SlideShare una empresa de Scribd logo
Congreso Académico ITGSM14 – Diapositiva 1
Insertar
Imagen
de este
tamaño
Usando
DARK DATA
en los procesos de negocio
Jorge Fernández
González
Director Consultoría BI
Abast Solutions
jfernandez@abast.es
Profesor asociado UPC
jfernand@essi.upc.edu
Dr. Enric Mayol
Sarroca
mayol@essi.upc.edu
Profesor UPC
Congreso Académico ITGSM14 – Diapositiva 2
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
DelBigDataalDarkData
TrabajarconDarkData
Ejemplo:DarkDataenelproceso
comercial
Agenda
Congreso Académico ITGSM14 – Diapositiva 3
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
DelBigDataalDarkData
TrabajarconDarkData
Ejemplo:DarkDataenelproceso
comercial
Agenda
Congreso Académico ITGSM14 – Diapositiva 4
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
La era digital
Congreso Académico ITGSM14 – Diapositiva 5
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
La producción de datos
Congreso Académico ITGSM14 – Diapositiva 6
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
2016: Internet producirá un ZettaBytede nuevos datos
Congreso Académico ITGSM14 – Diapositiva 7
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Big Data : excedenuestra capacidad en 3V
Volumen
Velocidad
Variedad
Congreso Académico ITGSM14 – Diapositiva 8
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Big Data (la realidad)
Congreso Académico ITGSM14 – Diapositiva 9
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Big Data (definiciones)
Wikipedia:
"Big data" es un término aplicado a conjuntos de datos que
superan la capacidad del software habitual para ser
capturados, gestionados y procesados en un tiempo razonable
Gartner:
“Big data” son activos de información caracterizados por su
alto volumen, velocidad y variedad, que demandan soluciones
innovadoras y eficientes de procesado para la mejora del
conocimiento y toma de decisiones en las organizaciones.
Congreso Académico ITGSM14 – Diapositiva 10
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Big Data (definiciones)
Wikipedia:
"Big data" es un término aplicado a conjuntos de datos que
superan la capacidad del software habitual para ser
capturados, gestionados y procesados en un tiempo razonable
Gartner:
“Big data” son activos de información caracterizados por su
alto volumen, velocidad y variedad, que demandan soluciones
innovadoras y eficientes de procesado para la mejora del
conocimiento y toma de decisiones en las organizaciones.
Dilbert:
Congreso Académico ITGSM14 – Diapositiva 11
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
¿Y el Dark Data?
Congreso Académico ITGSM14 – Diapositiva 12
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Dark Data (nuestra definición)
Nuestrapedia:
“Dark Data" es un término aplicado a conjuntos de datos que
han sido registrados por nuestros sistemas de información
pero que no son recolectados, procesados ni gestionados para
la mejora del conocimiento y toma de decisiones en las
organizaciones.
Tipología de Dark Data:
1) Dark Data originada por la no recolección de los datos.
(datos volátiles o perecederos)
2) Dark Data originada por el difícil acceso en el tiempo
adecuado y en el formato adecuado. (datos no procesados
adecuadamente)
3) Dark Data originada por poca explotación (datos existentes
y no aplicados con todo su potencial)
Congreso Académico ITGSM14 – Diapositiva 13
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Big Data vs Dark Data (El problema es…)
BIG DATA
(Abundancia
de datos)
DARK
DATA
(Inaccesibili
dad de los
datos)
Congreso Académico ITGSM14 – Diapositiva 14
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Big Data vs Dark Data (Nos habla de…)
BIG DATA
(Fuerzas
competitivas
)
DARK
DATA
(Procesos)
Congreso Académico ITGSM14 – Diapositiva 15
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Big Data vs Dark Data (El esfuerzo es como…)
BIG DATA
(Construir
naves
estelares)
DARK
DATA
(Pico y
pala)
Congreso Académico ITGSM14 – Diapositiva 16
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
DelBigDataalDarkData
TrabajarconDarkData
Ejemplo:DarkDataenelproceso
comercial
Agenda
Congreso Académico ITGSM14 – Diapositiva 17
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
.
Paradigma
DICAR
Método
Trabajar con Dark Data
Congreso Académico ITGSM14 – Diapositiva 18
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
.
Paradigma
DICAR
Método
Trabajar con Dark Data
Congreso Académico ITGSM14 – Diapositiva 19
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
“DATIFICA” tus hechos analíticos
Datificación:
“DATIFICAR” un fenómeno y colocarlo en un formato
cuantificable para que sea analizado.
D
I
C
A
R
Congreso Académico ITGSM14 – Diapositiva 20
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
“Incompleto” es válido, no lo descartes.
Cualquier información almacenada electrónicamente, independientemente de si
es parcial, incompleta u obsoleta puede usarse para fines legales y judiciales.
D
I
C
A
R
Congreso Académico ITGSM14 – Diapositiva 21
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Cuenta historias,no conclusiones
Los datos cuentan historias y las historias dependen de las preguntas
que se hagan.
No importa solo la conclusión, importa TODO EL CAMINO hasta ella.
D
I
C
A
R
“La conclusión es un SPOILER
de la historia analítica”
Congreso Académico ITGSM14 – Diapositiva 22
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Activa o Elimina
Activa el Dark Data o reduce/elimina la ingente acumulación de
información inactiva, que solo te produce costes.
D
I
C
A
R
Congreso Académico ITGSM14 – Diapositiva 23
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Recicla Datos
RECICLA DATOS. Reutilizarlos en otros contextos analíticos,
aunque dicho dato se haya recogido en un principio con un objetivo
diferente al planteado.
D
I
C
A
R
Alto coste de
captura Bajo coste de
almacenamiento
Congreso Académico ITGSM14 – Diapositiva 24
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
.
Paradigma
DICAR
Método
Trabajar con Dark Data
Congreso Académico ITGSM14 – Diapositiva 25
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Fase1: Identifica y comprende los datos “NO-”
Entiende tus gaps. Busca aquellos datos que no están categorizados,
piensa en aquello que simplemente no están organizados e imagina
contextos analíticos a los que les falten datos
NO
Categorizados
NO
Organizados
NO Conocidos
Congreso Académico ITGSM14 – Diapositiva 26
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Fase2: Clasifica y separa
Clasifica tu materia prima. Clasificar es el primer paso para
separar, para identificar el Dark Data deseoso de salir a luz, de
aquel dato inútil que solo aporta ruido.
Separa el grano de la paja. Las herramientas de data profiling
son muy útiles en esta fase
Congreso Académico ITGSM14 – Diapositiva 27
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Fase3: Captura,distribuyey automatiza.
Captura y distribuye el Dark Data. Asegúrate de arrojar luz
sobre estos datos desechados , ayudando a que cualquier negocio
