Base de datos: Datos modelados y relacionados.
➔ Los datos modelados son aquellos datos que están corregidos, son
consistentes y por ende son confiables. Lo valioso de que los datos estén
relacionados es que puedo empezar a entender al cliente desde diferentes
aristas del negocio.
4. Visualización:
➔ 1- Presentar la información.
➔ 2- Aplicaciones permiten modelar los datos y hacer análisis más
complejos.
➔ La visualización tiene que ver con cómo presentas los datos (cuadros,
gráficos etc). Lo ideal es adaptar estos reportes según quien lo vaya a
recibir. Por último, las visualizaciones suelen ser simples gráficos o más
complejas como un mapa.
Big Data
¿Qué es?
➔ Son la cantidad de datos que se generan diariamente en los canales digitales y
los tradicionales.
➔ Un conjunto de datos de gran tamaño.
➔ No puedo analizarla por técnicas tradicionales.
➔ Crecen a gran velocidad.
➔ No hay reglas de su tamaño.
¿Por qué es importante?
➔ Aprovechar al máximo los datos.
➔ Utilización para nuevas decisiones, oportunidades.
➔ Decisiones más inteligentes.
➔ Reducción de costos.
➔ Agilidad en los procesos.
Contexto al que se enfrenta el big data:
➔ Avance de nuevas tecnologías y sus almacenamientos.
Las 6 V
➔ Características de los datos:
1- Volumen
2- Valor - Analizar datos en torno a su valor.
3- Veracidad - Confiabilidad de los datos.
4- Visualización
5- Velocidad - Qué tan rápido se transforman estos datos.
6- Variedad - Entender la variedad que hay en las diferentes fuentes de
información.
4 Cuarto paso - Analytics
➔ Exploración.
➔ Generación de insights (Ej: Tp que defendimos oralmente).
---------------------------------------------------------------------------------
Limpieza de datos
➔ Fase importante del proceso de analizar datos.
➔ Hace consistentes a los datos que voy a analizar (Ej: donde tiene que haber
números, que haya números y no texto).
➔ Detecta los valores inconsistentes.
➔ Se realiza una limpieza de: Denominaciones similares, mayúsculas/minúsculas,
espacios vacío/nulos, duplicados, valores inconsistentes, separación de campos
etc.
Modelado
➔ Proceso de análisis - integración.
➔ ¿Qué datos tengo? ¿Cómo se relacionan? ¿Cómo puedo relacionarlos?
➔ Puedo aprender de esas relaciones y transformarlas en información.
➔ Me ayuda a minimizar el riesgo en mi empresa.
Visual
➔ Representación gráfica de todo lo analizado
➔ Es una forma resumida de ver todo el análisis.
➔ Debe ser comprensible (muchas veces se hacen gráficos complejos que no se
terminan entendiendo).
➔ Debe ser atractiva, prolija y llamar la atención.
➔ Aumenta la velocidad en la toma de decisiones.
➔ A simple vista se deben comprender: tendencias, patrones, valores atípicos etc.
Métodos
➔ Métodos utilizados para la visualización de datos.
1- Temporal: Muestra series de tiempo, sirve por si queremos mostrar algo que
tiene cambio o no con respecto al tiempo.
2- Jerárquico: Datos con más importancia que otros (escala).
3- Red: Conectar diferentes puntos, relaciones.
4- Geoespacial: Tiene que ver con áreas geográficas, con la distribución. Se utiliza
si quiero estrategias de expansión.
Recomendaciones de analisis y visualizacion
1. ¿A quién está dirigido? - Es importante saber a quién va dirigido y tener un
objetivo claro, ya que no puedo analizar todo el tiempo todo.
2. Storytelling - Que exista coherencia y transparencia en la historia (relacionar las
cosas con un hilo conductor que esté asociado al objetivo, justificando el porqué
del análisis).
3. Tener un objetivo de análisis.
4. Conectar las diferentes relaciones y KPI que incluyo.
5. Simple, menos es más - Está bueno tener avances y/o mejoras básicas y avanzar
a algo más complejo.
