5. «La consecuencia directa de la ley de Moore es
que los precios bajan al mismo tiempo que las
prestaciones suben: “un chip que hoy vale 2000
dólares costará la mitad al año siguiente y
estará obsoleta en dos años”.
En 45 años el número de transistores en un chip
se ha incrementado mas de 250,000 veces.»
Ley de Moore
Cálculo actualizado al 2010 por Carlos Calderón
Big
Data
y
Monetización
11. « Bigdata is what you cannot put in in
excel a spreadsheet »
- Mike Batty University Collegue of London Professor
Big
Data
y
Monetización
12. « Bigdata is like teenage sex:
everyone talk about it, nobody really
knows to do it, everyone thinks
everyone else is doing it, so everyone
claims they are doing it... »
- Dan Ariely, Apr 2014
Big
Data
y
Monetización
13. « Big Data es un término que hace referencia a una
cantidad de datos digitalizados tal, que supera la
capacidades de tratamiento habitual de SW para
ser capturados, administrados y procesados en un
tiempo y costo razonables.
Big Data se está convirtiendo en una perspectiva
nueva para gestionar empresas, gobernar naciones
y modelar nuevas sociedades »
- Me, Jan 2013
Big
Data
y
Monetización
16. Big
Data
y
Monetización
Se han creado más datos en los últimos 2
años que en toda la historia de la humanidad.
El Big Data crece a una velocidad nunca antes
vista, y se estima que para 2020 cada
individuo creará 1,7 megabytes de información
nueva por segundo
Para 2020, nuestro universo de datos pasará
de 4.4 zettabytes que existen actualmente a
44 zettabytes (44 billones de gigabytes).
De momento solo se analiza y utiliza el 0,5% de
todos los datos que existen, por lo que
debemos considerar el potencial que este
mercado presenta.
Global Report Cisco Sistems 2017
19. Analítica de Grandes Datos es una ciencia que examina datos crudos para
obtener conclusiones sobre la información extraída.
El análisis de datos se usa para describirlo todo, desde el procesamiento
analítico en línea (OLAP, por sus siglas en inglés) hasta el análisis CRM en
centros de llamadas, pasando por los descriptivo, predictivo y comportamental,
el perfilamiento, targeting y cualquier otro modelo de generación de insights.
Analytics
Big
Data
y
Monetización
21. Internet of things (IoT): number of connected devices
worldwide from 2012 to 2020 (in billions)
Big
Data
y
Monetización
Source: Hotel News Resource. Resource: Worldwide Hotel News Resource, 2011 to 2014.
Connected
devices
in
billions
23. Case Study: Connected Car
Big
Data
y
Monetización
These are the sensors in a car: They are all ripe for IoT
24. «Data – both big and open – is indeed changing the anti-corruption
landscape, but do these episodes epitomize a game changer?
First, the big: big data is characterized by volume (datasets are massive);
velocity (data is produced frequently); and variety (data has many sources
and formats). But there are often concerns over veracity, the accuracy of
the data. There is a lot of data to go round - our actions, interactions and
transactions produce 2.5 quintillion bytes of data every day. Propelled by
the digital revolution, governments are increasingly contributing to this
wealth of data on the machinery of government and the quality of public
services. Using sophisticated algorithms to process subsets of this data,
analysts can identify patterns and predict behavior.»
- Is the data revolution a game changer in the fight against corruption?
Benjamin Roseth y Carlos Santiso, WEF
Big
Data
y
Monetización
26. « Para 2018, el 50% de las iteraciones
humanas serán hechas con una
entidad de Inteligencia Artificial (AI) »
- Tom Friedman, Oct 2016
Big
Data
y
Monetización
28. En medio de un contexto así, Big Data se
convierte en una nueva forma de operar
nuestros negocios.
Por eso, de hoy en mas simplemente
hablaremos de Data-driven Everything
Big
Data
y
Monetización
30. Big
Data
y
Monetización
Data Base Marketing
Integración
Bases del grupo
Mejoramiento
de la data
Enriquecimiento
Análisis de
variables de
comportamiento
Reconocimiento
de
oportunidades
Diseño y
desarrollo de
campañas
Fase 1 Fase 2 Fase 3
Integración DQ Enriquecimiento Analytics Comunicaciones
WEBSITES
EMAIL
TV
DIRECT MAIL
CALL CENTER
STORE
SEARCH
SYNDICATED
OPTIMIZED
OFFERS
CONSUMER
INSIGHTS
TARGETING
BEHAVIOR
CAMPAIGN
DESIGN
MODELS
31. Big
Data
y
Monetización
Después del proceso de DQ y unificación la base de entrada 15’528,720 queda convertida en una base
de registros únicos de 10’453,033, que representan los clientes actuales del grupo.
Esto denota la gran oportunidad de adquisición de clientes ya que el porcentaje de registros que no
se comparten entre las diferentes empresas representa un 65% y un 25% solo cruza entre 2 empresas.