residual, valor normativo o histórico se extraiga y sea puesto a
disposición de los usuarios pertinentes.
Automatiza. La
clasificación y la captura del
mismo.
Los procesos manuales
tienen de OLVIDARSE.
Las herramientas de
integración y metadata son
cruciales en esta fase
Congreso Académico ITGSM14 – Diapositiva 28
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Fase4: Gobierna el dato.
Revisa/crea tu mapa de datos. Determina donde se origina el
dato, que aplicaciones acceden y transforman, en que procesos se
consumen y que usuarios los consultas.
Una estrategia de data governance es crucial para no generar mas
Dark Data.
Data
Governance
Dato
Sistemas
Procesos
Personas
Congreso Académico ITGSM14 – Diapositiva 29
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
DelBigDataalDarkData
TrabajarconDarkData
Ejemplo:DarkDataenelproceso
comercial
Agenda
Congreso Académico ITGSM14 – Diapositiva 30
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Ejemplo:DarkDataenelproceso
comercial
Agenda
OBJETIVO: Mejora del proceso comercial
 Aplicaremos una visión holística del proceso comercial.
 Dark Data y Big Data no son el objetivo, son herramientas.
 Las personas IMPORTAN.
Congreso Académico ITGSM14 – Diapositiva 31
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
¿Cómo son TUS procesos comerciales?
Respuesta estándar:
“El departamento de marketing hace campañas.
Los comerciales venden, unos mas y otros menos y se les pagan
comisiones por ello.”
Congreso Académico ITGSM14 – Diapositiva 32
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Describeel proceso con TODO lo que sabes
“Piensa en como vendes y escribe el proceso”
Congreso Académico ITGSM14 – Diapositiva 33
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
¿Cómo MEJORAR tus procesos comerciales?
Primera idea:
Congreso Académico ITGSM14 – Diapositiva 34
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
¿Cómo MEJORAR tus procesos comerciales?
“2 acciones y 5 análisis que te harán mejorar tus procesos
comerciales”
Otra opción:
Congreso Académico ITGSM14 – Diapositiva 35
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Acción 1: Incorpora BIG DATA y DARK DATA
BIG DATA
(Fuerzas
competitivas)
DARK
DATA
(Procesos)
Congreso Académico ITGSM14 – Diapositiva 36
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Acción 1: Incorpora BIG DATA
Una cosa es socializar y
otra chafardear.
CHAFARDEA
¿Que quieres preguntar a
las redes sociales?
Congreso Académico ITGSM14 – Diapositiva 37
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Acción 1: Incorpora DARK DATA
Ejemplo: Registro de todo lo que envuelve al proceso de
creación de la oferta, como los cambios
– Cambios de productos
– Modificaciones de precio
– Incrementos de descuentos,
– Pactos de formas de pago
– Numero de versiones de oferta
– Tiempo dedicado a crearla y gestionarla
– Comerciales asignados en las diferentes fases
– Historia previa del cliente en la aceptación de ofertas
similares
– Evolución del coste de creación de la oferta
– Etc…
Congreso Académico ITGSM14 – Diapositiva 38
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Acción 1: Incorpora DARK DATA
Incorpora cualquier interacción en una visión de 360º del cliente y
el producto
Ejemplo: Interacción en la web
– Productos mas visitados
– Tiempo consulta productos
– Navegación entre productos.
– Descarga de manuales.
– Diferencias de comportamiento entre usuario registrado y
usuario anónimo.
Ejemplo: Soporte al cliente.
– Quejas por tipo de producto / tipo cliente
– Coste incidencias por tipo de producto / tipo cliente
– Grabación de conversaciones de soporte.
Congreso Académico ITGSM14 – Diapositiva 39
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Acción 2: Reserva TIEMPO para ANALIZAR
No solo es recolectar información, luego hay que sacar
conocimiento de ella.
Congreso Académico ITGSM14 – Diapositiva 40
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Análisis 1: Análisis de tus oportunidades
• Tienes que cultivar las BUENAS oportunidades
de ventas.
• ¿Tienes que invertir en aquellas que pueden ser
muy apetitosas, pero que tienen pocas
posibilidades de éxito
• ¿Qué es una BUENA oportunidad?. Define
previamente como se caracterizan las
oportunidades.
• Análisis de consecución por tipología de
oportunidades y tipología de clientes
Congreso Académico ITGSM14 – Diapositiva 41
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Análisis 2: Análisis de proceso de venta
• ¿Cuál es tu proceso de venta?
• ¿Sabes porqué unos
comerciales venden más y otros
menos?
• ¿Hago descuentos al inicio o al
final del proceso?
• ¿La forma de pago la negocio o
no? ¿Qué implica?
Hay que fomentar las acciones de ventas correctas, con la
gente adecuada y en el momento oportuno.
Congreso Académico ITGSM14 – Diapositiva 42
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Análisis 3: Análisis de la EJECUCIÓN del proceso
• ¿Cómo están ejecutando el
proceso de venta el equipo
comercial?
• ¿Utilizan todas las fases?
• ¿Están por debajo de la media?
• ¿Qué acciones de corrección se
llevan a cabo cuando se
desvían?
La gestión del proceso y la auditoria del mismo harán que
se detecten malas praxis y que se consigan puntos de
mejora o rediseño.
Congreso Académico ITGSM14 – Diapositiva 43
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Análisis 4: Análisis de los CLIENTES
• Debes cultivar a los BUENOS clientes.
• Debes conocer todos los aspectos:
– Facturación
– Márgenes
– Costes indirectos
– Costes logísticos
– Formas de pago
– Volúmenes de los pedidos
– Riesgo de impagos
– Coste de soporte pre-venta y post-venta
– Capacidad de compra
– Fidelidad
– Opiniones
– Capacidad de compra
– Competidores con los que habla
– Etc…
DEFINIR cuándo un
cliente es bueno
Y MEDIRLO
constantemente.
Congreso Académico ITGSM14 – Diapositiva 44
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
Análisis 5: Análisis de tus MÉTRICAS
• Para los cuatro puntos de análisis hemos utilizado métricas de
rendimiento y de control…
– ¿Son las adecuadas?
– ¿Tengo suficientes datos para tomar decisiones?
– ¿Necesito hacer emerger Dark Data?
– ¿Necesito capturar Big Data?
– ¿Mido los intangibles?
– ¿Comunico de forma eficiente?
Replantearse periódicamente como se están controlando
los procesos y la calidad de los datos analizados.
Congreso Académico ITGSM14 – Diapositiva 45
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
DelBigDataalDarkData
TrabajarconDarkData
Ejemplo:DarkDataenelproceso
comercial
Agenda
Congreso Académico ITGSM14 – Diapositiva 46
SesiónDARKDATA.
JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu)
DelBigDataalDarkData
TrabajarconDarkData
Ejemplo:DarkDataenelproceso
comercial
¿Preguntas?
Congreso Académico ITGSM14 – Diapositiva 47
Insertar
Imagen
de este
tamaño
Usando
DARK DATA
en los procesos de negocio
Jorge Fernández
González
Director Consultoría BI
Abast Solutions
jfernandez@abast.es
Profesor asociado UPC
jfernand@essi.upc.edu
Dr. Enric Mayol
Sarroca
mayol@essi.upc.edu
Profesor UPC

