Lecciones de Google sobre big data y analítica para tu toma de decisiones

Big data y analítica son conceptos que están revolucionando los negocios y las industrias. Y constituyen también una oportunidad de mejorar la toma de decisiones en logística. ¿Pero cómo subirnos a esta transformación?

David Ruiz, Líder de Analytics e Inteligencia Artificial de Google México nos da sus consejos para aprovechar big data y analítica para la toma de decisiones en empresas de retail y productos de consumo.

Además, nos comparte cómo sumar el machine learning y la inteligencia artificial a las estrategias de análisis de datos.

¿Qué es big data y cuál es su potencial para la toma de decisiones?

Big data se refiere a conjuntos masivos de datos, tan grandes y complejos que requieren de modelos informáticos para su procesamiento y para obtener información valiosa.

Tiene el potencial de impulsar los modelos de negocio de las empresas modernas.

Las perspectivas que se obtienen tras el procesamiento de la big data, permiten a los líderes de las organizaciones conocer a fondo todo lo que sucede dentro y fuera de sus operaciones, así como a los clientes o usuarios.

Así, aprovechar estos datos resulta en una toma de decisiones informada y en la habilidad de adelantarse a la competencia. Además, aumenta el control de las operaciones y permite a la compañía estar preparada para responder rápidamente a situaciones inesperadas, sin importar la industria.

Big data en empresas de retail y productos de consumo

Las empresas fabricantes de productos de consumo y de retail, ¿cómo pueden potenciar sus negocios y operaciones con el big data?

En el caso del comercio minorista o retail, permite conocer cada una de las interacciones o actividades que llevan a cabo los clientes para, con base en ello, mejorar su experiencia.

También anticipar los precios, la demanda y hacer recomendaciones con mayor precisión para acompañar a los consumidores en su decisión de compra.

En el sector de manufactura, la data permite conocer información que fortalece el proceso de producción para evitar riesgos y errores.

Es posible saber, a través de ésta, cuándo es necesario realizar mantenimiento en las líneas de producción, en qué momento y qué insumos comprar, o proyectar la producción necesaria para atender la demanda, por mencionar algunos usos.

Dentro de tus responsabilidades en Google, también estás muy relacionado con machine learning e inteligencia artificial. ¿Cuál es su aporte en la creación de mayores eficiencias?

La democratización de la inteligencia artificial y el machine learning o aprendizaje automatizado mueve el mundo de los negocios, pues las soluciones basadas en estas tecnologías permiten a las empresas distinguirse de sus competidores.

Sus aplicaciones van desde la automatización de procesos y el análisis de riesgos hasta la implementación de bots para ofrecer atención a clientes en diversos canales.

Analítica de datos, inteligencia artificial y machine learning para la toma de decisiones

¿Cómo aprovechar estos conceptos para una mejor toma de decisiones en empresas de manufactura y comercio detallista?

Diría que el primer paso es integrar, administrar y usar de manera correcta los datos.

Si una organización no es buena con el big data, probablemente no esté lista para implementar inteligencia artificial y machine learning, porque éstas se alimentan de la data. Ese es el primer reto.

De acuerdo con Harvard Business Review, las compañías usan menos del 1% de los datos que no están estructurados, mientras que menos del 50% de los datos estructurados son utilizados para tomar decisiones.

Tomando en cuenta esta realidad, lo relevante es que las empresas rompan los silos en su data a través de:

• Soluciones que permitan el análisis de petabytes de datos a gran velocidad,
• La ejecución de estadísticas a gran escala y
• La obtención de información relevante a partir de los datos.

Todo esto de una manera sencilla y sin importar en dónde esté alojada la información.

Una vez que la compañía es capaz de realizar este procesamiento de la data es cuando puede obtener información relevante para aplicar a sus operaciones.

A partir de ahí, es capaz de explorar las posibilidades de la inteligencia artificial y el machine learning de acuerdo a sus necesidades y preferencias, así como de las de sus clientes.

Te puede interesar: Cómo Vanity aprovecha los datos para la toma de decisiones

Conocer a los clientes es fundamental para brindarles un mejor servicio, lo que es la mayor meta de la logística. ¿Cómo utilizar big data para este conocimiento clave y profundo del cliente?

Como mencionas, conocer al cliente o consumidor es más importante que nunca antes, pues permite mejorar y personalizar sus experiencias.

Te doy un dato contundente: de acuerdo con un estudio reciente de la consultora McKinsey, 83% de los consumidores quiere que su experiencia de compra sea más personal de alguna manera. Lo que buscan son experiencias relevantes, alineadas a sus preferencias y necesidades individuales.