6. Interactividad.
7. Retroalimentación constante - Nuevas versiones, actualizaciones, reversionar.
8. Actualización constante.
Tipos de visualizaciones de datos
➔ Cuadros, tablas, gráficos, mapas, infografías, etc.
➔ Ejemplos: Gráfico de área/barras, diagrama de caja y bigotes, pictograma etc.
---------------------------------------------------------------------------------
Segmentación
➔ Es la acción de analizar, identificar, dividir y agrupar a los diferentes clientes que
tengo en el negocio.
➔ Pueden haber diferentes perfiles y los agrupo por: edad, zona, género,
necesidades, gustos y/o comportamientos.
➔ La segmentación es importante porque en función de esta puedo mejorar la
experiencia de satisfacción, de compra y de relación con la empresa, del cliente.
Tipos de segmentación
➔ Producto: Para niños, adultos, bebes etc.
➔ Mercado: Minorista, mayorista, empresas, consumidor final etc.
➔ Geográfico: País, ciudad, densidad, idioma, clima etc.
➔ Demográfico: Edad, género, ingresos, educación, estatus social etc.
➔ Psicográfico: Lifestyle, estilo de vida, interés, preocupaciones, personalidad etc.
➔ De comportamiento: Compra, beneficios buscados, intención, ocasión etc.
¿Dónde se aplica la segmentación?
➔ Campañas de marketing directo.
➔ Campañas de marketing digital.
➔ A/B testing.
➔ Desarrollo de productos y mejoras.
Método para agrupar clientes
➔ Machine learning: Los datos aprenden solos y me dan resultados modernos.
1) Aprendizaje supervisado: Es el aprendizaje que está diagramado por mi.
2) Aprendizaje no supervisado: Es el aprendizaje más asociado a los
logaritmos.
Clustering
➔ Es una técnica de aprendizaje no supervisado, es decir, los datos aprenden por sí
solos y se organizan/agrupan.
➔ Se utiliza principalmente para comprender la estructura de un conjunto de datos y
los agrupa por sus similitudes.
➔ La similitud la define por la cercanía, si se encuentran cerca más parecidos son.
➔ Es encontrar grupos de clientes que se comportan de manera similar y no está tan
dado, y entender porque se comportan así. Ej: No buscas clientes que compren
frente y coca, sino jabón y comida para perros.
Aplicación:
➔ Encontrar en una base de datos de ventas, clientes con comportamientos
similares.
➔ Identificar tipos de clientes en una base de reclamos y poder evaluar su costo.
➔ Agrupar zonas por alguna definición del cambio climático.
➔ Agrupar datos de login para descubrir patrones en los accesos.
Segmentación RFM
➔ Es una herramienta de segmentación que busca optimizar los resultados a partir
de la combinación de estas 3 variables:
1) Recency: Cantidad de días/horas/meses desde la última compra.
2) Frequency: Cantidad de compras en X periodo determinado.
3) Monetary value: $ gastados en X periodo determinado.
➔ A partir de estas tres variables se obtienen diferentes segmentos donde se
pueden tomar diferentes acciones de marketing.
➔ Esta herramienta no se puede usar con clientes que nunca te compraron ya que
los datos que se usan, son de comportamientos que tuvieron.
➔ Se organizan en quintiles: campeones, fieles, no puedo perderlos, en riesgo etc.
Ejemplo segmentación - RFM
➔ Cliente que me compro el mes pasado (High R), una única vez (Low F) y gasto
$15.000 (Low $). Es un cliente nuevo, me está conociendo.
➔ Cliente que me compro hace 3 meses (Low R), me compro una única vez (Low F), y
gastó 60.000 (High $). Es un cliente que no puedo perder, ya que gasta mucho.
➔ Clientes que compran seguido (High R y F) y gastan mucho (High $) - Es un
cliente estrella.
➔ Cliente que me compro hace 2 meses (Medium R), me compro 2 veces (Medium
F) y gasto $30.000 (Medium $). Es un cliente fiel ya que compra bastante seguido
y gastan bastante plata (no llega a ser estrella).