Más contenido relacionado

Destacado

Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...
Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...
Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...
Johan Ronnestam
 
Roosevelt build1
Roosevelt build1Roosevelt build1
Roosevelt build1
Corey Topf
 
1011 q1 minor kickoff
1011 q1 minor kickoff1011 q1 minor kickoff
1011 q1 minor kickoff
Hans Kemp
 
Iad2 0910 q4 les 1 ontwerpen met patronen
Iad2 0910 q4 les 1   ontwerpen met patronenIad2 0910 q4 les 1   ontwerpen met patronen
Iad2 0910 q4 les 1 ontwerpen met patronen
Hans Kemp
 
IA Parent Presentation - March 27th, 2014
IA Parent Presentation - March 27th, 2014IA Parent Presentation - March 27th, 2014
IA Parent Presentation - March 27th, 2014
Corey Topf
 
Vocabulary ofmiceandmen
Vocabulary ofmiceandmenVocabulary ofmiceandmen
Vocabulary ofmiceandmen
Corey Topf
 
Iad2 0910 q1 hoorcollege 4
Iad2 0910 q1 hoorcollege 4Iad2 0910 q1 hoorcollege 4
Iad2 0910 q1 hoorcollege 4
Hans Kemp
 
Sevendaysofinspiration
SevendaysofinspirationSevendaysofinspiration
Sevendaysofinspiration
roemen
 
Week 22 Sponges
Week 22 SpongesWeek 22 Sponges
Week 22 Sponges
Corey Topf
 
Framtidsreceptet - Webbdagarna Växjö 2014
Framtidsreceptet - Webbdagarna Växjö 2014Framtidsreceptet - Webbdagarna Växjö 2014
Framtidsreceptet - Webbdagarna Växjö 2014
Johan Ronnestam
 
Sat vocabulary
Sat vocabularySat vocabulary
Sat vocabulary
Corey Topf
 
Dutch PHP Conference
Dutch PHP ConferenceDutch PHP Conference
Dutch PHP Conference
calevans
 
TEKİRDAĞ PUBLİC EDUCATİON CENTER
TEKİRDAĞ PUBLİC EDUCATİON CENTER TEKİRDAĞ PUBLİC EDUCATİON CENTER
TEKİRDAĞ PUBLİC EDUCATİON CENTER
George Bekiaridis
 
Visuelereisdoororganisatielandv2 1225371301186079 8
Visuelereisdoororganisatielandv2 1225371301186079 8Visuelereisdoororganisatielandv2 1225371301186079 8
Visuelereisdoororganisatielandv2 1225371301186079 8
roemen
 
13 trender som kommer påverka din affär i framtiden
13 trender som kommer påverka din affär i framtiden13 trender som kommer påverka din affär i framtiden
13 trender som kommer påverka din affär i framtiden
Johan Ronnestam
 
Tips for using the semi-colon
Tips for using the semi-colonTips for using the semi-colon
Tips for using the semi-colon
Corey Topf
 
The bambino tour
The bambino tourThe bambino tour
The bambino tour
elenargy
 
Uxd 0910 q4 hoorcollege expressie en emotie
Uxd 0910 q4 hoorcollege expressie en emotieUxd 0910 q4 hoorcollege expressie en emotie
Uxd 0910 q4 hoorcollege expressie en emotie
Hans Kemp
 
Sip2012 :: outbound
Sip2012 :: outboundSip2012 :: outbound
Sip2012 :: outbound
Olle E Johansson
 

Destacado (20)

Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...
Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...
Beyond The Advertising 
Into The Unknown - The Future Business and Communicat...
 
Roosevelt build1
Roosevelt build1Roosevelt build1
Roosevelt build1
 
1011 q1 minor kickoff
1011 q1 minor kickoff1011 q1 minor kickoff
1011 q1 minor kickoff
 
Iad2 0910 q4 les 1 ontwerpen met patronen
Iad2 0910 q4 les 1   ontwerpen met patronenIad2 0910 q4 les 1   ontwerpen met patronen
Iad2 0910 q4 les 1 ontwerpen met patronen
 
IA Parent Presentation - March 27th, 2014
IA Parent Presentation - March 27th, 2014IA Parent Presentation - March 27th, 2014
IA Parent Presentation - March 27th, 2014
 
Vocabulary ofmiceandmen
Vocabulary ofmiceandmenVocabulary ofmiceandmen
Vocabulary ofmiceandmen
 
Iad2 0910 q1 hoorcollege 4
Iad2 0910 q1 hoorcollege 4Iad2 0910 q1 hoorcollege 4
Iad2 0910 q1 hoorcollege 4
 
s
ss
s
 
Sevendaysofinspiration
SevendaysofinspirationSevendaysofinspiration
Sevendaysofinspiration
 
Week 22 Sponges
Week 22 SpongesWeek 22 Sponges
Week 22 Sponges
 
Framtidsreceptet - Webbdagarna Växjö 2014
Framtidsreceptet - Webbdagarna Växjö 2014Framtidsreceptet - Webbdagarna Växjö 2014
Framtidsreceptet - Webbdagarna Växjö 2014
 