Este interés de los compradores se ve reflejado en las ventas, ya que aquellas tiendas que logran una personalización efectiva pueden incrementar sus ingresos entre 20% y 30%.

Esto requiere que las organizaciones, especialmente los minoristas, mejoren su estrategia para interactuar proactivamente con sus compradores, anticipándose a lo que quieren o buscan.

Para lograrlo, desbloquear el poder de la data es la clave, pues es a partir de ésta que pueden entender el comportamiento y las preferencias de sus consumidores.

Desde este punto, dar el siguiente paso hacia la personalización resulta natural. Lograr esto no recae únicamente en recopilar y almacenar datos, por supuesto.

Al modernizar el almacén de datos y utilizar plataformas de big data se obtiene la capacidad de procesar y analizar flujos de información, incluso en tiempo real.

Encontrando la información relevante entre la gran cantidad de datos disponible

En términos de operación también se produce una enorme cantidad de información. Cada transacción, cada paso del producto por cada eslabón de la cadena de suministro genera información.

¿Cómo analizar este cúmulo de información para encontrar lo que es más importante para nuestro modelo de negocio u objetivo?

La ciencia de datos ya no puede ser una ventaja de solo unas cuantas empresas que son privilegiadas o incluso de solo unas personas dentro de la organización.

Los diferentes equipos de una organización deben tener acceso al poder de la ciencia de datos, con capacidades como el modelado de machine learning e inteligencia artificial, sin tener que aprender una disciplina completamente nueva.

La clave es seleccionar una infraestructura de servicios en la nube y soluciones de datos e inteligencia artificial que permitan que sea fácil mover datos a la nube y comenzar a analizarlos.

Para encontrar aquella información que es importante para el negocio de una empresa es útil generar visualizaciones de datos, informes y paneles complejos para explicar los resultados.

Convertir los resultados del análisis en un formato del cual sea fácil extraer estadísticas y que se pueda compartir con colegas y pares es fundamental cuando se quieren obtener decisiones de negocio.

Por supuesto, existen herramientas que permiten que el análisis de datos sea algo que todos los empleados pueden hacer, independientemente de si son analistas de datos certificados o científicos, o no.

Inspírate con: Así aprovechará Grupo Herdez la inteligencia artificial

Tratando de estar preparados para escenarios futuros, la simulación de escenarios es parte de las formas de planear de los logísticos. ¿Cómo aprovechar big data, inteligencia artificial y machine learning para ello?

Tradicionalmente, los datos se recopilan solo del mundo físico, lo que significa que la única forma de planificar lo que sucederá es mirando lo que puede probarse físicamente.

Pero con modelos predictivos y herramientas de inteligencia artificial, las organizaciones pueden ejecutar simulaciones basadas en información y escenarios de la vida real, brindándoles datos sobre circunstancias que serían difíciles, costosas o incluso imposibles de probar en entornos físicos.

El 2020 nos dejó un gran aprendizaje en ese sentido y es un gran ejemplo. Estas herramientas permitieron a organizaciones en todo el mundo reaccionar ante la incertidumbre generada por la pandemia y el confinamiento.

Esto se verá reflejado en las estrategias de negocio que cada vez más se apoyarán de la tecnología para hacer predicciones con datos a bajo costo y con alta precisión, con el objetivo de estar preparados; lo que transformará a las industrias y entregará el valor que los clientes demandan.

Uso de big data en empresas de retail: los casos de The Home Depot y Toyota

Entonces, cómo bajar a tierra estos términos aún abstractos para muchos de nosotros, es la gran pregunta y el gran anhelo. Compártenos algún ejemplo práctico o caso de éxito en el uso del big data y la analítica.

Claro. Te comparto el caso de The Home Depot. La empresa tiene 400 mil asociados, 2 mil 300 ubicaciones, más de 40 mil productos diferentes que generan más de 100 mil millones de dólares en ventas cada año y una alta satisfacción del cliente.

¿Cómo logras eso? Dando visibilidad a las cosas que cada cliente necesita.

The Home Depot empodera a sus asociados con una solución en la nube, con la cual:

• Proporciona datos oportunos para mantener el orden en el almacenamiento de más de 40 mil artículos en más de 2 mil ubicaciones.
• Garantiza la disponibilidad de estos productos a través del sitio web.
• Brinda información relevante a través de su centro de atención.

