91 640 41 50 hola@artyco.com
Cómo puedes conocer realmente a tus clientes

Cómo puedes conocer realmente a tus clientes

Cómo puedes conocer realmente a tus clientes

De un tiempo a esta parte, muchas empresas se han interesado o están ya inmersas en estrategias de transformación digital en el seno de las cuales suele tener un protagonismo especial todo lo referido al conocimiento de sus clientes. En este post abordamos este tema tan interesante y de actualidad y te indicamos cómo crear una verdadera y exitosa estrategia de conocimiento de tus clientes. 

Bien, pues empecemos…. ¿qué empresa no tiene como objetivo conocer mejor a sus clientes con la finalidad de ofrecerles un mejor servicio, incrementar las ventas y la fidelización, prevenir el abandono y sentirse más unida a ellos para formar una comunidad a largo plazo que funcione a satisfacción y en beneficio de todas las partes? 

Pocas, tal vez ninguna, empresa podrán decir que no están interesadas en ello, pero, ¿por dónde empezar? No hay una respuesta universal pues, sin duda, la misma depende de cada caso en particular, pero si podemos decir algo que generalmente es válido para todos los casos y que sería empezar por la implantación de una herramienta CRM (Ya tramamos anteriormente sobre este tema en el post “Tengo un CRM de última generación, pero ¿cómo puedo aprovecharlo?”) aunque con una perspectiva diferente a la que hoy nos ocupa.  

 

¿Por qué un CRM? 

 

que es un crm

Una herramienta CRM es una solución software, normalmente en modalidad SaaS, que nos va a permitir recopilar toda la información de nuestros clientes, entre la que podemos destacar: 

  • Datos generales de la empresa  
  • Datos necesarios para facturación 
  • Datos sobre todas las personas con las que tenemos relación en la empresa 
  • Información sobre todas las ofertas que hacemos con la intención de vender nuestros productos/servicios 
  • Información de todos los pedidos realizados y los contratos en vigor 
  • Información sobre dudas, reclamaciones o quejas relacionados con nuestros productos y servicios 
  • Información sobre las acciones o campañas que realizamos 

Aunque la relación anterior es solo un resumen de la información que podemos recoger en el CRM, es fácil pensar que a nada que tengamos un grupo importante de clientes a los que vendamos nuestros productos y servicios desde hace tiempo, el volumen de información que podemos llegar a almacenar es importante, y además, estará en continuo crecimiento. 

 

De la información al conocimiento. 

 

de la información al conocimiento

Este es un concepto simple de explicar y entender pero, a menudo, no tan fácil de llevar a la práctica. Expliquemos un poco… Hemos visto en el punto anterior que dentro de nuestro sistema CRM puede haber un montón de datos en las diferentes líneas sobre las que recopilemos y que, según vaya pasando el tiempo, esta información irá creciendo y esto nos plantea una cuestión importante; ¿cómo podemos convertir toda la información almacenada en conocimiento sobre cada cliente en particular? 

Pongamos un ejemplo a modo de caso práctico para entenderlo mejor: Supongamos que una empresa produce aceite de oliva de calidad que, hoy en día, vende a diferentes tipologías de clientes (Canal Horeca, canal distribución, canal gourmet B2c, etc) La empresa empezó hace 10 años produciendo de manera artesanal pequeñas cantidades de aceite que vendía a cuatro supermercados en su ciudad de origen. Pero con el paso del tiempo fue creciendo y hoy en día es una marca de primer nivel con gran penetración en el mercado y con diferentes gamas dirigidas a Horeca, canal distribución e incluso una línea gourmet que vende directamente a cliente final en su propio ecommerce.  

La gerencia de la empresa tiene una visión y conocimiento histórico de algunos de los clientes que los han acompañado desde el principio, pero con el paso de los años han ido incrementado su equipo comercial y el número de clientes ha crecido exponencialmente. Así las cosas, ¿puede esta empresa “presumir” de conocer a sus clientes, a todos sus clientes? Difícil pregunta y más difícil aún la respuesta. En el CRM estará mucha de la información de la actividad de cada cliente, pero después de tantos años, ¿qué tiene que hacer una persona que se incorpora nueva y le asignan un grupo de clientes? ¿Tendrá que revisar toda la información acumulada en el CRM para aproximarse a “conocer” a cada cliente? 

Pues aquí aparece un primer concepto muy importante: Está muy bien almacenar grandes volúmenes de información en nuestro CRM pero no como fin en sí mismo sino como punto de partida para convertir toda esa información en conocimiento de cliente. Para ello tendremos que aplicar algoritmos capaces de rastrear y analizar toda esa información y tratarla de forma automática para ofrecernos una visión que nos sitúe de forma rápida en un punto de partida óptimo para conocer a nuestro cliente. Evidentemente, en el sistema CRM están todos los detalles si queremos profundizar en algún aspecto concreto. 