Sat vocabulary
Sat vocabularySat vocabulary
Sat vocabulary
 
Dutch PHP Conference
Dutch PHP ConferenceDutch PHP Conference
Dutch PHP Conference
 
TEKİRDAĞ PUBLİC EDUCATİON CENTER
TEKİRDAĞ PUBLİC EDUCATİON CENTER TEKİRDAĞ PUBLİC EDUCATİON CENTER
TEKİRDAĞ PUBLİC EDUCATİON CENTER
 
Visuelereisdoororganisatielandv2 1225371301186079 8
Visuelereisdoororganisatielandv2 1225371301186079 8Visuelereisdoororganisatielandv2 1225371301186079 8
Visuelereisdoororganisatielandv2 1225371301186079 8
 
13 trender som kommer påverka din affär i framtiden
13 trender som kommer påverka din affär i framtiden13 trender som kommer påverka din affär i framtiden
13 trender som kommer påverka din affär i framtiden
 
Tips for using the semi-colon
Tips for using the semi-colonTips for using the semi-colon
Tips for using the semi-colon
 
The bambino tour
The bambino tourThe bambino tour
The bambino tour
 
Uxd 0910 q4 hoorcollege expressie en emotie
Uxd 0910 q4 hoorcollege expressie en emotieUxd 0910 q4 hoorcollege expressie en emotie
Uxd 0910 q4 hoorcollege expressie en emotie
 
Sip2012 :: outbound
Sip2012 :: outboundSip2012 :: outbound
Sip2012 :: outbound
 

Similar a Dark data para la mejora de los procesos de negocio

Seminario Almacenamiento Datos Hoy - 13/12/10
Seminario Almacenamiento Datos Hoy - 13/12/10Seminario Almacenamiento Datos Hoy - 13/12/10
Seminario Almacenamiento Datos Hoy - 13/12/10
CAESCG.org
 
Ponencia Ismael Caballero desayuno AFSM
Ponencia Ismael Caballero desayuno AFSMPonencia Ismael Caballero desayuno AFSM
Ponencia Ismael Caballero desayuno AFSM
Data Quality Team SL
 
Raul ruiz 2
Raul ruiz 2Raul ruiz 2
Raul ruiz 2
raul ruiz
 
Proyecto de grado
Proyecto de gradoProyecto de grado
Proyecto de grado
Jose S. Muñoz Burbano
 
Big data
Big dataBig data
Big data
Instituto Shana
 
Hacia ti capacitación virtual pasos 01, 02, 03
Hacia ti capacitación virtual pasos 01, 02, 03Hacia ti capacitación virtual pasos 01, 02, 03
Hacia ti capacitación virtual pasos 01, 02, 03
sbmalambo
 
Marketing de la profesión de Documentalista
Marketing de la profesión de DocumentalistaMarketing de la profesión de Documentalista
Marketing de la profesión de Documentalista
Pedro M. Álvarez
 
Lube..
Lube..Lube..
Vision15 - Un caso de estudio en la mejora de los datos organizacionales
Vision15 - Un caso de estudio en la mejora de los datos organizacionalesVision15 - Un caso de estudio en la mejora de los datos organizacionales
Vision15 - Un caso de estudio en la mejora de los datos organizacionales
AQCLab
 
Proteja sus datos de punto a punto
Proteja sus datos de punto a puntoProteja sus datos de punto a punto
Proteja sus datos de punto a punto
Cade Soluciones
 
Tema monitores de busqueda
Tema monitores de busquedaTema monitores de busqueda
Tema monitores de busqueda
John Fernando Granados Romero
 
Minería de Datos Aplicado a la EPH Encuesta Permanente de Hogares
Minería de Datos Aplicado a la EPH Encuesta Permanente de HogaresMinería de Datos Aplicado a la EPH Encuesta Permanente de Hogares
Minería de Datos Aplicado a la EPH Encuesta Permanente de Hogares
Universidad Nacional del Nordeste
 
NT_C1-2015_A9_Burgoa
NT_C1-2015_A9_BurgoaNT_C1-2015_A9_Burgoa
NT_C1-2015_A9_Burgoa
Valentina Burgoa
 
BIG DATA: DEL MITO A LA REALIDAD
BIG DATA: DEL MITO  A LA REALIDADBIG DATA: DEL MITO  A LA REALIDAD
BIG DATA: DEL MITO A LA REALIDAD
Asociación de Marketing Bancario Argentino
 
Conociendo big data
Conociendo big dataConociendo big data
Conociendo big data
Adrian Barrientos
 
EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.
EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.
EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.
Laybor EMBdata Training & Consulting
 
Segunda tarea
Segunda tareaSegunda tarea
Segunda tarea
robertjeison
 
Ciencia de datos
Ciencia de datosCiencia de datos
Ciencia de datos
Gustavo Rene Rojas Valdez
 
RESUMEN MODULO TIC's
RESUMEN MODULO TIC'sRESUMEN MODULO TIC's
RESUMEN MODULO TIC's
Joselowis
 
Smart data el uso inteligente de los datos
Smart data el uso inteligente de los datosSmart data el uso inteligente de los datos
Smart data el uso inteligente de los datos
DataCentric PDM
 

Similar a Dark data para la mejora de los procesos de negocio (20)

Seminario Almacenamiento Datos Hoy - 13/12/10
Seminario Almacenamiento Datos Hoy - 13/12/10Seminario Almacenamiento Datos Hoy - 13/12/10
Seminario Almacenamiento Datos Hoy - 13/12/10
 
Ponencia Ismael Caballero desayuno AFSM
Ponencia Ismael Caballero desayuno AFSMPonencia Ismael Caballero desayuno AFSM
Ponencia Ismael Caballero desayuno AFSM
 
Raul ruiz 2
Raul ruiz 2Raul ruiz 2
Raul ruiz 2
 
Proyecto de grado
Proyecto de gradoProyecto de grado
Proyecto de grado
 
Big data
Big dataBig data
Big data
 
Hacia ti capacitación virtual pasos 01, 02, 03
Hacia ti capacitación virtual pasos 01, 02, 03Hacia ti capacitación virtual pasos 01, 02, 03
Hacia ti capacitación virtual pasos 01, 02, 03
 
Marketing de la profesión de Documentalista
Marketing de la profesión de DocumentalistaMarketing de la profesión de Documentalista
Marketing de la profesión de Documentalista
 
Lube..
Lube..Lube..
Lube..
 