Hoy, The Home Depot tiene la capacidad de indicarle a cada uno de los clientes la ubicación del producto que está buscando en cada una de sus tiendas, inclusive cuando éstas tienen diseños diferentes o están acomodadas de diferente manera.

En conclusión, se trata de una atención personalizada a través de sus canales.

Otro ejemplo que te puedo brindar es el de Toyota Canadá, que utilizó esta misma solución que usa The Home Depot, para construir un modelo de aprendizaje para analizar y conocer la probabilidad de que los usuarios que ingresan a su sitio regresen en los próximos 30 días para completar una acción.

Con esto pudo identificar a los clientes que debía priorizar para enviarles un anuncio personalizado.

Big data, internet de las cosas y blockchain: ¿cuál es la conexión?

Adicional a estos términos, también tenemos con un buen protagonismo actual al internet de las cosas y al blockchain. ¿Qué relación existe entre todos ellos, o debería existir, para sacar partido de estas nuevas posibilidades que nos marca la tecnología?

La nube, la analítica de big data, la inteligencia artificial, el machine learning, el internet de las cosas y el blockchain tienen en común el objetivo de transformar la vida de las personas y las operaciones de las organizaciones. Esto porque les facilita tareas, mejora su seguridad y aumenta su agilidad de respuesta, y contar con una base de innovación para su desarrollo.

Sin embargo, es importante recordar que no basta solo contar con la tecnología. Lo primero no es concentrarse en cuáles soluciones tecnológicas quiero tener, sino en los problemas que quiero resolver. La tecnología por sí misma no da resultados, el objetivo siempre debe ser la necesidad que se va a solucionar.

Por ello, es fundamental comprender cuáles son estos retos y definir una agenda de innovación en función de los mismos, de la madurez digital de la compañía y de sus prioridades comerciales.

Ésta exige una cuidadosa consideración y priorización de las áreas a transformar para construir una estrategia que además tome en cuenta la complejidad de la ejecución.

Claves para el uso efectivo de machine learning, inteligencia artificial y big data... y los errores que no debes cometer

Analizando todo esto que nos has comentado, ¿cómo resumes las claves para el uso efectivo de estas tecnologías en la toma de decisiones?

Para diseñar e implementar un proyecto exitoso en donde se empleen tecnologías como la inteligencia artificial y el aprendizaje automático, a menudo es necesario colaborar con varios equipos, incluidos los de negocios, ventas, investigación e ingeniería.

Es decir, se necesita que diferentes áreas dentro de las empresas estén involucradas en el proyecto.

Otra de las claves para comenzar a adoptar estas tecnologías tiene que ver con los aspectos básicos de la recopilación y preparación de los datos, pues esto es un factor crucial para alinear a los equipos y hacer que el proyecto despegue.

Para crear un modelo en el que la inteligencia artificial y el machine learning sean explotados, se deberán tener los datos que sean útiles de acuerdo a los objetivos.

Por ejemplo, una institución financiera que quiere detectar fraudes con tarjetas de crédito, deberá tener información sobre el monto de la transacción, la ubicación de ésta, la ubicación principal del titular de la tarjeta, entre otras cosas.

Sin embargo, datos como el nombre del titular de la tarjeta son menos útiles para esta tarea.

Si hablamos de la otra cara de la moneda, ¿cuáles son los errores más comunes al llevar una estrategia de big data en las empresas de retail para tomar decisiones?

No tener claro para qué quieres utilizar inteligencia artificial o machine learning. Esto es algo que siempre les menciono a las empresas que desean utilizar estas tecnologías.

Lo primero es nunca hacerse esta pregunta: ¿cómo utilizo la inteligencia artificial, el machine learning o el análisis de datos?

Sino más bien se debe empezar con las interrogantes:

• ¿Qué necesito realmente?
• ¿Cuáles son las necesidades reales de mis clientes?
• ¿Qué va a hacer que mi producto o servicio sea completamente diferente?

A partir de ello, comienzas a analizar cómo estas tecnologías te permitirían alcanzar eso que necesitas, aquellos objetivos ya identificados.

Lo siguiente es correr el proyecto. Esto específicamente tiene que ver con trabajar la data y explorar qué puede ser predecible, qué tan efectivo puede ser una vez que se automaticen los procesos.

Finalmente… danos tu mejor consejo:

El mayor consejo que puedo ofrecer es: no comiences a adoptar estas tecnologías sin pensar primero a qué problema responden, a qué necesidad serían implementadas.

Y a partir de ahí, identificar qué soluciones pueden ser las mejores de acuerdo a las metas establecidas.

 

THE LOGISTICS WORLD