O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

Estrategias de big data para generar Insights

367 visualizações

Publicada em

“Estrategias de Big Data para generar Insights”, presentación de Claudio Flores Thomas en el Big Data Summit de Katedra, celebrado en el hotel Marriot de Reforma fue el escenario para que ante un foro repleto presentara .

Publicada em: Marketing
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Estrategias de big data para generar Insights

  1. 1. Estrategias de Big Data para generar Insights Claudio Flores 05 de mayo / CDMX
  2. 2. Fuente: https://twitter.com/danariely/status/287952257926971392
  3. 3. El Big Data es la gran sensación del momento, la última moda, Pero echando una mirada retrospectiva es un momento en la evolución del análisis de datos.
  4. 4. 1959 FASE CLÁSICA La recopilación de datos se realizaba de forma mecánica, sin un sistema de ordenamiento y quedaba aislada dentro de cada proyecto particular. . 2000 FASE TECNOLÓGICA Integración de herramientas de software para análisis complejo, construcción de modelos e integración de procesos 1980 FASE DE ESPECIALIZACIÓN Estandarización y especialización de los procesos, herramientas específicas: índices, sistemas de métricas, modelos de segmentación, tipologías de consumidor, etc. AHORA: FASE DEL BIG DATA Procesamientos automáticos de recopilación, sistematización y cruce de datos. Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem: Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers. El Big Data en la historia de la Investigación de Mercados
  5. 5. 1959 FASE CLÁSICA La recopilación de datos se realizaba de forma mecánica, sin un sistema de ordenamiento y quedaba aislada dentro de cada proyecto particular. . 2000 FASE TECNOLÓGICA Integración de herramientas de software para análisis complejo, construcción de modelos e integración de procesos 1980 FASE DE ESPECIALIZACIÓN Estandarización y especialización de los procesos, herramientas específicas: índices, sistemas de métricas, modelos de segmentación, tipologías de consumidor, etc. AHORA: FASE DEL BIG DATA Procesamientos automáticos de recopilación, sistematización y cruce de datos. Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem: Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers. El Big Data en la historia de la Investigación de Mercados
  6. 6. 1959 FASE CLÁSICA La recopilación de datos se realizaba de forma mecánica, sin un sistema de ordenamiento y quedaba aislada dentro de cada proyecto particular. . 2000 FASE TECNOLÓGICA Integración de herramientas de software para análisis complejo, construcción de modelos e integración de procesos 1980 FASE DE ESPECIALIZACIÓN Estandarización y especialización de los procesos, herramientas específicas: índices, sistemas de métricas, modelos de segmentación, tipologías de consumidor, etc. AHORA: FASE DEL BIG DATA Procesamientos automáticos de recopilación, sistematización y cruce de datos. Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem: Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers. El Big Data en la historia de la Investigación de Mercados
  7. 7. 1959 FASE CLÁSICA La recopilación de datos se realizaba de forma mecánica, sin un sistema de ordenamiento y quedaba aislada dentro de cada proyecto particular. . 2000 FASE TECNOLÓGICA Integración de herramientas de software para análisis complejo, construcción de modelos e integración de procesos 1980 FASE DE ESPECIALIZACIÓN Estandarización y especialización de los procesos, herramientas específicas: índices, sistemas de métricas, modelos de segmentación, tipologías de consumidor, etc. AHORA: FASE DEL BIG DATA Procesamientos automáticos de recopilación, sistematización y cruce de datos. Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem: Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers. El Big Data en la historia de la Investigación de Mercados
  8. 8. Y en el último año, el uso de Big Data ha crecido de forma sostenible GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online 2014 Q1-Q2 2016 Q3-Q4 2016 Q1-Q2 2015 Q3-Q4 2015 Q1-Q2 32% 32% 34% 39% 38% Uso de Big Data Analytics como método emergente en la industria (2015 – 2016)
  9. 9. Según GRITS Report los perfiles relacionados con el análisis de datos estarán entre los mayor demanda en la industria tanto por clientes como por proveedores GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online PROVEEDORES CLIENTES
  10. 10. Y con uso de fuentes primarias de datos declaradas entre los investigadores… GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online % DE INVESTIGADORES QUE REPORTARON UN INCEMENTO EN EL USO DE LAS SIGUIENTES FUENTES DE DATOS