 

Del conocimiento al conocimiento accionable.  

 

El conocimiento accionable

Al igual que en el punto anterior, este concepto también es fácil de explicar y entender pero, sin embargo, es difícil y complejo en muchas ocasiones llevarlo a la práctica. Para explicarlo, partamos del punto en el que quedó el ejemplo anterior.  

La cuestión es que gracias al sistema CRM hemos conseguido tener de una forma sencilla y eficiente un conocimiento de nuestros clientes, es decir, cuando accedemos al sistema CRM éste nos ofrece de forma automática una visión resumida que nos sitúa y nos pone en contexto de forma rápida en quién y cómo es el cliente que tenemos delante. Hasta aquí, todo bien. 

Pero, ¿y si el propio sistema nos permitiera de forma automática poder accionar a partir del conocimiento del cliente? Porque indudablemente está muy bien conocer a nuestros clientes y es el punto de partida básico para que nuestra empresa funcione bien, pero sin embargo esto no es suficiente en sí mismo para garantizar la fidelidad y permanencia de nuestros clientes. 

Pongamos un ejemplo para entender esto mejor. Imaginemos que un cliente importante, una cadena de 25 supermercados que tiene un volumen de compra regular importante (y que después de los años se gestiona automáticamente, sin la intervención de nadie de ventas, salvo que haya modificaciones puntuales) ha planteado dos quejas/reclamaciones en el área de atención al cliente (una porque un pedido llegó tarde y tuvo desabastecimiento y otra porque la última factura era errónea). Salvo que el comercial encargado de este cliente esté mirando permanente si hay alguna incidencia abierta, cosa que no suele ocurrir, lo más lógico es que no se entere. Sin embargo, en el otro lado, el cliente, además de las explicaciones que le están dando desde el área de atención al cliente, en el fondo, está esperando alguna “atención” especial desde el área comercial. Y es aquí donde aparece el concepto de conocimiento accionable. Nuestro sistema CRM tiene clasificado a este cliente como categoría A2 (más de n años de antigüedad, más de x volumen de compra recurrente, determinada forma de pago) y ahora ve que hay dos incidencias abiertas. Más allá de un automatismo básico que informe al comercial encargado de la entrada de las incidencias, el sistema podría contar con automatismos para ofrecer, de forma autónoma, un descuento en la siguiente factura, un determinado volumen de producto gratis o cualquier otra acción que seguro que el cliente va a agradecer pero, sobre todo, va a contribuir a hacerle sentirse importante y bien tratado por nuestra compañía lo que va a aumentar su sentido de pertenencia y fidelidad con la marca. 

 

¿Puede mi CRM darme todo el conocimiento que quiero de mis clientes? 

Siguiendo con el ejemplo anterior, vamos a necesitar exprimir mucho nuestro CRM para poder tener todo el conocimiento necesario de nuestros clientes. Y el CRM nos podrá ofrecer una parte de la información que necesitamos a través del módulo de informes, pero sin embargo se va a quedar corto o muy corto cuando queremos aplicar estrategias de segmentación y clusterización avanzadas que nos permitan identificar arquetipos de clientes y buyer persona. 

Y es aquí donde aparece artyco como una de las empresas más importantes del sector del Business Intelligence (BI). En artyco somos expertos en la utilización de las principales herramientas de BI del mercado, como por ejemplo Power BI, Tableau y Looker. Estas herramientas son el complemento perfecto de los CRM para poder definir y ejecutar las estrategias de segmentación y clusterización que indicábamos en el párrafo anterior. 

 

Creación de modelo relacional, inteligencia y mining y perfilado del consumidor digital para Mahou San Miguel 

artyco ha creado, mantiene y explota todo el ecosistema digital de perfilado de clientes B2C de Mahou San Miguel. Puedes ver toda la información en Caso de éxito de Mahou-San Miguel 

 

AUTOR: José María López, Sales Manager | artyco the data driven company

Emilio Fernández Lastra

Chief Marketing Officer

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Los 6 algoritmos de Clustering que todo Data Scientist debe conocer

Los 6 algoritmos de Clustering que todo Data Scientist debe conocer

Los 6 algoritmos de Clustering que todo Data Scientist debe conocer

La economía digital actual nos está llevando a ofrecer productos y servicios, así como comunicaciones, cada vez más personalizadas, en lo que se ha venido a llamar como la hiperpersonalización. Para poder lograr esto, es necesario conocer bien a los clientes, y lo que es más importante, agruparlos por características comunes. Aquí, entra en juego lo que se llama clusterización, vital para poder desarrollar un marketing efectivo. En este post, te vamos a contar qué es un cluster y cuáles son los cinco principales algoritmos que se utilizan para realizarlos. Te va a interesar.