---------------------------------------------------------------------------------
Customer Lifetime Value
➔ Está compuesto por:
1) Conocimiento - Primeros contactos del cliente con la empresa. Conozco al
cliente, ¿dónde vive?, ¿cuánto gastó?, ¿quién es? etc. Darse a conocer al
cliente, captando al cliente potencial.
2) Adquisición / capacitación - Son los primeros pasos en la empresa,
comunicación agresiva, le ofrezco, lo educó, “te acordas…”, le muestro todo
lo que tengo.
3) Conversión - El cliente ya nos conoce, es necesario hacer una oferta
atractiva para que siga creciendo en el ciclo (incentivar al cliente para que
compre más frecuente y gaste más).
4) Crecimiento - Estrategias que aumente su valor, que gaste más o cross
selling (monetizar al cliente). Proceso hasta llegar a la fidelización (que solo
me compre a mi). Aumentó el costo de cambio → el tiempo que le dedica
a la compra, el tiempo para desplazarse.
5) Retención / fidelización - Club de beneficios, no saturar de información al
cliente, promociones exclusivas.
6) Referente - Que el cliente me recomiende como empresa (aumentar las
ventas a futuro).
¿Cómo se calcula el customer lifetime value?
➔ Se debe definir qué variables son importantes de medir en mi negocio y que
resultan relevantes para mis resultados.
➔ Ejemplos de variables:
1) Rentabilidad del cliente.
2) Volumen de ventas en $ y en Q (quantity).
3) Nivel de involucramiento.
4) Club de fidelización.
5) Zona geográfica.
6) Surtido de productos o servicios.
7) ETC.
Ejemplo 1 - Customer Lifetime Value
Empresa: Buenbit
Conocimiento:
➔ 0% de comisiones durante el primer mes.
➔ Bono de Primer depósito.
➔ Facilidades a la salida del mercado.
Conversión:
➔ Educación sobre las criptomonedas.
➔ Campañas y publicidades enseñando los beneficios y seguridad.
➔ Cada 6 meses de constancia en la app, ofrecemos un 10% cashback del primer
depósito ingresado(2000 US$ max).
Desarrollo:
➔ Descuentos personalizados para clientes valiosos (+plata).
➔ Ejemplos de casos exitosos (Lectura de gráficos).
Fidelización:
➔ Tarjetas para utilizar el saldo con precio P2P.
➔ Programas de lealtad y beneficios. Bonos o comisiones referenciales a quienes
estén más de 2 años haciendo trading y siendo activo.
➔ Cashback de compra.
Ejemplo 2 - Customer Lifetime Value
Empresa: Nueva línea de colectivo.
Conocimiento:
➔ Pueden conocer a la empresa a través de aplicaciones móviles al escribir un
destino.
➔ Clientes potenciales: tienen un auto propio, pero que prefieren transportarse en
colectivo por diversos motivos (Capital Federal).
➔ Contarle los recorridos de la empresa, por dónde puede ir a determinado destino,
informarle, contarle las características de la empresa.
Conversión:
➔ Valor agregado: a través de publicidad comunicarle el aumento de frecuencia y la
mejora en la seguridad.
➔ Primer viaje en una línea de la empresa 50%.
Crecimiento:
➔ Tarjeta especial para usuarios de la línea.
➔ WIFI y aire acondicionado en todas las líneas.
➔ Reactivación: Envío de un mail, con la propuesta de volver a viajar con la empresa
( el mismo puede contener descuentos, socio vip o que nos puntee como servicio).
Fidelización:
➔ Encuestas a los usuarios para recibir feedback y mejorar. (encuestas sobre: aire
condicionado, tiempo, comodidad, seguridad, comportamiento del chofer y
limpieza de las líneas).
➔ Crosseling: Ofrecerle una promoción exclusiva a aquellos que eligen tomar dos
colectivos continuos de la misma línea.
➔ Mayor saldo negativo: -$500. Mayor aumento de carga $2.500.
