{"id":840,"date":"2014-08-19T11:27:26","date_gmt":"2014-08-19T14:27:26","guid":{"rendered":"http:\/\/mulki.com.ar\/iadmin\/?p=840"},"modified":"2014-09-17T22:20:07","modified_gmt":"2014-09-17T22:20:07","slug":"la-mineria-de-datos-desaprovechada","status":"publish","type":"post","link":"https:\/\/face.unt.edu.ar\/web\/iadmin\/la-mineria-de-datos-desaprovechada\/","title":{"rendered":"La miner\u00eda de datos desaprovechada"},"content":{"rendered":"

La miner\u00eda de datos desaprovechada<\/h3>\n
\n

Publicado en El Cronista, edici\u00f3n digital, 03-09-13<\/span><\/p>\n

http:\/\/www.cronista.com\/itbusiness\/La-mineria-de-datos-desaprovechada-20130903-0005.html<\/a><\/p>\n

Si bien a\u00fan no son legi\u00f3n, empresas locales de retail, finanzas, entretenimiento y telecomunicaciones se internan en el universo de estas herramientas, que prometen predecir comportamientos, bajas de usuarios y posibles fraudes. La diferencia con el big data. La experiencia de CMR Falabella, DirectTV y Nextel.<\/h5>\n

\"\"<\/h2>\n

Cintia Perazo<\/h2>\n
\n
\n

\u00a0La informaci\u00f3n es clave para todo tipo de negocios pero el enorme incremento de datos hace que \u00e9stos se vuelvan un problema y una carga, si no se los analiza, clasifica y guarda adecuadamente. Ya en noviembre de 2012 la investigadora Gartner anticipaba en su informe \u0091Big data and Information Infraestructure\u0092, que, durante este a\u00f1o, los grandes vol\u00famenes de datos impactar\u00edan en las organizaciones. Se identificaba as\u00ed a un conjunto de activos de informaci\u00f3n, \u0093caracterizados por alto volumen, alta velocidad y alta variedad, que demandan formas innovadoras y costo-efectivas de procesamiento de la informaci\u00f3n para la mejor comprensi\u00f3n (insight) y toma de decisiones\u0094, seg\u00fan define Edgardo Jury, gerente General de la consultora Technology Value Partners y representante de Gartner para el Cono Sur.<\/p>\n<\/div>\n<\/div>\n

\n

La inc\u00f3gnita para muchas empresas sigue siendo el c\u00f3mo hacerlo. Una alternativa pasa hoy por la posibilidad de analizar los datos en base de patrones que permitan predecir comportamientos, h\u00e1bitos de compra o, incluso, de fuga de clientes y fraude, entre otras acciones. Es aqu\u00ed donde entran en escena las soluciones de data mining o miner\u00eda de datos.
\n\u0093La utilizaci\u00f3n de este concepto permite comprender mejor el comportamiento del mercado, tanto de clientes como de competidores, ayudando al dise\u00f1o de productos, la gesti\u00f3n de ventas y, fundamentalmente, midiendo, en forma anticipada, los riesgos y la prevenci\u00f3n de fraudes\u0094, explica Roxana Matias Gago, socia a cargo del \u00e1rea de Bancos y Compa\u00f1\u00edas de Seguros, de consultora internacional especializada en gesti\u00f3n de riesgo Crowe Horwath.
\nPor su parte, Daniel Yankelevich, CEO de la consultora Pragma, recuerda sin embargo, que \u0093antes de empezar a minar, es importante entender el valor para el negocio de esos datos y definir una estrategia para alinear el proyecto tecnol\u00f3gico con el bottom line\u0094. En la Argentina a\u00fan son pocas las compa\u00f1\u00edas que aprovechan el data mining, recuerdan los especialistas. Entre los que s\u00ed lo hacen se encuentra CMR Falabella. Con 518 empleados y una facturaci\u00f3n de $ 1.300 millones (2012), la divisi\u00f3n financiera del retailer chileno Falabella, utiliza la miner\u00eda de datos para el desarrollo de modelos predictivos que faciliten originar y admitir nuevos clientes como para analizar el comportamiento en la administraci\u00f3n del portfolio de clientes existentes.<\/p>\n