Vision15 - Un caso de estudio en la mejora de los datos organizacionales
Vision15 - Un caso de estudio en la mejora de los datos organizacionalesVision15 - Un caso de estudio en la mejora de los datos organizacionales
Vision15 - Un caso de estudio en la mejora de los datos organizacionales
 
Proteja sus datos de punto a punto
Proteja sus datos de punto a puntoProteja sus datos de punto a punto
Proteja sus datos de punto a punto
 
Tema monitores de busqueda
Tema monitores de busquedaTema monitores de busqueda
Tema monitores de busqueda
 
Minería de Datos Aplicado a la EPH Encuesta Permanente de Hogares
Minería de Datos Aplicado a la EPH Encuesta Permanente de HogaresMinería de Datos Aplicado a la EPH Encuesta Permanente de Hogares
Minería de Datos Aplicado a la EPH Encuesta Permanente de Hogares
 
NT_C1-2015_A9_Burgoa
NT_C1-2015_A9_BurgoaNT_C1-2015_A9_Burgoa
NT_C1-2015_A9_Burgoa
 
BIG DATA: DEL MITO A LA REALIDAD
BIG DATA: DEL MITO  A LA REALIDADBIG DATA: DEL MITO  A LA REALIDAD
BIG DATA: DEL MITO A LA REALIDAD
 
Conociendo big data
Conociendo big dataConociendo big data
Conociendo big data
 
EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.
EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.
EMBD2018 | Small Data y Dark Data: reconstruyendo la información del futuro.
 
Segunda tarea
Segunda tareaSegunda tarea
Segunda tarea
 
Ciencia de datos
Ciencia de datosCiencia de datos
Ciencia de datos
 
RESUMEN MODULO TIC's
RESUMEN MODULO TIC'sRESUMEN MODULO TIC's
RESUMEN MODULO TIC's
 
Smart data el uso inteligente de los datos
Smart data el uso inteligente de los datosSmart data el uso inteligente de los datos
Smart data el uso inteligente de los datos
 

Último

biodiversidad en la libertad del Perú pr
biodiversidad en la libertad del Perú prbiodiversidad en la libertad del Perú pr
biodiversidad en la libertad del Perú pr
alejandrosaiyan123
 
Taller Programacion estudiante tecnico academico
Taller Programacion estudiante tecnico academicoTaller Programacion estudiante tecnico academico
Taller Programacion estudiante tecnico academico
jesusotho2102
 
camelidos sudamericanos , fibra de alpaca
camelidos sudamericanos , fibra de alpacacamelidos sudamericanos , fibra de alpaca
camelidos sudamericanos , fibra de alpaca
yanetmc124
 
Estudio de Redes Sociales 2024, Linkedin, Instagram Facebook y más
Estudio de Redes Sociales 2024, Linkedin, Instagram Facebook y másEstudio de Redes Sociales 2024, Linkedin, Instagram Facebook y más
Estudio de Redes Sociales 2024, Linkedin, Instagram Facebook y más
MariaPazBustamante2
 
LOS CONTRATOS SWAPS O PERMUTAS FINANCIERAS
LOS CONTRATOS SWAPS O PERMUTAS FINANCIERASLOS CONTRATOS SWAPS O PERMUTAS FINANCIERAS
LOS CONTRATOS SWAPS O PERMUTAS FINANCIERAS
vpanccam
 
RAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdf
RAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdfRAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdf
RAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdf
KARINACEDENO5
 
Informe sobre la Elaboración del yogurt de fresa
Informe sobre la Elaboración del yogurt de fresaInforme sobre la Elaboración del yogurt de fresa
Informe sobre la Elaboración del yogurt de fresa
YuverVicen
 
25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE
25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE
25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE
manuelulloa23
 
Luis Coronil de Metro de Sevilla sobre el sistema de validación EMV
Luis Coronil de Metro de Sevilla sobre el sistema de validación EMVLuis Coronil de Metro de Sevilla sobre el sistema de validación EMV
Luis Coronil de Metro de Sevilla sobre el sistema de validación EMV
Aopandalucia Agencia de obra pública de la Junta de Andalucía
 
Países ganadores de mundiales de futbol (corregido) (2024).pdf
Países ganadores de mundiales de futbol  (corregido)  (2024).pdfPaíses ganadores de mundiales de futbol  (corregido)  (2024).pdf
Países ganadores de mundiales de futbol (corregido) (2024).pdf
JC Díaz Herrera
 
Metro de Málaga simulador de conducción.
Metro de Málaga simulador de conducción.Metro de Málaga simulador de conducción.
Metro de Málaga simulador de conducción.
Aopandalucia Agencia de obra pública de la Junta de Andalucía
 
LA BIOMECANICA DE CODO Y SU ESTUDIO.pptx
LA BIOMECANICA DE CODO Y SU ESTUDIO.pptxLA BIOMECANICA DE CODO Y SU ESTUDIO.pptx
LA BIOMECANICA DE CODO Y SU ESTUDIO.pptx
milerfuentestello1
 
13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx
13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx
13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx
YeryAngelChvezDurn
 
Friso Cronológico del Teatro Griego y Romano.pdf
Friso Cronológico del Teatro Griego y Romano.pdfFriso Cronológico del Teatro Griego y Romano.pdf
Friso Cronológico del Teatro Griego y Romano.pdf
Google
 
PROGRAMA SESQUI 2024.pdf sicuani Cusco peru
PROGRAMA SESQUI 2024.pdf sicuani Cusco peruPROGRAMA SESQUI 2024.pdf sicuani Cusco peru
PROGRAMA SESQUI 2024.pdf sicuani Cusco peru
KATHERINEJALLO
 
ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024
ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024
ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024
Derecho alanoticia
 
7 Analisis de oro ensayo al fuego MT.pdf
7 Analisis de oro ensayo al fuego MT.pdf7 Analisis de oro ensayo al fuego MT.pdf
7 Analisis de oro ensayo al fuego MT.pdf
ALCAMARIHUARACHICRIS
 
Empowerment, Caso real Apolo 1 NASA ....
Empowerment, Caso real Apolo 1 NASA ....Empowerment, Caso real Apolo 1 NASA ....
Empowerment, Caso real Apolo 1 NASA ....
CLAUDIARODRIGUEZ31578
 
La MALA ATENCION EN LOS CENTROS DE SALUD
La MALA ATENCION EN LOS CENTROS DE SALUDLa MALA ATENCION EN LOS CENTROS DE SALUD
La MALA ATENCION EN LOS CENTROS DE SALUD
meylaura6
 