  11. 11. ETAPAS DE ACEPTACIÓN DEL BIG DATA EN LA INDUSTRIA IntegraciónNegociación y aceptación Negación Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem: Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers. Hubo cierta cantidad de pánico y parálisis de la acción - una especie de "nosotros-sabemos-que-existe-el-BIG- DATA, pero no lo necesitamos. Es demasiado desestructurado - ¿cómo se puede utilizar una" reacción. Había una aspiración de utilizar grandes datos, pero muchas empresas no tenían un plan real de cómo La siguiente fase vino con la experimentación con técnicas de BIG DATA que muchas veces resultaron en en una inundación abrumadora de datos - nuevamente llevando a la parálisis de la acción - documentada de otra manera como el problema del diluvio de datos. Por último, vemos una madurez más profunda en el uso de Big Data, donde las empresas invierten cada vez más para integrar sus fuentes de datos en los sistemas de toma de decisiones.
  12. 12. Se estima que para el año 2020 habrá 21 mil millones de dispositivos conectados a Internet con 16 mil millones de dispositivos IoT en 2021, la gran mayoría de los cuales pueden recopilar datos pertinentes para la investigación de mercado. Miguel Ramos. (2016). The Internet of Things : An opportunity for transformation in Market Research. ESOMAR Conference Papers, (November).
  13. 13. EL FRAMING PONE EN VALOR LA INFORMACIÓN
  14. 14. HOY EN DÍA EL PROBLEMA NO ES LA CANTIDAD DE INFORMACIÓN
  15. 15. La cantidad de datos que se crea cada dos minutos hoy, es la misma que se creaba a inicios del año 2000 Cada minuto se dan alrededor de 2 millones de Like en Facebook En Youtube se suben 100 horas de video cada minuto ¿te imaginas cuantos años necesitarías para ver todos esos contenidos? Google procesa un promedio de 40K búsquedas por segundo En el 2017 la industria del Big Data espera un crecer $54.3 mmll de USD http://www.dexlabanalytics.com/blog/big-data-in-every-day-living EL 90% DE LOS DATOS MUNDIALES SE GENERÓ EN LOS ÚLTIMOS DOS AÑOS
  16. 16. De hecho, necesitamos Big Data ¡para entender el Big Data!
  17. 17. SINO CÓMO ORGANIZARLA, INTERPRETARLA Y DARLE VALOR
  18. 18. FRAMING EN BIG DATA Marco de análisis que orienta la búsqueda a resultados FRAMING Contar con Framing para organizar los datos masivos es clave para no perderse en el intento y no llegar a conclusiones equivocadas.
  19. 19. EL FRAMING EN BIG DATA El framing en Big Data ayuda a responder cuestiones fundamentales. FRAMING ¿Para qué? • Sin un Framing la información no tendría objetivo, ni un escenario donde cobre valor ¿Qué sigue? • Un Framing también ayuda a prospectar escenarios futuros, no solo a partir de la información del momento, sino por una mirada comprehensiva de la realidad ¿Por qué? • No solo recabar datos, sino que permite dimensionar la causa que los origina ¿Cómo? • Sin un Framing anclado en los procesos sociales, culturales y políticos, la información abundante solo es ruido
  20. 20. Según GRITS Report hay un aumento de la cantidad de clientes que compraron resultados de investigación de Big Data Analytics y Social Media Analytics a proveedores que no pertenecen a la industria de Investigación de Mercados
  21. 21. Si bien los grandes datos han hecho que las técnicas de encuesta sean más completas y avanzadas, la cantidad de puntos de datos generados ha hecho que las personas sean más vulnerables a la identificación. Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem: Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers.
  22. 22. Abraham Wald fue un matemático durante la II Guerra Mundial a quien se le encargó averiguar dónde añadir armadura a los bombarderos de larga distancia para protegerlos mejor a través de un territorio hostil. En un intento por responder a la pregunta, Wald comenzó a analizar los lugares donde los bombarderos que regresaban estaban más dañados, pero luego se dio cuenta de que los datos no ayudarían a responder a la pregunta real. Los aviones que estudiaba habían vuelto a pesar de su daño. La verdadera pregunta era ¿dónde no habían sido alcanzados los aviones? Miguel Ramos. (2016). The Internet of Things : An opportunity for transformation in Market Research. ESOMAR Conference Papers, (November).
  23. 23. MUCHOS DATOS NO SON MÁS CONOCIMIENTO
  24. 24. EL BIG DATA PUEDE DARTE ABUNDANCIA DE INFORMACIÓN
  25. 25. PERO ESO NO ES ÚTIL, SI LA INFORMACIÓN NO TIENE SENTIDO