El retail<\/strong>
\nLa infraestructura para logralo se compone de dos equipos. Uno, compuesto por cinco profesionales, funciona dentro de la gerencia de Riesgos y se dedica a investigar los datos para detectar patrones de comportamiento, identificar desv\u00edos y predecir tendencias. Ello redunda, luego, en la definici\u00f3n y ajuste de las pol\u00edticas de riesgo de cr\u00e9dito que la empresa gestiona, seg\u00fan cuenta Flavia Nu\u00f1ez, gerente de Riesgo y Cobranzas de CMR Falabella Argentina. Otro es el equipo de seis personas que funciona en el \u00e1rea de Negocios. Este se enfoca en tareas de miner\u00eda para obtener informaci\u00f3n \u00fatil referida a preferencias de los clientes y, en base a ello, la potencialidad de compra y fidelizaci\u00f3n.
\nLa ejecutiva de CMR Falabella cuenta que su compa\u00f1\u00eda utiliza data mining hace m\u00e1s de 10 a\u00f1os. Sin embargo y m\u00e1s all\u00e1 de la detecci\u00f3n de patrones no obvios, \u0093la pr\u00e1ctica permite la automatizaci\u00f3n de las decisiones de cr\u00e9dito, agilizando los tiempos de respuesta a las solicitudes de cr\u00e9dito y ofreciendo un criterio uniforme en cada an\u00e1lisis\u0094, detalla Nu\u00f1ez. El valor agregado que se genera: llegar a los clientes con ofertas adecuadas, bien dirigidas. \u0093Evita saturarlos con comunicaciones de ofertas que no se acercan a sus necesidades y expectativas\u0094, puntualiza.
\nLa firma trabaja con bases que manejan hasta seis millones de registros. \u0093Se trabaja con un datamart, que contiene un mapa relacional de tablas que se actualizan peri\u00f3dicamente y a partir del cual se construyen los modelos predictivos de mora, de propensi\u00f3n y de fuga, entre otros\u0094, agrega.
\nEn referencia a los tiempos de la implementaci\u00f3n de las soluciones elegidas (SPSS, Modeler 14.0, ambas de IBM; y SQL Server, de Microsoft), Nu\u00f1ez deja en claro que estos dependen de la calidad y complejidad de los datos que le dieron origen. \u0093Si los datos almacenados son consistentes y est\u00e1n organizados debidamente, el desarrollo de un modelo predictivo puede llevar entre ocho y 12 semanas, dependiendo de la complejidad del modelo\u0094, comenta. En caso contario, si los datos de origen no son limpios porque hay datos guardados con formatos err\u00f3neos o informaci\u00f3n faltantes, los tiempos se alargan. Mientras que la implementaci\u00f3n de sistemas agrega entre seis y ocho semanas\u00bb, observa la ejecutiva de CMR Falabella.<\/p>\n

M\u00e1s y mejor entretenimiento<\/strong>
\nDirecTV, operadora de televisi\u00f3n satelital, es otro caso donde la tecnolog\u00eda del data maning se volvi\u00f3 fundamental para una operaci\u00f3n, que en la Argentina, cuenta con 3.000 empleados. \u0093Nuestra compa\u00f1\u00eda cuenta con nueve operaciones distintas en la regi\u00f3n que llamamos Panamericana. Ellas maduraron a diferentes velocidades, seg\u00fan la realidad de cada mercado. Por ello, conviven una cantidad importante de versiones distintas de software de base de datos y sistemas sat\u00e9lite de la compa\u00f1\u00eda. SAS (N.d.R.: proveedor con el cual colaboran en data mining) result\u00f3 un aliado frente a este contexto, ayudando a llevar las fuentes de datos a una visi\u00f3n estandarizada y permitiendo, luego, una explotaci\u00f3n m\u00e1s ordenada de la informaci\u00f3n\u0094, comenta Dami\u00e1n Ignacio Ramos, gerente Regional de Analytics en DirecTV para la regi\u00f3n Panamericana. El ejecutivo resalta que tuvieron avances \u0093en tan s\u00f3lo dos meses, en la gesti\u00f3n de campa\u00f1as y en aplicaciones de an\u00e1lisis avanzado con interfaces sencillas de usuario final\u0094.
\nLa buena experiencia con la soluci\u00f3n hizo escuela dentro de la empresa, que para la regi\u00f3n Panamericana registr\u00f3, al 31 de diciembre 2012, una facturaci\u00f3n anual de u$s 2.700 millones. Junto al \u00e1rea de Experiencia del Cliente, hoy, la est\u00e1n utilizando otros sectores de la compa\u00f1\u00eda, como Marketing, Finanzas y Operaciones.
\n\u0093Lo utilizan m\u00e1s de 100 usuarios repartidos en las operaciones de Am\u00e9rica latina, con la administraci\u00f3n de la plataforma y el hardware centralizados en la Argentina – asegura el ejecutivo de DirecTV y contin\u00faa- Nuestra \u00e1rea, compuesta por 40 personas, la utiliza para analizar las razones de fuga de clientes, gestionar campa\u00f1as de fidelizaci\u00f3n, para cobrar, para hacer controles de auditor\u00eda y para realizar la segmentaci\u00f3n de clientes\u0094.
\nMientras, en Nextel, el disparador que los condujo hacia la implementaci\u00f3n de data mining fue la creaci\u00f3n de un \u00e1rea de Business Intelligence (BI). \u0093El objetivo era hacer una consolidaci\u00f3n efectiva de la informaci\u00f3n de los sistemas para reporte y generaci\u00f3n de tableros de alta complejidad. El tema es que deb\u00eda ser de f\u00e1cil uso para facilitar el proceso de toma de decisiones estrat\u00e9gicas. Una vez que la plataforma de BI estuvo madura, surgi\u00f3 la necesidad de buscar formas predictivas de retener e identificar a nuestros clientes\u00bb, recuerda Mat\u00edas Ravizzoli, director de Business Intelligence de Nextel Argentina. Los proveedores elegidos por esta empresa fueron MicroStrategy, para la visualizaci\u00f3n, y SPSS para la generaci\u00f3n de modelos de miner\u00eda.<\/p>\n