Tanto si te dedicas a la ciencia de datos, como si no, es importante conocer qué algoritmos se utilizan a la hora de crear esos clusters que van a permitir a la empresa, poder agrupar a sus clientes para lograr comunicarse con ellos de manera más personalizada.

Pero antes, es necesario que sepas que clustering o análisis de grupos o agrupamiento, consiste en reunir objetos o personas por similitud, en grupos o conjuntos de manera que los miembros que lo componen tengan características comunes entre sí y los grupos sean lo más diferenciados.

Para hacerlo, se utilizan lo que se llama, algoritmos de agrupamiento. Estos, son un procedimiento de agrupación de una serie de vectores de acuerdo con un criterio, que por lo general son la distancia y la similitud.

En Data Science, se utiliza el análisis de agrupamiento para obtener información valiosa de nuestros datos, y ver en qué grupos caen los puntos de datos cuando aplicamos un algoritmo de agrupamiento.

Vamos a ver los algoritmos más populares, así como sus ventajas y sus desventajas. Vamos a ello.

 

#1. K-Means Clustering

Puede que este sea el algoritmo de agrupación más conocido, ya que es el que primero se enseña en las clases de introducción a la ciencia de datos y en machine learning, además, es muy fácil de implementar.

Algoritmo K-Means clustering

 

K-means tiene la ventaja de que es bastante rápido, ya que se realizan muy pocos cálculos. Sin embargo, tiene un par de desventajas.

La primera de ellas es, que debes seleccionar cuántos grupos/clases hay. Esto no siempre es trivial e, idealmente, con un algoritmo de agrupamiento, nos gustaría que este los descifrara por nosotros. Otra desventaja podría ser que, K-means comienza con una elección aleatoria de centros de conglomerados y, por lo tanto, puede generar diferentes resultados de conglomerados en diferentes ejecuciones del algoritmo. Por lo tanto, los resultados pueden no ser repetibles y carecer de consistencia. Otros métodos de clusterización son más consistentes.

 

#2. K-Nearest Neighbours

El algoritmo de k-nearest neighbours, también conocido como KNN o k-NN, es un clasificador de aprendizaje supervisado no paramétrico, que utiliza la proximidad para hacer clasificaciones o predicciones sobre la agrupación de un punto de datos individual. Aunque puede utilizarse tanto para problemas de regresión como de clasificación, normalmente se utiliza como algoritmo de clasificación, partiendo de la base de que se pueden encontrar puntos similares cerca unos de otros.

La principal desventaja de este algoritmo es el incremento de los tiempos de cálculo a medida que aumenta el número de ejemplos y/o predictores. Actualmente, no es un problema grave dada la mejora de recursos de computación existentes.

 

#3. Mean-Shift Clustering

Este es un algoritmo basado en una ventana deslizante que intenta encontrar áreas densas de puntos de datos. Es un algoritmo basado en el centroide, lo que significa que el objetivo es ubicar los puntos centrales de cada grupo/clase. Funciona actualizando los candidatos para que los puntos centrales sean la media de los puntos dentro de la ventana deslizante. Estas ventanas candidatas luego se filtran en una etapa de pos-procesamiento para eliminar prácticamente todos los duplicados, formando el conjunto final de puntos centrales y sus grupos correspondientes.

Algoritmo Mean Shift Clustering

A diferencia del agrupamiento de K-means, no es necesario seleccionar el número de clusters, ya que el desplazamiento de la media lo descubre automáticamente. Esa es una gran ventaja. El hecho de que los centros de los cúmulos converjan hacia los puntos de máxima densidad también es bastante deseable, ya que es bastante intuitivo de entender y encaja bien en un sentido natural basado en datos. El inconveniente es que la selección del tamaño de ventana/radio “r” puede no ser trivial.

 

#4. Clustering espacial basado en la densidad de aplicaciones con ruido (DBSCAN)

DBSCAN es un algoritmo agrupado basado en la densidad, similar al mean-shift, pero con un par de ventajas notables.

En primer lugar, no requiere una cantidad determinada de clústeres en absoluto. También identifica los valores atípicos como ruidos, a diferencia del cambio de media, que simplemente los arroja a un grupo incluso si el punto de datos es muy diferente. Además, puede encontrar clústeres de tamaño y forma arbitrarios bastante bien.

El principal inconveniente de DBSCAN es que no funciona tan bien como otros cuando los grupos tienen una densidad variable. Esto se debe a que la configuración del umbral de distancia ε y minPoints para identificar los puntos de vecindad variará de un grupo a otro cuando la densidad varía.

Algoritmo de clustering DBSCAN

 

#5. EM (Expectation-Maximization) Clustering, usando una mezcla de modelos gausianos.

El algoritmo K-Means es quizás el más utilizado, sin embargo, hay ciertas distribuciones de los datos, sobre los que este algoritmo no es tan eficaz, ya que funciona sobre agrupaciones circulares.

