Tag: analítica predictiva

ae

La Analítica Empresarial (AE) comprende los métodos y las técnicas que se utilizan para recopilar, analizar e investigar el conjunto de datos de una organización, lo cual genera conocimiento que se transforma en oportunidades de negocio y mejora la estrategia empresarial. AE permite una mejora en la toma de decisiones ya que éstas se basan en la obtención de datos reales y tiempo real y permite conseguir objetivos empresariales a partir del análisis de estos datos

Algunos factores como el aumento en la obtención de datos big data, los diversos cabales para relacionarse con los clientes-usuarios-consumidores y el crecimiento de la demanda para obtener mejores servicios;  hacen que los responsables de comunicación y marketing deban ser innovadores y efectivo en la toma de decisiones ya que la AE puede ser muy útil para dar apoyo a la estrategia de marketing de la empresa.

¿Qué podemos hacer con la Analítica Empresarial?

La AE permite:

  • Detectar tendencias
  • Realizar diagnósticos a partir de modelos predictivos
  • Utilizar estos modelos para optimizar los procesos de negocios
  • Enriquecer los datos internos de la empresa para diferenciarse de la competencia.

Clasificación de la Analitica Empresarial:

  1. Analítica Descriptiva. 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.
  2. Analítica Predictiva. Utiliza los datos para determinar que puede pasar en elfuturo. 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.
  3. Analítica Prescriptiva. Utiliza los datos para prescribir aquellas accionesque 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.

Business Analytics vs Business Intelligence

Internet ha generado un fenómeno completamente nuevo, en el que el mercado realiza sus propios análisis comparando ofertas, intercambiando experiencias y, en esencia, tomando el control de las marcas. Es por ello que los responsables de marketing deban tener en cuenta: ¿qué es la Inteligencia Empresarial?

Otro concepto relacionado con la AE es la Inteligencia Empresarial (IE) centrada en el uso de los datos de una empresa para facilitar también la toma de decisiones y anticipar acciones empresariales.

La diferencia con la AE es que la IE es un concepto más amplio, no solo se centra en el análisis de datos sino que éste es un área dentro de la IE. Es decir, la IE se trata de un conjunto de estrategias, aplicaciones, datos, tecnología y arquitectura técnica entre las que se encuentra la AE; y todo ello, enfocado a la creación de nuevo conocimiento a través de los datos existentes de la empresa.

Cada vez es más común encontrar datos geolocalizados (Ej. redes sociales, móviles, Google, INE, etc.), estos datos añaden nuevas oportunidades de información monetizable que desgraciadamente, en la mayor parte de los casos no se aprovechan. La falta de aprovechamiento se debe a que se suelen utilizar modelos clásicos, que no tienen en cuenta la geolocalización, para intentar explicar e intentar monetizar estos datos.

En este post vamos a mostrar un claro ejemplo de cómo una técnica clásica, no geolocalizada (no tiene en cuenta la localización del dato), puede llevar a una predicción insatisfactoria de los datos geolocalizados, mientras que una tecnica geolocalizada (tiene en cuenta la localización del dato) mejora en gran medida los resultados, permitiendo “insights” que el modelo no localizado no obtendría y como consecuencia, el modelo geolocalizado, permite  una mejor monetización de los resultados

A título de ejemplo hemos realizado un análisis predictivo de la ubicación de segundas viviendas en el sur de España, los resultados son los que se muestran en la Figura-1 y que a continuación se explican.

En la parte superior de la figura 1 pueden observarse los resultados de la aplicación de las técnicas no geolocalizada (parte superior de la figura) y geocalizadas (parte inferior de la figura) para predecir el número de viviendas secundarias en las diferentes secciones censales (zonas en las que se dividen los municipios de las comunidades autónomas españolas) de las comunidades de Andalucía, Extremadura, Murcia y Castilla La Mancha.

geomarketing_oportunidades-geolocalizacio

Figura 1. Contraste de técnicas geolocalizadas y no geolocalizadas en las diferentes secciones censales de Andalucía, Extremadura, Murcia y Castilla La Mancha

Es claro que en la parte inferior de la figura 1 el color de los puntos es bastante más pronunciado que en la superior, detectándose además algunos puntos coloreados para la parte inferior que para la superior carecen de color, (comunidad de Murcia) y por ello se deduce que el modelo geolocalizado es más sensible que el no geolocalizado, ya que éste es capaz de detectar más secciones censales en las que existe un número de viviendas secundarias elevado y lo que denota que el modelo geolocalizado es mucho más efectivo.

Básicamente el modelo geolocalizado da mayor importancia a la información de las zonas más próximas por lo que al incorporar esta información permite identificar mejor las áreas de segundas viviendas ya que estás tienden a situarse en zonas geográficas reducidas.

La Eurocopa Francia 2016 ha comenzado y si bien la “magia” del fútbol en gran parte es la incertidumbre del resultado, en función a factores como la suerte, lesiones, arbitraje etc. el análisis de datos a partir del BigData permite mediante modelos matemáticos, que analizan todo tipo de variables, tratar de predecir que va a pasar en el transcurso del torneo, basándose únicamente en estadísticas medibles y cuantificables de las 24 selecciones clasificadas para la Eurocopa Francia.