Telecomunicaciones y data<\/strong>
\nLa empresa de telecomunicaciones m\u00f3viles, que tiene en nuestro pa\u00eds 1.650 empleados y factura, aproximadamente, u$s 700 millones, utiliza este tipo de soluciones para la retenci\u00f3n, fidelizaci\u00f3n, cobranzas y atenci\u00f3n al cliente. \u0093A toda operadora de telecomunicaciones, le preocupa el nivel de clientes que se desactivan (churn). Por eso, buscamos soluciones para predecir la posibilidad que ten\u00eda cada cliente de darse de baja en nuestro servicio, tanto en forma voluntaria como involuntaria, por falta de pago\u0094, comenta Ravizzoli. Como complemento de estos modelos de predicci\u00f3n de churn se realiz\u00f3 un modelo de valor de cliente para saber tambi\u00e9n a qu\u00e9 clientes priorizar en nuestras acciones proactivas, revela el ejecutivo. Con las implementaciones, Nextel logr\u00f3 reducir la tasa de \u0091bajas\u0092 de clientes y los deudores. \u0093Adem\u00e1s, la percepci\u00f3n de nuestros clientes cambi\u00f3 positivamente\u0094, agrega.
\nAntes de concluir, Ramos, de DirecTV sugiere a las empresas interesadas en implementar data mining que contraten los mejores talentos posibles porque, all\u00ed, radica la mayor parte de probabilidad de \u00e9xito. El especialista recomienda no comenzar con proyectos grandes sino con peque\u00f1os, \u0093siempre, teniendo una estrategia de centralizaci\u00f3n de datos y aplicaciones como norte, para evitar la duplicidad de soluciones\u00bb.
\nMientras, Nu\u00f1ez, de CMR Falabella, aconseja no dudar en incorporar el data mining a la gesti\u00f3n. \u0093Los ayudar\u00e1 enormemente en concentrarse en la informaci\u00f3n m\u00e1s relevante, a la hora de tomar sus decisiones de negocio\u0094, sostiene. Sin embargo, muchas empresas a\u00fan se debaten ante tal posibilidad.<\/p>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

La miner\u00eda de datos desaprovechada Publicado en El Cronista, edici\u00f3n digital, 03-09-13 http:\/\/www.cronista.com\/itbusiness\/La-mineria-de-datos-desaprovechada-20130903-0005.html Si bien a\u00fan no son legi\u00f3n, empresas locales de retail, finanzas, entretenimiento y telecomunicaciones se internan en el universo de estas herramientas, que prometen predecir comportamientos, bajas de usuarios y posibles fraudes. La diferencia con el big data. La experiencia de CMR […]<\/p>\n","protected":false},"author":7,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[17,12],"tags":[],"_links":{"self":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts\/840"}],"collection":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/comments?post=840"}],"version-history":[{"count":3,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts\/840\/revisions"}],"predecessor-version":[{"id":1405,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts\/840\/revisions\/1405"}],"wp:attachment":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/media?parent=840"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/categories?post=840"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/tags?post=840"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}