Por ejemplo, en estos casos como el que adjunto, K-Means no puede manejarlo, ya que los valores medios de los grupos están muy juntos. K-Means también falla en los casos en que los clusters no son circulares, nuevamente como resultado de usar la media como centro del cluster.

 

Algoritmo EM gausiano clustering

 

Estos modelos de mezcla gausiana, nos ofrecen una mayor flexibilidad que los K-means. Con estos, tenemos dos parámetros para describir la forma de los grupos. De esta manera, los grupos pueden tomar cualquier tipo de forma elíptica.

Este tipo de modelos tiene principalmente 2 ventajas: son mucho más flexibles en términos de covarianza de clúster que K-Means; y que, debido al parámetro de desviación estándar, los grupos pueden adoptar cualquier forma de elipse, en lugar de estar restringidos a círculos, como es el caso de los K-means.

 

#6. Cluster por jerarquías.

Los algoritmos de agrupamiento jerárquico se dividen en 2 categorías: de arriba hacia abajo o de abajo hacia arriba.

Los algoritmos de abajo hacia arriba tratan cada punto de datos como un único grupo desde el principio y luego fusionan (o aglomeran) sucesivamente pares de grupos hasta que todos los grupos se fusionan en un solo grupo que contiene todos los puntos de datos. Por lo tanto, el agrupamiento jerárquico de abajo hacia arriba se denomina agrupamiento aglomerativo jerárquico o HAC (hierarchical agglomerative clustering). Esta jerarquía de conglomerados se representa como un árbol (o dendrograma). La raíz del árbol es el único racimo que reúne todas las muestras, siendo las hojas los racimos con una sola muestra.

Algoritmo por jerarquías clustering

 

El agrupamiento jerárquico no requiere que especifiquemos el número de clústeres e incluso podemos seleccionar qué número de clústeres se ve mejor ya que estamos construyendo un árbol. Además, el algoritmo no es sensible a la elección de la métrica de distancia; todos tienden a funcionar igual de bien, mientras que con otros algoritmos de agrupamiento, la elección de la métrica de distancia es crítica. Un caso de uso particularmente bueno de los métodos de agrupación en clústeres jerárquicos es cuando los datos subyacentes tienen una estructura jerárquica y desea recuperar la jerarquía; otros algoritmos de agrupamiento no pueden hacer esto. Estas ventajas del agrupamiento jerárquico tienen el costo de una menor eficiencia, ya que tiene una complejidad temporal de O(n³), a diferencia de la complejidad lineal de K-Means y GMM.

 

Como ves, existen un gran número de algoritmos de agrupación, los cuales funcionarán mejor o peor en base a tus datos o tus objetivos, por poner un ejemplo. Para tener éxito, es necesario disponer del talento dentro de tu compañía, el cual sea capaz de crear la clusterización adecuada a tus necesidades. ¿Te ayudamos?

 

Emilio Fernández Lastra

Chief Marketing Officer

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Data Science y ONGs. Un matrimonio muy conveniente

Data Science y ONGs. Un matrimonio muy conveniente

Data Science y ONGs. Un matrimonio muy conveniente


No se puede negar que la ciencia de datos o Data Science, es una de las principales tendencias del momento. Desde la investigación de inteligencia artificial, el diagnóstico de enfermedades y los vehículos autónomos, hasta la detección de fraudes, el marketing digital, la gestión de recursos humanos y mucho más. Un sector que puede aprovecharse tremendamente de ello, no es otro que el conocido como el tercer sector o el de las ONGs y asociaciones solidarias. En este post, te voy a contar qué es el Data Science y cómo puede beneficiar este al tercer sector. Además, te pongo el caso de uno de nuestros clientes: Plan Internacional. Vamos allá.

Como lees, Data Science y ONGs, pueden llegar a ser un matrimonio muy conveniente. Y es que, la ciencia de datos es una disciplina que poco a poco está siendo cada vez más utilizada en el entorno empresarial, debido a la rentabilidad y muchos beneficios que aporta.

Las formas son variadas. Desde contratar a un científico de datos que te resuelva esa necesidad, hasta contratar a una empresa especializada para que el equipo de científicos de datos y Data Analysts trabajen a medida y en función de tus necesidades.

Las grandes y medianas compañías ya están haciendo uso de uno u otro sistema, y ahora les toca a otras más retrasadas desde el punto de vista de la cultura del dato, y entidades y asociaciones del tercer sector, quienes pueden obtener unos importantes beneficios de su normalización en el proceso de trabajo y planificación estratégica.

Como todos ya sabemos, las nuevas tecnologías están dando lugar a un aumento exponencial del volumen y los tipos de datos disponibles, creando posibilidades sin precedentes para informar y transformar la sociedad, y proteger el medio ambiente.