A partir de diversos factores que nos permiten un correcto análisis, podemos reducir lo más posible esa “magia” de la impredecibilidad del fútbol. Algunos de estos factores pueden ser:

  • Históricos de resultados, presencias y logros en la historia del torneo, enfrentamientos directos, inclusive resultados obtenidos en las distintas sedes del campeonato a lo largo de la historia.
  • Resultados obtenidos en el último semestre, condiciones físicas de los jugadores seleccionados, para saber en qué situación llegan a la cita.

Las predicciones que se ejecutan en la antesala de los grandes torneos pueden parecer mero entretenimiento o promoción, muchas de ellas cumplen un servicio a las empresas que lo requieren, destacando principalmente casas de apuestas, de cuya información basan en gran parte las cotizaciones de sus apuestas, y plataformas de juegos, que requieren de mediciones lo más exactas y reales sobre jugadores, equipos etc.

APLICACIONES DEL BIG DATA EN EL FUTBOL.

El análisis de datos en el mundo del fútbol no es algo que se pueda denominar como novedoso, pero si el modo, orientación  y la cantidad de datos con los que se trabaja. Sus orígenes coinciden con la profesionalización de un mayor número de parcelas de los clubes y de sus métodos de trabajo a todos los niveles, dicha evolución fue creando las bases del actual fútbol moderno, en el cual los clubes en su afán de crecimiento comienzan a trabajar en un modo empresarial al uso. En los inicios del tratamiento de datos en el fútbol, se trabajaba  de una manera más artesana, en el que la “maña” de los analistas y su
capacidad para obtenerlos, conseguía lograr objetivos en algunos casos, mientras que otras veces se veía como algo que no afectaba al desarrollo del juego.

Todo ese modo de trabajo ha evolucionado y se ha convertido en una práctica que de manera más o menos ambiciosa y aplicada a un mayor o menor número de apartados es un pilar básico en las áreas deportivas de infinidad de clubes de fútbol.

La clave reside en la importancia que se le dé al valor de estas estadísticas, no es tan importante la diferencia entre un equipo grande y otro pequeño, como el papel que se le otorgue a la obtención de datos, su análisis y aplicación  y posterior reflejo en la consecución de los objetivos.

Son diferentes las aplicaciones del análisis de datos en el fútbol:

  • En lo físico: Mediante el uso de sensores (weareables) que sus miembros llevan durante los entrenamientos y que compilan datos acerca de su velocidad, esfuerzo, fatiga y otros aspectos. También cabe la posibilidad de instalar cámaras en el campo que miden el rendimiento físico del futbolista, los kilómetros que ha recorrido, los sprints que ha hecho, los cambios de ritmo. Una información que se analiza a posteriori y que ayudará a decidir al entrenador por qué futbolista se decanta, sus picos de forma a lo largo de la temporada o su grado de recuperación de una lesión.
    Weareable adidas, ropa para la obtención de datos.

    Wearables deportivos, capaces de monitorizar en tiempo real los movimientos del futbolista.

  • En lo táctico: La estadística, ayuda a controlar lo no previsto. Trabajar con un alto volumen de datos, puede impedir lo que supuestamente ya está escrito. Otra ventaja del uso de estos datos que excede el ámbito de las estadísticas, es el de la confianza que genera el conocer los defectos  de los rivales. Se ha pasado de realizar informes del rival mediante el visionado de imágenes televisivas del encuentro, a incluir secuencias de pases básicos. Obtener la longitud y tipo de pases, disparos etc. así como cruzar las cifras en una base de datos, distribución del juego en ataque o defensa, zonas calientes.etc.
Centro de partidos Spurs

Centro de partidos Tottenham Hotspurs

  • En la parcela de Dirección: Sistemas de ayuda necesarios para la tasación del valor de mercado de posibles adquisiciones, así como de tus propios jugadores, aplicando datos tanto meramente deportivos como de carácter económico.

Si bien muchos directores técnicos no apuestan por estas tecnologías sino que prefieren decantarse por la motivación y el trabajo físico. Son innegables y demostrables las ventajas que implica hacerlo. Y no solo nos estamos refiriendo a trazar una estrategia en el campo sino a que conocer las jugadas y comportamiento del equipo contrario puede servir para prevenir vulnerabilidades y amenazas y entrenar en ellas, el diseño de nuevas formas de entrenamiento, plantear objetivos ajustados al potencial y tomar decisiones más acordes con los acontecimientos.

Esta infinidad de posibilidades para obtener información sobre diversos intereses, genera múltiples beneficios en los clubes que apuestan por la tecnología BigData y su análisis, y es que son recursos al alcance de muchos clubes independientemente de su poder financiero, y gran parte de su éxito se debe en mayor medida a la importancia que se le dé al obtener información de las nuevas herramientas que la tecnología nos ofrece.

¿Qué es la Analítica Empresarial?

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.

En un próximo artículo propondremos algunos ejemplos de aplicación. Esperamos que os haya sido útil nuestro post.