333064284-Presentacion-IAS-y-AEC.pptx vanessa
333064284-Presentacion-IAS-y-AEC.pptx vanessa333064284-Presentacion-IAS-y-AEC.pptx vanessa
333064284-Presentacion-IAS-y-AEC.pptx vanessa
VanessaManriqueEspin1
 

Último (20)

biodiversidad en la libertad del Perú pr
biodiversidad en la libertad del Perú prbiodiversidad en la libertad del Perú pr
biodiversidad en la libertad del Perú pr
 
Taller Programacion estudiante tecnico academico
Taller Programacion estudiante tecnico academicoTaller Programacion estudiante tecnico academico
Taller Programacion estudiante tecnico academico
 
camelidos sudamericanos , fibra de alpaca
camelidos sudamericanos , fibra de alpacacamelidos sudamericanos , fibra de alpaca
camelidos sudamericanos , fibra de alpaca
 
Estudio de Redes Sociales 2024, Linkedin, Instagram Facebook y más
Estudio de Redes Sociales 2024, Linkedin, Instagram Facebook y másEstudio de Redes Sociales 2024, Linkedin, Instagram Facebook y más
Estudio de Redes Sociales 2024, Linkedin, Instagram Facebook y más
 
LOS CONTRATOS SWAPS O PERMUTAS FINANCIERAS
LOS CONTRATOS SWAPS O PERMUTAS FINANCIERASLOS CONTRATOS SWAPS O PERMUTAS FINANCIERAS
LOS CONTRATOS SWAPS O PERMUTAS FINANCIERAS
 
RAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdf
RAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdfRAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdf
RAZONAMIENTO LOGICO TEST DEDUCTIVO CHALLENGE.pdf
 
Informe sobre la Elaboración del yogurt de fresa
Informe sobre la Elaboración del yogurt de fresaInforme sobre la Elaboración del yogurt de fresa
Informe sobre la Elaboración del yogurt de fresa
 
25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE
25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE
25 SECRETOS DE LA SEXUALIDAD-LEONARDO FE
 
Luis Coronil de Metro de Sevilla sobre el sistema de validación EMV
Luis Coronil de Metro de Sevilla sobre el sistema de validación EMVLuis Coronil de Metro de Sevilla sobre el sistema de validación EMV
Luis Coronil de Metro de Sevilla sobre el sistema de validación EMV
 
Países ganadores de mundiales de futbol (corregido) (2024).pdf
Países ganadores de mundiales de futbol  (corregido)  (2024).pdfPaíses ganadores de mundiales de futbol  (corregido)  (2024).pdf
Países ganadores de mundiales de futbol (corregido) (2024).pdf
 
Metro de Málaga simulador de conducción.
Metro de Málaga simulador de conducción.Metro de Málaga simulador de conducción.
Metro de Málaga simulador de conducción.
 
LA BIOMECANICA DE CODO Y SU ESTUDIO.pptx
LA BIOMECANICA DE CODO Y SU ESTUDIO.pptxLA BIOMECANICA DE CODO Y SU ESTUDIO.pptx
LA BIOMECANICA DE CODO Y SU ESTUDIO.pptx
 
13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx
13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx
13 PILARES DE LA AGENDA PATRIOTICA BOLIVIA 2025.pptx
 
Friso Cronológico del Teatro Griego y Romano.pdf
Friso Cronológico del Teatro Griego y Romano.pdfFriso Cronológico del Teatro Griego y Romano.pdf
Friso Cronológico del Teatro Griego y Romano.pdf
 
PROGRAMA SESQUI 2024.pdf sicuani Cusco peru
PROGRAMA SESQUI 2024.pdf sicuani Cusco peruPROGRAMA SESQUI 2024.pdf sicuani Cusco peru
PROGRAMA SESQUI 2024.pdf sicuani Cusco peru
 
ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024
ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024
ESTUDIO IPSOS - Indice Confianza Consumidor junio 2024
 
7 Analisis de oro ensayo al fuego MT.pdf
7 Analisis de oro ensayo al fuego MT.pdf7 Analisis de oro ensayo al fuego MT.pdf
7 Analisis de oro ensayo al fuego MT.pdf
 
Empowerment, Caso real Apolo 1 NASA ....
Empowerment, Caso real Apolo 1 NASA ....Empowerment, Caso real Apolo 1 NASA ....
Empowerment, Caso real Apolo 1 NASA ....
 
La MALA ATENCION EN LOS CENTROS DE SALUD
La MALA ATENCION EN LOS CENTROS DE SALUDLa MALA ATENCION EN LOS CENTROS DE SALUD
La MALA ATENCION EN LOS CENTROS DE SALUD
 
333064284-Presentacion-IAS-y-AEC.pptx vanessa
333064284-Presentacion-IAS-y-AEC.pptx vanessa333064284-Presentacion-IAS-y-AEC.pptx vanessa
333064284-Presentacion-IAS-y-AEC.pptx vanessa
 