Gobiernos, entidades, investigadores y grupos de ciudadanos están en un momento de experimentación, innovación y adaptación al nuevo mundo de los datos. Un mundo en el que estos son más grandes, más rápidos y detallados que nunca. Esto es el Big Data. La revolución de los datos.

Algunos ya están viviendo en este nuevo mundo. En contra, hay entidades y gobiernos que se están quedando excluidos por falta de recursos, conocimientos, capacidad u oportunidad. Además, existen enormes y crecientes desigualdades en el acceso a los datos y la información, y en la capacidad de utilizarlos.

En este post, veremos brevemente cómo definimos la ciencia de datos y cómo puede ser utilizada por entidades benéficas y del tercer sector.

¿Qué es la ciencia de datos o Data Science?

ciencia de datos

Cada vez utilizamos más tecnología conectada, la cual produce más y más datos sobre lo que hacemos. El IoT o Internet de las cosas, está multiplicando esa data en cantidad y en velocidad.

Esos datos, sin embargo, están allí esperando a que los recojamos, los tratemos y saquemos de ellos conclusiones que sirvan para obtener un mayor conocimiento. Parte de ese conocimiento podría ser lo que cambie el mundo, o simplemente ser el primer paso para solucionar ese pequeño problema.

En este proceso, es donde interviene el científico de datos de una manera protagonista. Básicamente, la ciencia de datos consiste en utilizar técnicas estadísticas y computacionales para convertir los datos disponibles de una cantidad de fuentes, en hallazgos y conclusiones que generen información, faciliten la toma de decisiones informadas, revelen patrones y tendencias, y nos permitan hacer predicciones.

Como ya sabemos, en una Organización No Gubernamental (ONG) el sistema de valor está conformado por los grupos de apoyo como individuos, empresas, entidades del Gobierno, agencias internacionales y organismos multilaterales. Además de por los miembros de la organización, como fundadores, socios, directivos, voluntarios y personal remunerado. Así como por la población en condiciones de vulnerabilidad como familias, hombres, mujeres, adolescentes, niños, minorías o ancianos.

Pero no sólo existe una relación directa entre los grupos de apoyo y la organización social y entre esta y los beneficiarios, sino también una relación indirecta entre los grupos de apoyo y los beneficiarios.

Con esta variedad interrelacional y tantos players involucrados, imagina el campo abierto que tiene una organización no gubernamental o solidaria, de encontrar conocimiento a través de la ciencia de datos.

¿Cómo puede la ciencia de datos beneficiar a las organizaciones filantrópicas y del tercer sector?

data sciencia y organizaciones filantropicas

Quizás puedas pensar que la utilidad del Data Science en ciertos campos es más evidente que en el tuyo, sin embargo, no es así.

Por ejemplo, los bancos pueden crear analíticas para buscar características en las solicitudes de crédito que estén asociadas con incumplimientos de préstamos.

Las plataformas de video como Netflix o HBO pueden recomendar películas en función de su historial de visualización.

Las empresas de telefonía móvil, sin embargo, pueden crear modelos para predecir si un cliente no renovará su contrato y orientarlos con las ofertas adecuadas.

Puede que no sea inmediatamente obvio ver cómo se puede utilizar la ciencia de datos en entidades centradas en actividades benéficas, pero el Data Science puede ser tan eficaz y útil en estos sectores como en empresas de primera línea o nuevas empresas tecnológicas.

Y es que esta disciplina puede ayudar comenzando con la efectividad y la eficiencia básicas. Por ejemplo, puede ofrecer conocimiento sobre cualquier aspecto de la gestión organizacional, desde la contratación y retención de empleados hasta el marketing, las propiedades y las operaciones.

En un ejemplo reciente de aplicación del aprendizaje automático a la gestión de instalaciones, Google usó sus algoritmos para reducir la cantidad de energía que usa para enfriar sus centros de datos. ¡Reduciéndola hasta en un 40%!

A medida que los enfoques de aprendizaje automático comienzan a aplicarse en más actividades de una organización, los ahorros potenciales a través de una mayor eficiencia podrían marcar una diferencia significativa en los costos, disminuyendo el porcentaje de cada donación que se destina a los gastos generales de la organización, por poner un ejemplo. Uno de los aspectos más críticos en este sentido, es la inversión que se hace en marketing.

Aunque los costos operativos reducidos pueden maximizar la cantidad de cada donación que se pone a trabajar, siempre existirá el deseo de garantizar que las donaciones se pongan a trabajar donde generarán el mayor impacto y de garantizar que la eficacia de esa donación sea supervisada.

La ciencia de datos también puede ayudar aquí, con modelos basados en IA puestos a trabajar buscando características en proyectos potenciales que estén asociados con un desempeño sólido y resultados exitosos, y algoritmos que pueden evaluar el desempeño de proyectos en tiempo real, a partir de las redes sociales. Como, por ejemplo, en la opinión mediante el análisis de sentimientos, el análisis estadístico para buscar un aumento en el crecimiento económico en un sector en particular, o el uso de técnicas de ciencia de datos para combinar y complementar datos de diferentes fuentes para impulsar iniciativas de atención médica, como el control de la malaria en Namibia.

