Tag: big data

seamless-customer-experience

Antes del auge Big Data e Inteligencia Artificial (IA), las técnicas de marketing se sostenían en “casi conjeturas” gracias a las investigaciones de mercado offline pero que no siempre reflejaban lo que realmente querían los consumidores al 100%. De ahí que digamos “conjeturas”, como una aproximación o estimación probable. Sin embargo, actualmente, gracias a las nuevas tecnologías inteligentes y al mundo Social Media, las marcas pueden eliminar estas “conjeturas” e incorporar comentarios reales de los consumidores a sus estudios de mercado para obtener una ventaja competitiva.

Por otro lado, existe una nueva generación, los Millennials, que están acostumbrados a trabajar con bots desde realizar una queja a través de chatbots hasta tener “meets” con bots (ej. citar a un coche Uber). Por lo que no sorprende que esta generación quieran que estos bots los ayuden a elegir un atuendo, un coche o una escapada de fin de semana. Ya sean recomendaciones de Amazon impulsadas por la Inteligencia Artificial que revolucionan la cadena de productos o que toda la industria publicitaria se ajuste a los algoritmos de Google y Facebook, que la Inteligencia Artificial ha estado moldeando el espacio online más que cualquier otra tecnología.

Una nueva generación que requiere nuevas soluciones: IA & Seamless Consumer Experience

La solución es simple de explicar pero difícil de ejecutar: hacer que la experiencia de consumo online sea tan parecida como estar en una tienda física o frente una persona real. El ingrediente que falta aquí es una voz: una voz en sentido figurado, que los consumidores deben escuchar sus deseos y necesidades; una voz en sentido literal, que los consumidores deben poder usar el lenguaje para dirigir su experiencia de compra; y una voz en sentido práctico, que las marcas deben utilizar un tono claro.

Un ejemplo claro de todo esto es Starbucks. La app de la compañía -en EE.UU- permite a los clientes usar su propio “Natural Language” para hacer su pedido antes de llegar a la tienda. Como Starbucks sabe, la idoneidad es clave, y el Procesamiento del Lenguaje Natural permite que los pedidos sean personales y fácil de hacer.

A este tipo de soluciones se les llama Seamless Consumer Experience. Se trata de un concepto focalizado en el usuario y cuyo objetivo es hacer que éste obtenga su experiencia en el consumo de un producto o marca de forma sencilla, transparente y sin  interrupciones (ej. colas de espera).

La Inteligencia Artificial no va a reemplazar a las personas, pero debería ayudarnos a trabajar de manera más efectiva y eficiente. Por ejemplo, cuando el consumidor interactúa con un agente virtual, es fácil infundirle una tonelada de información personal sobre él, y puede actuar sobre esa información rápidamente. Si se le proporciona esta misma información a un agente call center, solo hay una cantidad de datos que pueden procesar sin dejar de responder al cliente.

Por tanto, estas tecnologías inteligentes puede ayudar a personalizar y abordar las preocupaciones individuales de manera mucho más rápida y eficiente que las personas, y los escenarios más complejos serán aquellos en los que comience a buscar la intervención humana en combinación con la Inteligencia Artificial. Todo el mundo quiere una interacción fácil, sin fricciones, similar a la de Amazon, Starbuck, … y eso se está convirtiendo rápidamente en una apuesta para las expectativas de los clientes. La IA puede ayudar a que las empresas lleguen allí donde el ser humano no puede.

Tanto la Inteligencia Artificial, Procesamiento del Lenguaje Natural, Machine Learning… son, probablemente, las tecnologías más predominantes en la actualidad ya que la mayoría de las marcas se centran en mejorar la experiencia del cliente (customer experience),  crear interacciones con el cliente más fluidas y sin problemas (seamless) y optimizar sus resultados.

Este jueves 28 de marzo tendrá lugar en la Fundación Valentin de Madariaga en Sevilla, una jornada centrada en “Big Data Analytics: tu llave al mundo profesional” organizada por el Máster de Ingeniería Industrial de la Escuela de Ingenieros (Tecnun) de la Universidad de Navarra. Esta jornada cuenta con la colaboración de Jaime Martel, Director Técnico de ITELLIGENT con más de diez años de experiencia en el sector Big Data & Data Science.

El objetivo de esta jornada sobre analítica de grandes volúmenes de datos es aprender nociones básicas, claves y casos realistas de un tema actual para ingenieros que buscan liderar y gestionar las empresas del mañana.  La inscripción a esta actividad es totalmente gratuita y puedes hacerlo a través de este formulario. Agradecemos tanto a Tecnun como a Fundación Valentín de Madariaga la organización del mismo.

big data analytics tecnun

La Analítica Empresarial o Business Analytics permite conseguir los objetivos empresariales, a partir del análisis de datos. Básicamente permite detectar tendencias y realizar pronósticos a partir de modelos predictivos y utilizar estos modelos para optimizar los procesos de negocio.