Clientes
compartidos todas
las empresas
Base Inicial 15’582,720 Base Final 10’453,033
15,217
33. Big
Data
y
Monetización
Se contemplan cinco etapas principales para el desarrollo de esta Fase I, las cuales están ligadas a
un proceso de DQ a la medida, diagnóstico e integración, adelantado para archivos con múltiples
fuentes de información, diferentes estructuras y con variables especificas del cada negocio.
Análisis de las variables
de cada base:
• Formato
• Códigos
• Similitudes
Ajuste de estructura
Evaluación del estado
actual de la
información.
Tipo Documento
Nombres y Apellidos
Fecha de Nacimiento
Teléfono (Móvil o Fijo)
Creación de la variable EDAD
Principales indicadores
de cada una de las
variables.
Estructura única:
mismas variables.
Nombre Completo: Apellidos,
Nombre, Mayúsculas
Diagnóstico DataQuality Enriquecimiento Integración Análisis
34. Big
Data
y
Monetización
Se recibieron cinco archivos diferentes de cada uno de los negocios. Principalmente con información de
identificación y algunas variables demográficas.
Registro % Tipo ID ID Nombre
Farma 7.988.698 51,3% 100% 100% 100%
Bancos 5.469.841 35,1% 100% 100% 0%
Grandes Superficies 1.272.085 8,2% 100% 100% 100%
Tiendas Retail 502.677 3,2% 100% 100% 100%
Seguros 349.419 2,2% 100% 100% 100%
Registro % Dirección Teléfono Celular Email
Farma 7.988.698 51,3% 0% 99% 99% 1%
Bancos 5.469.841 35,1% 0% 0% 0% 0%
Grandes Superficies 1.272.085 8,2% 0% 0% 0% 0%
Tiendas Retail 502.677 3,2% 99% 98% 98% 54%
Seguros 349.419 2,2% 99% 42% 16% 4%
Registro % Género F. Nacim E. Civil N. Hijos
Farma 7.988.698 51,3% 100% 100% 0% 0%
Bancos 5.469.841 35,1% 100% 0% 100% 100%
Grandes Superficies 1.272.085 8,2% 100% 100% 100% 100%
Tiendas Retail 502.677 3,2% 100% 100% 98% 0%
Seguros 349.419 2,2% 0% 0% 0% 0%
Datos de ID
Datos de
contacto
Datos
demográficos
35. Big
Data
y
Monetización
Selección de duplicados: por tipo id, id, nombre, teléfono,
email, fecha nacimiento
Selección del mejor registro : Se dejaron los registros con
mejor calidad de datos (completitud), fecha de actualización,
frecuencia de repetición.
Se quitan caracteres especiales y lo que no cumple con el
formato (letras en ID).
Se unifican las codificaciones
Se separan los complementos
Nombres Completos: cruce con el diccionario de nombres
Email: acepciones dominio.
Datos utilizables que cumplen con el formato de la variable
Diagnóstico DataQuality Enriquecimiento Integración Análisis
36. Big
Data
y
Monetización
Diagnóstico DataQuality Enriquecimiento Integración Análisis
Cruce de las bases
y enriquecimiento
de datos con las
otras fuentes.
Se enriqueció la
base con NSE del
georreferenciador.
Datos ID
Datos Contactabilidad
Datos demográficos
37. Big
Data
y
Monetización
Estandarización
Unificar las codificaciones de cada una de las variables que se repiten en las diferentes bases:
• Tipo Id
• Género
• Estado Civil
Definir un único formato para variables:
• Nombres: Apellidos Nombres
• Dirección (Dpto./Provincia/Distrito/NSE)
• Fecha de Nacimiento
• Teléfonos – Móviles
• Complementos: Extensiones, Tipo Tel, indicativo, etc…
CALLE LOS EUCALIPTOS 303 URBANIZACION SANTA EDELMIRA DEPARTAMENTO INTERI REF. POR EL COLEGIO SANTA EDELMIRA
No estandarizable:
DIRECCIÓN DEPARTAMENTO PROVINCIA DISTRITO NSE GESTIÓN
AV. BOULEVARD DE SURCO Nro. 266 INT. 402 LIMA LIMA SAN BORJA B1 ESTANDARIZADA
DIRECCIÓN
AVENIDA BOULEVARD DE SURCO INTERIOR 402 REF. PARALELA AV. PASEO DEL BOSQUE DIST. SAN BORJA PROV. LIMA DPTO. LIMA
TELÉFONO TELÉFONO ESTÁNDAR COMPLEMENTO
44586381 586381 44
38. Big
Data
y
Monetización
DATO ORIGINAL INFORMACIÓN CORREGIDA
NOMBRE_COMPLETO NOMBRE_COMPLETO_STD GESTION_NYA
MEJIA NUNEZ NILA MEJÍA NUÑEZ NILA CORREGIDO
Partiendo del cruce de las bases
con nuestros diccionarios podemos
corregir:
• Nombres Completos
• Email: dominios
Validar que los datos de
cada variable tienen un
valor lógico e interpretable
según la variable:
No Aplica
xxxxxxxxx
00000
Corrección Validación
DATO ORIGINAL
hanton61kareva@yhoo.es
INFORMACIÓN CORREGIDA
hanton61kareva@yahoo.es
39. Big
Data
y
Monetización
Se depuraron los registros duplicados con un análisis de diferentes datos: ID, Tipo
ID, fecha de nacimiento, nombre, teléfono fijo 1, email para seleccionar finalmente el
mejor registro de cada una de las bases. La base que más duplicados tenia era
Inkafarma, pero en proporción Interseguros fue la base que más depuración tuvo.