Otras aplicaciones de los datos bien utilizados en el ámbito social, podrían ser:

  • Crear un modelo predictivo que ayude a determinar la probabilidad de un problema relacionado con el abuso de drogas, el maltrato o el abuso sexual, sólo a través de los mensajes vertidos en el chat de ayuda de la ONG en cuestión o en el perfil de la red social de esta.
  • Determinar la probabilidad de abandono escolar,a través de la analítica predictiva. Este conocimiento permitiría a las autoridades educativas, actuar con antelación para evitar dicho abandono prematuro.
  • Predicción de agua a través de la colocación de sensores en pozos, ríos… a través de los cuales obtener una medición y generar modelos predictivos que ayuden a anticiparse ante una crecida o una sequía.
  • Diagnóstico de la desnutrición, a través de la simple fotografía de la muñeca de cualquier niño. Gracias a la información antropomorfa del sujeto, y todos los datos históricos almacenados de miles de niños, se puede determinar un diagnóstico muy acertado.
  • El dato puede mejorar la atención a las personas que están en zona de catástrofe natural, localizar el foco de un terremoto en tiempo real, rastreando los movimientos con el móvil de la población, o seguir la propagación de la gripe, a través del comportamiento de los usuarios en Twitter o Facebook.

Es el poder del dato y de la tecnología. Tecnología que una vez más, se pone al servicio de las personas.

Quizás estés aún en un momento poco avanzado, pero tranquilo, no es necesario comenzar la carrera yendo a 200 km/h, quizás antes haya que ir a 100 mk/h. Si es tu caso, aquí te cuento algo muy simple que puedes poner en marcha en tu ONG, que seguramente no estés haciendo, y lo cual te va a beneficiar enormemente.

Todo empieza con una segmentación y una creación de arquetipos de tus socios y donantes. Caso Plan Internacional.

plan internacional

Cualquier organización sin ánimo de lucro dispone de una interesante base de datos compuesta por socios, donantes y potenciales.

El objetivo de cualquier empresa privada es segmentar su base de datos con el fin de crear una serie de arquetipos que permitan realizar campañas más personalizadas y eficaces. En este caso, una ONG no deja de tener ese mismo objetivo, ¿verdad?

Esta problemática nos la planteó la ONG Plan internacional en su día. Lo que nosotros hicimos fue, a través de sus datos de origen en un entorno CRM puramente transaccionales, transformar ese entorno operacional (los datos del CRM), en analíticos, montándolos en Azure.

Una vez hicimos esto, consolidamos los datos existentes, es decir, ajustamos toda la información que allí había a unos estándares comunes. A continuación, enriquecimos la información de cada individuo con diversos datos de fuentes OpenData.

Una vez dejamos la base de datos preparada para el trabajo analítico, creamos los diferentes segmentos, teniendo en cuenta la actividad de Plan Internacional y su modo de trabajo, y el ciclo de vida de sus socios y donantes.

Una vez obtuvimos los correspondientes segmentos, creamos los arquetipos en base a si son socios y donantes de un tipo u otro, añadiéndole posteriormente los datos sociodemográficos.

Todo este trabajo se completa con la entrega de unos dashboards o cuadros de mando de autoconsumo, a través de los cuales Plan Internacional podrían generar ellos mismos, los diferentes buyer personas, simplemente usando filtros, en base a las agrupaciones de segmentos y arquetipos.

Esta facilidad a la hora de agrupar a sus socios y donantes les permitió crear comunicaciones mucho más precisas, así como encontrar perfiles muy valiosos que no habían identificado antes.

Como ves, introducir algo tan simple como esto que te acabo de contar, puede suponer una optimización tremenda en las acciones de marketing de la ONG, y el comienzo para aumentar la inteligencia y la ciencia de datos en todos los procesos de la organización. De este modo, Data Science y ONGs pueden unirse.

¿Necesitas ayuda? ¿Quieres empezar con algo como esto que te acabo de contar? En artyco estaremos encantados de poder ayudarte.

Emilio Fernández Lastra

Chief Marketing Officer

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados

Cómo soluciona la ciencia de datos o Data Science, problemas reales

Cómo soluciona la ciencia de datos o Data Science, problemas reales

Cómo soluciona la ciencia de datos o Data Science, problemas reales.