Dark data para la mejora de los procesos de negocio

  • 1. Congreso Académico ITGSM14 – Diapositiva 1 Insertar Imagen de este tamaño Usando DARK DATA en los procesos de negocio Jorge Fernández González Director Consultoría BI Abast Solutions jfernandez@abast.es Profesor asociado UPC jfernand@essi.upc.edu Dr. Enric Mayol Sarroca mayol@essi.upc.edu Profesor UPC
  • 2. Congreso Académico ITGSM14 – Diapositiva 2 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) DelBigDataalDarkData TrabajarconDarkData Ejemplo:DarkDataenelproceso comercial Agenda
  • 3. Congreso Académico ITGSM14 – Diapositiva 3 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) DelBigDataalDarkData TrabajarconDarkData Ejemplo:DarkDataenelproceso comercial Agenda
  • 4. Congreso Académico ITGSM14 – Diapositiva 4 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) La era digital
  • 5. Congreso Académico ITGSM14 – Diapositiva 5 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) La producción de datos
  • 6. Congreso Académico ITGSM14 – Diapositiva 6 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) 2016: Internet producirá un ZettaBytede nuevos datos
  • 7. Congreso Académico ITGSM14 – Diapositiva 7 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Big Data : excedenuestra capacidad en 3V Volumen Velocidad Variedad
  • 8. Congreso Académico ITGSM14 – Diapositiva 8 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Big Data (la realidad)
  • 9. Congreso Académico ITGSM14 – Diapositiva 9 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Big Data (definiciones) Wikipedia: "Big data" es un término aplicado a conjuntos de datos que superan la capacidad del software habitual para ser capturados, gestionados y procesados en un tiempo razonable Gartner: “Big data” son activos de información caracterizados por su alto volumen, velocidad y variedad, que demandan soluciones innovadoras y eficientes de procesado para la mejora del conocimiento y toma de decisiones en las organizaciones.
  • 10. Congreso Académico ITGSM14 – Diapositiva 10 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Big Data (definiciones) Wikipedia: "Big data" es un término aplicado a conjuntos de datos que superan la capacidad del software habitual para ser capturados, gestionados y procesados en un tiempo razonable Gartner: “Big data” son activos de información caracterizados por su alto volumen, velocidad y variedad, que demandan soluciones innovadoras y eficientes de procesado para la mejora del conocimiento y toma de decisiones en las organizaciones. Dilbert:
  • 11. Congreso Académico ITGSM14 – Diapositiva 11 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) ¿Y el Dark Data?
  • 12. Congreso Académico ITGSM14 – Diapositiva 12 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Dark Data (nuestra definición) Nuestrapedia: “Dark Data" es un término aplicado a conjuntos de datos que han sido registrados por nuestros sistemas de información pero que no son recolectados, procesados ni gestionados para la mejora del conocimiento y toma de decisiones en las organizaciones. Tipología de Dark Data: 1) Dark Data originada por la no recolección de los datos. (datos volátiles o perecederos) 2) Dark Data originada por el difícil acceso en el tiempo adecuado y en el formato adecuado. (datos no procesados adecuadamente) 3) Dark Data originada por poca explotación (datos existentes y no aplicados con todo su potencial)
  • 13. Congreso Académico ITGSM14 – Diapositiva 13 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Big Data vs Dark Data (El problema es…) BIG DATA (Abundancia de datos) DARK DATA (Inaccesibili dad de los datos)
  • 14. Congreso Académico ITGSM14 – Diapositiva 14 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Big Data vs Dark Data (Nos habla de…) BIG DATA (Fuerzas competitivas ) DARK DATA (Procesos)
  • 15. Congreso Académico ITGSM14 – Diapositiva 15 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Big Data vs Dark Data (El esfuerzo es como…) BIG DATA (Construir naves estelares) DARK DATA (Pico y pala)
  • 16. Congreso Académico ITGSM14 – Diapositiva 16 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) DelBigDataalDarkData TrabajarconDarkData Ejemplo:DarkDataenelproceso comercial Agenda
  • 17. Congreso Académico ITGSM14 – Diapositiva 17 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) . Paradigma DICAR Método Trabajar con Dark Data
  • 18. Congreso Académico ITGSM14 – Diapositiva 18 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) . Paradigma DICAR Método Trabajar con Dark Data
  • 19. Congreso Académico ITGSM14 – Diapositiva 19 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) “DATIFICA” tus hechos analíticos Datificación: “DATIFICAR” un fenómeno y colocarlo en un formato cuantificable para que sea analizado. D I C A R
  • 20. Congreso Académico ITGSM14 – Diapositiva 20 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) “Incompleto” es válido, no lo descartes. Cualquier información almacenada electrónicamente, independientemente de si es parcial, incompleta u obsoleta puede usarse para fines legales y judiciales. D I C A R
  • 21. Congreso Académico ITGSM14 – Diapositiva 21 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Cuenta historias,no conclusiones Los datos cuentan historias y las historias dependen de las preguntas que se hagan. No importa solo la conclusión, importa TODO EL CAMINO hasta ella. D I C A R “La conclusión es un SPOILER de la historia analítica”
  • 22. Congreso Académico ITGSM14 – Diapositiva 22 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Activa o Elimina Activa el Dark Data o reduce/elimina la ingente acumulación de información inactiva, que solo te produce costes. D I C A R
  • 23. Congreso Académico ITGSM14 – Diapositiva 23 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Recicla Datos RECICLA DATOS. Reutilizarlos en otros contextos analíticos, aunque dicho dato se haya recogido en un principio con un objetivo diferente al planteado. D I C A R Alto coste de captura Bajo coste de almacenamiento
  • 24. Congreso Académico ITGSM14 – Diapositiva 24 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) . Paradigma DICAR Método Trabajar con Dark Data
  • 25. Congreso Académico ITGSM14 – Diapositiva 25 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Fase1: Identifica y comprende los datos “NO-” Entiende tus gaps. Busca aquellos datos que no están categorizados, piensa en aquello que simplemente no están organizados e imagina contextos analíticos a los que les falten datos NO Categorizados NO Organizados NO Conocidos
  • 26. Congreso Académico ITGSM14 – Diapositiva 26 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Fase2: Clasifica y separa Clasifica tu materia prima. Clasificar es el primer paso para separar, para identificar el Dark Data deseoso de salir a luz, de aquel dato inútil que solo aporta ruido. Separa el grano de la paja. Las herramientas de data profiling son muy útiles en esta fase
  • 27. Congreso Académico ITGSM14 – Diapositiva 27 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Fase3: Captura,distribuyey automatiza. Captura y distribuye el Dark Data. Asegúrate de arrojar luz sobre estos datos desechados , ayudando a que cualquier negocio residual, valor normativo o histórico se extraiga y sea puesto a disposición de los usuarios pertinentes. Automatiza. La clasificación y la captura del mismo. Los procesos manuales tienen de OLVIDARSE. Las herramientas de integración y metadata son cruciales en esta fase