  26. 26. CÓMO DARLE SENTIDO A LA INFORMACIÓ El framing en Big Data ayuda a responder cuestiones fundamentales. FRAMING ¿Para qué? • Sin un Framing la información no tendría objetivo, ni un escenario donde cobre valor ¿Qué sigue? • Un Framing también ayuda a prospectar escenarios futuros, no solo a partir de la información del momento, sino por una mirada comprehensiva de la realidad ¿Por qué? • No solo recabar datos, sino que permite dimensionar la causa que los origina ¿Cómo? • Sin un Framing anclado en los procesos sociales, culturales y políticos, la información abundante solo es ruido
  27. 27. GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online La necesidad de los perfiles profesionales por parte de clientes y proveedores en la industria, tiene su co-relato en las necesidades de superación profesional 38% Habilidades para encontrar una narrativa en los datos 33% Habilidades en la visualización de datos 32% Alinear las necesidades de negocio con los métodos de investigación
  28. 28. LA HIPOTESIS DE TRABAJO LE DA SENTIDO A LA INFORMACIÓN
  29. 29. EL BIG DATA NO TE HARÁ EXPERTO EN UNA INDUSTRIA QUE NO CONOCES
  30. 30. “La buena suerte solo llega a los laboratorios bien preparados” - Bruno Latour
  31. 31. LA HIPÓTESIS TE HACE PENSAR EN LO IMPORTANTE Si no tienes las preguntas correctas, no verás las respuestas adecuadas HIPÓTESIS ¿En qué se parece esto a otros casos? • Es clave tener referencias históricas de otras cosas que hayan pasado de forma semejante ¿Qué decisiones habré de tomar? • Mucho del Big Data es Nice to Know, solo cobra valor cuando es un Need to Know para tomar decisiones de negocio ¿Qué sé previamente sobre el tema? • Necesitas estar empapado de tu industria para que la información del Big Data te diga algo ¿Qué información espero encontrar? • No es esperar a ver correlaciones y gráficos, debes tener una expectativa sustentada sobre lo que el Big Data puede arrojar
  32. 32. https://whatsthebigdata.com/2017/03/28/big-data-ecosystem-and-benefits/
  33. 33. Algunos ejemplo de correlaciones extrañas http://tylervigen.com/spurious-correlations
  34. 34. “El Big data es datos, y los datos favorecen el análisis sobre la emoción. Es difícil imaginar a los datos capturando muchas de las cualidades que más valoramos: bellos, sexy, asombroso, gracioso. Si los datos favorecieran las mejores decisiones emocionales entonces los contables serían el paradigma cultural de los grandes amantes” Chip Heath Lindstrom, M. (2016). Small Data. Planeta.
  35. 35. LA CLAVE PARA INERPRETAR ES LA MANEJABILIDAD: SMALL DATA
  36. 36. “Nos hemos dispersado sobre un número demasiado grande de datos, hemos tratado de acumular informaciones numerosas y superficiales, y finalmente, hemos caído en la cuenta de que muchas son inutilizables” - Claude Levi-Strauss (1958)
  37. 37. “El Small Data es un volumen y formato que hace que la información sea accesible y accionable”. The Small Data Group
  38. 38. EL SMALL DATA DIMENSIONA Al final del día en Big Data, no importa la cantidad, sino la calidad de la información SMALL DATA Pasar de los números a los sentimientos • Leer tras los número para encontrar lo que la gente sueña, teme, desea y busca Profundizar más que abarcar • Es más importante reconocer sesgos, prejuicios, ideologías y profundizar en ellas que quedarse solo con los muchos datos Quitar lo grande para ver lo pequeño • Se deben reconocer las decisiones, las acciones individuales, a las personas Reconocer mentes y no solo tendencias • Las tendencias que arroja el Big Data son resultado de los pensamientos y acciones de las personas antes de que pasen por la web
  39. 39. Principales protagonistas del cambio en la industria de la investigación de mercados, según GRITS Reports GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online
  40. 40. Pettit, A. (2015). Blasting 10 big data myths with 10 research panel examples. In ESOMAR Conference Papers, Congress Dublin.
  41. 41. A inicios de 2003 LEGO había perdido el 30% de sus ventas. Cada uno de los estudios de Big data de LEGO encargó indicaban que los Millennials perderían interés en sus productos. El mayor cambio en la visión de desarrollo de LEGO fue una visita etnográfica realizada en 2004 a la casa de un niño alemán de 11 años. Cuando se le preguntó cuál era su posesión más valiosa señaló unas desgastadas y viejas zapatillas deportivas Adidas. Los resultados de la visita etnográfica derribaban todas las conclusiones obtenidas de los estudios de Big Data. Demostrando que los niños que los niños consiguen reconocimiento social entre sus iguales jugando y demostrando su nivel de maestría en sus actividades favoritas. Lindstrom, M. (2016). Small Data. Planeta.

×