La ciencia de datos o Data Science, involucra métodos científicos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas, ya sea estructurados o no estructurados, lo cual es una continuación de algunos campos de análisis de datos como la estadística, la minería de datos, el aprendizaje automático, y la analítica predictiva. A pesar de datar de los años 60 y 70, es en los últimos años cuando más repercusión está teniendo esta disciplina, en el mundo de los negocios. En este post voy a contarte cuáles son los principales conocimientos que debe de tener un científico de datos, así como cuáles son sus aplicaciones solucionando problemas reales en diferentes industrias. ¿Te interesa? Pues vamos a por ello.

La ciencia de datos y la tecnología han ido siempre de la mano, ya que esta no puede existir sin una tecnología computacional que la apoye. De hecho, “dato” es un concepto que surge en los 40, la etapa de los primeros ordenadores, con la acepción de «información susceptible de ser transmitida y almacenada en un ordenador».

A partir de ahí, la evolución de los ordenadores y su capacidad para almacenar y procesar datos han ido modelando el concepto de análisis de datos primero y de Ciencia de Datos después, aumentando el alcance de los análisis y la fiabilidad de las predicciones.

Sin embargo, la Ciencia de Datos no solo son datos y ordenadores. Esta se encuentra centrada en una figura, la del Data Scientist.

 

Principales conocimientos que debe tener un Data Scientist.

Data Scientist

Para conocer bien qué puede hacer la ciencia de datos por los negocios, antes hay que saber qué habilidades y conocimientos tienen que dominar los científicos de datos o data scientists.

Si bien no hay una definición clara y concisa, existe una aproximación realizada en 2010 por Drew Conway en la que se llega al concepto de Ciencia de Datos a partir de las áreas de conocimiento que es necesario dominar, y son estas:

#1. Hacking Skills.

Hace referencia a habilidades adquiridas para manejar diferentes tipos de datos en formatos distintos y para los que no hay un único método de integración en un proyecto de Ciencia de Datos. Son habilidades para «buscarse la vida» manejando fuentes de datos no siempre estructuradas, en busca de relaciones, predicciones o patrones útiles en un determinado sector o área de negocio.

#2. Substantive Expertise.

Atañe al conocimiento del área de actividad o el negocio de donde provienen los datos. Los mismos datos, en áreas de negocio diferentes, se manejan también de forma diferente. Por ejemplo, los datos de conducción de los coches pueden servir para diseñar estrategias de mantenimiento predictivo en un taller o para ofrecer seguros personalizados en función de la forma de conducir.

#3. Disciplinas como Machine Learning o los métodos analíticos tradicionales.

Son subconjuntos de áreas de conocimiento, mientras que la Ciencia de Datos las engloba a todas. Son piezas de un enorme rompecabezas como la Manipulación de Datos y el Análisis.

 

Sin embargo, en los últimos tiempos, un elemento nuevo ha entrado en juego: la Inteligencia Artificial. Y es que, a medida que la potencia de cálculo de los sistemas computacionales ha ido aumentando, la IA ha ido emergiendo en paralelo. Sin ir más lejos, la IA Watson de IBM se enfrentó en 2011 a personas reales en el concurso ‘Jeopardy’ usando la tecnología DeepQA (preguntas y respuestas profundas). En ella intervienen decenas de algoritmos diferentes para procesar el lenguaje natural, clasificar, buscar relaciones o categorizar la veracidad estadística de la respuesta. La IA ganó el concurso.

La “apariencia” de inteligencia emerge a partir del hardware capaz de hacer los cálculos lo suficientemente rápido como para que pareciese que estábamos ante un concursante humano. Watson usaba computación distribuida mediante Hadoop y bases de datos que se tuvieron que almacenar en memoria RAM para que la respuesta fuera rápida.

 

9 aplicaciones de la Ciencia de Datos o Data Science en los negocios.

Data Science

Los avances tecnológicos han propiciado el manejo de grandísimas cantidades de datos en tiempos muy reducidos. Esto ha facilitado del mismo modo, el poder integrar estos métodos en interfaces de usuario, haciéndolo más accesible a las personas y por tanto, a las empresas.

Esta, llamémosla, democratización de los datos, ha supuesto que su uso se vaya extendiendo a diferentes industrias y sectores, en los que está aportando soluciones rápidas y eficaces a problemas cotidianos a los que se enfrentan en esos mercados cada día.

Las nueve aplicaciones más potentes podrían ser estas:

 

#1. Ciberseguridad: identificación de ciberamenazas

La detección se realiza a partir de los datos de acceso a los sistemas y recursos de red. Se buscan patrones y se procede a dar la alerta cuando se detectan situaciones que no respondan a un patrón predefinido.

Los datos provienen de logs de actividad, con abrumadoras cantidades de datos recopilados en archivos históricos. De ellos, se extraen patrones de actividad para usarlos como referencia.

#2. Finanzas: detección de fraudes

Un proceso similar se aplica, por ejemplo, en la detección de fraudes en pagos con tarjetas de crédito. Aquí, los sistemas pueden cruzar datos de diferentes fuentes, como la actividad habitual de un cliente, junto con los «normales» de uso.