Una forma de clasificar la Analítica Empresarial o Business Analytics podría ser estas tres áreas más o menos superpuestas:

  • Analítica Descriptiva o Descriptive Analytics: Utiliza los datos para explicar el pasado. Consiste en preparar y analizar datos históricos para identificar patrones y tendencias. Técnicas como modelos de regresión, el modelado de datos y visualización suelen ser usados en la Analítica Descriptiva.
  • Analítica Predictiva o Predictive Analytics: Utiliza los datos para determinar que puede pasar en el futuro. La Analítica Predictiva permite determinar la probabilidad asociada a eventos futuros a partir del análisis de la información disponible (presente y pasada), además permite descubrir relaciones entre los datos que normalmente no es detectada con un análisis menos sofisticado. Técnicas como la minería de datos (data mining) y los modelos predictivos son utilizados.
  • Analítica Prescriptiva o Prescriptive Analytics: Utiliza los datos para prescribir aquellas acciones que incrementen nuestras posibilidades de obtener los mejores resultados. La Analítica Prescriptiva determina nuevos forma de operar que permitan alcanzar nuestros objetivos de negocio. Técnicas como la optimización o la simulación son utilizadas, aunque normalmente se requiere la creación de un modelo predictivo previo.

 

 

El Small Data  es un conjunto de datos con un volumen y un formato que hacen que los datos sean accesibles, informativos y procesables.

El término Small Data contrasta con el de Big Data y Small Data supone un cambio en la forma en que las compañías hacen uso de sus datos. A diferencia del Big Data que gira en torno a la idea de que la empresas hacen uso de cantidades masivas de datos para identificar el comportamiento del cliente o impulsar su negocio, el Small Data pretende ser un contrapunto a esta tendencia.

El Small Data implica adquirir conjuntos de datos específicos a través de un menor esfuerzo, algo que los expertos consideran una práctica comercial más eficiente. En este punto, podemos decir que una de las principales diferencias entre Small Data y el Big Data. El uso de Small Data es más asequible para las empresas ya que pueden obtener resultados procesables sin tener que adquirir sistemas costosos que requiere un análisis del Big Data.

Para qué utilizar Small Data y qué ventajas ofrece

Una vez que ya hemos descrito qué es Small Data y en qué se diferencia al Big Data, enumeramos algunas ventajas a tener en cuenta si vas a comenzar a utilizar Small Data:

  • El análisis Big Data es más complicado que el Small Data. El Big Data requiere tecnología y perfiles profesionales expertos de Datos que sepan analizar y manejar grandes volúmenes de datos para extraer solo la información relevante para nuestro negocio utilizando algoritmos y modelos matemáticos. Por el contrario, el Small Data es más sencillo. No necesitaremos la ayuda de un data scientist para analizar y manejar los datos.
  • El Small Data está enfocado a conocer al consumidor. Debemos centrarnos en lo que el consumidor necesita y de qué manera podemos interactuar con el. El Small Data facilita que encontremos la información necesaria para implementar campañas más personalizadas y afines a sus gustos y necesidades.
  • Relacionado con esto, podemos decir que el Small Data tiene aplicación en el sector consumo. Sin apenas darse cuenta, el consumidor ya hace uso del Small Data en su día a día. Los dispositivos inteligentes o el IoT optimizan sus compras, potencian su actividad física diaria, gestionan sus finanzas o recomiendan qué puedes ver en TV en base a tus gustos o necesidades. La finalidad de todo esto es que el consumidor obtenga información cada vez más personalizada en función de los datos que previamente ha registrado en el sistema que consuma.
  • El análisis Small Data es sencillo porque está a nuestro alrededor. Este punto va referido a los datos que obtenemos en Redes Sociales. Cada vez que nos registramos en una red social, realizamos una búsqueda o escribimos una publicación, generamos una huella digital propia con información personalizada. Cualquier otro usuario puede analizar estos datos y sacar conclusiones en base a aquello que otros han compartido en Redes Sociales.
  • El Small Data ayuda a interactuar con el cliente en base a datos útiles y concretos. El marketing basado en los datos supone una revolución ya que las empresas pueden interactuar con sus clientes de forma personalizada y basar sus decisiones en datos en lugar de suposiciones.
  • El Small Data aumenta el retorno de la inversión. La inversión en Small Data comparado con el retorno que te ofrece al poder plantear campañas más eficaces en menos tiempo es mínima; por este motivo el Small Data ayuda a mejorar el ROI.
  • El Small Data es la clave para crear perfiles CRM. De toda la información útil extraída de canales sociales sobre tus clientes, servirán para crear segmentos, perfiles y/o definir cuales son influyentes o tienen más probabilidades de ser stakeholders, etc.