  • 28. Congreso Académico ITGSM14 – Diapositiva 28 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Fase4: Gobierna el dato. Revisa/crea tu mapa de datos. Determina donde se origina el dato, que aplicaciones acceden y transforman, en que procesos se consumen y que usuarios los consultas. Una estrategia de data governance es crucial para no generar mas Dark Data. Data Governance Dato Sistemas Procesos Personas
  • 29. Congreso Académico ITGSM14 – Diapositiva 29 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) DelBigDataalDarkData TrabajarconDarkData Ejemplo:DarkDataenelproceso comercial Agenda
  • 30. Congreso Académico ITGSM14 – Diapositiva 30 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Ejemplo:DarkDataenelproceso comercial Agenda OBJETIVO: Mejora del proceso comercial  Aplicaremos una visión holística del proceso comercial.  Dark Data y Big Data no son el objetivo, son herramientas.  Las personas IMPORTAN.
  • 31. Congreso Académico ITGSM14 – Diapositiva 31 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) ¿Cómo son TUS procesos comerciales? Respuesta estándar: “El departamento de marketing hace campañas. Los comerciales venden, unos mas y otros menos y se les pagan comisiones por ello.”
  • 32. Congreso Académico ITGSM14 – Diapositiva 32 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Describeel proceso con TODO lo que sabes “Piensa en como vendes y escribe el proceso”
  • 33. Congreso Académico ITGSM14 – Diapositiva 33 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) ¿Cómo MEJORAR tus procesos comerciales? Primera idea:
  • 34. Congreso Académico ITGSM14 – Diapositiva 34 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) ¿Cómo MEJORAR tus procesos comerciales? “2 acciones y 5 análisis que te harán mejorar tus procesos comerciales” Otra opción:
  • 35. Congreso Académico ITGSM14 – Diapositiva 35 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Acción 1: Incorpora BIG DATA y DARK DATA BIG DATA (Fuerzas competitivas) DARK DATA (Procesos)
  • 36. Congreso Académico ITGSM14 – Diapositiva 36 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Acción 1: Incorpora BIG DATA Una cosa es socializar y otra chafardear. CHAFARDEA ¿Que quieres preguntar a las redes sociales?
  • 37. Congreso Académico ITGSM14 – Diapositiva 37 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Acción 1: Incorpora DARK DATA Ejemplo: Registro de todo lo que envuelve al proceso de creación de la oferta, como los cambios – Cambios de productos – Modificaciones de precio – Incrementos de descuentos, – Pactos de formas de pago – Numero de versiones de oferta – Tiempo dedicado a crearla y gestionarla – Comerciales asignados en las diferentes fases – Historia previa del cliente en la aceptación de ofertas similares – Evolución del coste de creación de la oferta – Etc…
  • 38. Congreso Académico ITGSM14 – Diapositiva 38 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Acción 1: Incorpora DARK DATA Incorpora cualquier interacción en una visión de 360º del cliente y el producto Ejemplo: Interacción en la web – Productos mas visitados – Tiempo consulta productos – Navegación entre productos. – Descarga de manuales. – Diferencias de comportamiento entre usuario registrado y usuario anónimo. Ejemplo: Soporte al cliente. – Quejas por tipo de producto / tipo cliente – Coste incidencias por tipo de producto / tipo cliente – Grabación de conversaciones de soporte.
  • 39. Congreso Académico ITGSM14 – Diapositiva 39 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Acción 2: Reserva TIEMPO para ANALIZAR No solo es recolectar información, luego hay que sacar conocimiento de ella.
  • 40. Congreso Académico ITGSM14 – Diapositiva 40 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Análisis 1: Análisis de tus oportunidades • Tienes que cultivar las BUENAS oportunidades de ventas. • ¿Tienes que invertir en aquellas que pueden ser muy apetitosas, pero que tienen pocas posibilidades de éxito • ¿Qué es una BUENA oportunidad?. Define previamente como se caracterizan las oportunidades. • Análisis de consecución por tipología de oportunidades y tipología de clientes
  • 41. Congreso Académico ITGSM14 – Diapositiva 41 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Análisis 2: Análisis de proceso de venta • ¿Cuál es tu proceso de venta? • ¿Sabes porqué unos comerciales venden más y otros menos? • ¿Hago descuentos al inicio o al final del proceso? • ¿La forma de pago la negocio o no? ¿Qué implica? Hay que fomentar las acciones de ventas correctas, con la gente adecuada y en el momento oportuno.
  • 42. Congreso Académico ITGSM14 – Diapositiva 42 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Análisis 3: Análisis de la EJECUCIÓN del proceso • ¿Cómo están ejecutando el proceso de venta el equipo comercial? • ¿Utilizan todas las fases? • ¿Están por debajo de la media? • ¿Qué acciones de corrección se llevan a cabo cuando se desvían? La gestión del proceso y la auditoria del mismo harán que se detecten malas praxis y que se consigan puntos de mejora o rediseño.
  • 43. Congreso Académico ITGSM14 – Diapositiva 43 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Análisis 4: Análisis de los CLIENTES • Debes cultivar a los BUENOS clientes. • Debes conocer todos los aspectos: – Facturación – Márgenes – Costes indirectos – Costes logísticos – Formas de pago – Volúmenes de los pedidos – Riesgo de impagos – Coste de soporte pre-venta y post-venta – Capacidad de compra – Fidelidad – Opiniones – Capacidad de compra – Competidores con los que habla – Etc… DEFINIR cuándo un cliente es bueno Y MEDIRLO constantemente.
  • 44. Congreso Académico ITGSM14 – Diapositiva 44 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) Análisis 5: Análisis de tus MÉTRICAS • Para los cuatro puntos de análisis hemos utilizado métricas de rendimiento y de control… – ¿Son las adecuadas? – ¿Tengo suficientes datos para tomar decisiones? – ¿Necesito hacer emerger Dark Data? – ¿Necesito capturar Big Data? – ¿Mido los intangibles? – ¿Comunico de forma eficiente? Replantearse periódicamente como se están controlando los procesos y la calidad de los datos analizados.
  • 45. Congreso Académico ITGSM14 – Diapositiva 45 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) DelBigDataalDarkData TrabajarconDarkData Ejemplo:DarkDataenelproceso comercial Agenda
  • 46. Congreso Académico ITGSM14 – Diapositiva 46 SesiónDARKDATA. JorgeFernández(jfernandez@abast.es).EnricMayol(mayol@essi.upc.edu) DelBigDataalDarkData TrabajarconDarkData Ejemplo:DarkDataenelproceso comercial ¿Preguntas?
  • 47. Congreso Académico ITGSM14 – Diapositiva 47 Insertar Imagen de este tamaño Usando DARK DATA en los procesos de negocio Jorge Fernández González Director Consultoría BI Abast Solutions jfernandez@abast.es Profesor asociado UPC jfernand@essi.upc.edu Dr. Enric Mayol Sarroca mayol@essi.upc.edu Profesor UPC

Notas del editor

  1. Una cosa es socializar y otra chafardear. Socializas para chafardear. Si no tienes un objetivo claro es difícil sonsacar, nadie te explica intimidades sin dejar trampas en la socialización. ¿Que quieres preguntar a las redes sociales?