De esta forma, es posible identificar escenarios fraudulentos (tarjetas duplicadas/robadas o cobros indebidos/duplicados), paralizando o advirtiendo sobre una actividad irregular antes de que se produzca el daño.

#3. Seguros: cálculo de primas

El sector de los seguros es otro que se beneficia de la Ciencia de Datos. Analizando los hábitos de conducción mediante sensores, una empresa aseguradora puede calcular los riesgos de accidente de un cliente y ofrecer una cuota personalizada para él. Incluso puede introducir conceptos variables que dependan del análisis de sus rutinas en diferentes épocas del año.

#4. Medicina: detección de tumores y búsqueda de tratamientos

Campos como el análisis de imagen en la identificación de enfermedades son perfectos candidatos para aplicar la Ciencia de Datos. Cuando se obtienen las imágenes en un TAC, radiografía o ecografía, los sistemas de reconocimiento empiezan a ser mejores incluso que los propios especialistas humanos.

Para conseguir una tasa de acierto tan elevada, es preciso elegir y procesar decenas de miles de exploraciones para entrenar estadísticamente los sistemas de reconocimiento de imagen basados en Machine Learning Supervisado.

Otro tanto de lo mismo se aplica para el descubrimiento de nuevos medicamentos o para ofrecer tratamientos personalizados.

#5. Industria: mantenimiento predictivo o la salud de las máquinas

El mantenimiento predictivo es un ejemplo claro de aplicación de la Ciencia de Datos en la industria. Las máquinas, sistemas logísticos y demás elementos de una planta industrial integran miles de sensores que recogen datos sobre temperaturas, horas de funcionamiento, velocidades, distancias, nivel de ruido, etc.

Se generan cantidad de información que hay que preparar, filtrar, limpiar e introducir en los modelos de Machine Learning o Deep Learning para predecir fallos con antelación. Como consecuencia, se consiguen sustanciosos ahorros en revisiones periódicas o en compra de piezas de repuesto. Por no hablar de evitar que una planta de producción se pare por sorpresa.

#6. Marketing: clasificación de los clientes y las audiencias

Actualmente, la Ciencia de Datos es capaz de usar como fuentes a las redes sociales en tiempo real. De esta manera, se puede desde predecir la demanda de un producto hasta crearla a partir de ofertas segmentadas por clase social, preferencias culturales, nivel adquisitivo, género, aficiones…

En los departamentos de marketing, estos datos ayudan a confeccionar informes previos a campañas, lanzamientos o promociones.

#7. Buscadores: reconocimiento de imágenes

Valga Google Fotos como ejemplo. En esta plataforma, las fotos que subimos se analizan y clasifican automáticamente a partir de aquellos elementos que la IA de Google es capaz de identificar, ya sean coches, aviones, personas, flores, comida, animales, paisajes o lugares singulares, entre otros.

La Ciencia de Datos interviene en la elección de los mismos (imágenes) para entrenar a los modelos de Deep Learning. Para darnos cuenta de su importancia, recordemos que, cuando se pedía a Google que buscara gorilas, devolvía como resultado fotos de personas de color. Google lo resolvió inicialmente eliminando “gorila” de la búsqueda.

#8. Automatización: coches que conducen solos

Es uno de los territorios más ambiciosos de la Ciencia de Datos. No es lo mismo automatizar el aparcamiento de un coche que automatizar la conducción completa, por lo que aún queda un largo recorrido en esta vía.

#9. Energía: asegurando el suministro

En el sector de la energía, la Ciencia de Datos se aplica a diferentes áreas, como la del mantenimiento predictivo de sus instalaciones e infraestructuras y redes de distribución, o la previsión de consumo, para programar las tareas de generación energética.

También se emplea para detectar el uso fraudulento del grid ─como pueden ser enganches ilegales─, prevenir caídas de suministro o tarificar en tiempo real.

 

Como ves, la ciencia de datos es cada vez más importante y supone una ventaja competitiva de cualquier negocio, frente a su competencia, no sólo por ser más eficientes, sino porque ofrecen en tiempo real soluciones reales a quienes importan realmente, que son los consumidores.

En artyco ayudamos a los negocios a sacar verdadero partido de los datos, utilizando el Data Science como sistema dentro de nuestra oferta de Customer Intelligence. ¿Te ayudamos?

Emilio Fernández Lastra

Chief Marketing Officer

“Después de la hipoteca, el inbound marketing es la mejor
herramienta para asegurar una relación a largo plazo”

¿Te ha parecido interesante lo que has leído?

En artyco podemos ayudarte a conseguir tus objetivos

¿Hablamos?

Si, quiero

+34 916 404 150

© Artyco comunicación y servicios - Todos los derechos reservados

© Artyco comunicación y servicios - Todos los derechos reservados