42. Big
Data
y
Monetización
La base más beneficiada del nuevo cruce con el banco seria SUPER ya que pasaría la variable de dirección de
un 10,7% a un 99%. También FARMA, que mejoraría en un 38%.
Campo Total Base Campos Llenos
Tipo documento 8.361.779 100.00%
Número documento 8.361.779 99.47%
Tipo dirección 8.361.779 100.00%
Dirección 8.361.779 100.00%
Manzana 8.361.779 17.45%
Lote 8.361.779 16.92%
Inferior 8.361.779 5.70%
Referencia 8.361.779 30.49%
Fue entrega 8.361.779 98.59%
Se enviaron 8,361,779 registros de
direcciones, de los cuales venían
llenos el 100% de los campos. Estos
registros son posiblemente
diferentes a los enviados en la base
de clientes.
Diagnóstico Inicial
43. Big
Data
y
Monetización
* Esta base no pudo ser estandarizada, pero es posible que esté bien
** El banco entregó más registros en la base de direcciones que los que envió en su base de clientes al principio
Enriquecimiento integración
Validada Posible Utilizable* Enriquecimiento Banco Calidad Final Calidad sin Banco
Seguros 2.901 6.225 3% 50% 47,3%
Tiendas Retail 802 1.679 0% 40% 39,3%
Grandes Superficies 460.825 658.758 89% 99% ** 10,7%
Bancos 1.695.222 3.079.158 87% 93% ** 5,3%
Farma 1.035.663 1.931.713 38% 41% 3,0%
44. Big
Data
y
Monetización
Diagnóstico DataQuality Enriquecimiento Integración Análisis
Integración de
todas las fuentes
en un solo archivo
dejando registros
únicos por cliente
(ID).
Selección del mejor registro por
jerarquía de las fuentes.
1. FARMA
2. SEGUROS
3. GRANDES SUPERF.
4. TIENDAS RETAIL
5. BANCOS
45. Big
Data
y
Monetización
Diagnóstico DataQuality Enriquecimiento Integración Análisis
Análisis de
enriquecimiento
Análisis de clientes
Aporte de variables a cada
base desde la integración
• Clientes compartidos
• Principales relaciones entre
fuentes
• Oportunidades identificadas
de la fusión de datos
48. El Análisis de Datos (Data Analysis, o DA) es la ciencia que examina los “Datos
Crudos” con el propósito de sacar conclusiones (información).
El análisis de Datos es usado en varias industrias para permitir que se tomen
mejores decisiones (empresariales u otro tipo) y también es usado en las ciencias
para verificar o reprobar modelos o teorías existentes.
El análisis de Datos se distingue de la extracción de datos por su alcance, su
propósito y su enfoque sobre el análisis. Los extractores de datos clasifican
inmensos conjuntos de Datos usando software sofisticado para identificar
patrones no descubiertos y establecer relaciones escondidas. El análisis de datos
se centra en la inferencia, el proceso de derivar una conclusión basándose
solamente en lo que conoce el investigador.
Tal información puede proporcionar ventajas competitivas a través de
organizaciones rivales y resultar en beneficios para el negocio, tales como el
marketing más efectivo y mayores ingresos.
Big
Data
y
Monetización
50. Big
Data
y
Monetización
Descriptiva:
Se trata del tipo de analítica más simple. El que permite condensar el Big Data
en datos más pequeños, con piezas de información más manejable. La mayoría
de los datos en brutos no son aptos para el “consumo” humano, pero la
información derivada de los mismos sí lo es. Por ello, el propósito de la analítica
descriptiva es resumir lo que ha pasado. Y es eso precisamente lo que analizan
la mayoría de empresas.
51. Predictiva:
La analítica predictiva es el siguiente paso para “reducir” datos. Ésta utiliza una
gran variedad de estadísticas, modelos, minería de datos y técnicas de
aprendizaje automático para estudiar datos recientes e históricos. De este
modo, permite a los analistas hacer predicciones sobre el futuro.
El objetivo de la analítica Big Data predictiva, sin embargo, no es mostrar lo
que pasará en el futuro. Eso es algo que no puede lograr la analítica. Pero si
puede plantear un escenario que podría darse, porque todos los análisis
predictivos son probabilísticos por naturaleza.
En la mayoría de casos reales en las empresas, la analítica predictiva se utiliza
para predecir datos que no se tienen en base a los datos con los que cuentan.
Big
Data
y
Monetización
52. Prescriptiva:
La tecnología emergente de la analítica prescriptiva va más allá de los
modelos descriptivos y predictivos, recomendando uno o varios itinerarios de
acción y mostrando las posibles consecuencias de cada decisión.
No de ja de ser un tipo de analítico predictiva para cuando el decisor de
negocio necesita utilizar la información y actuar. En cualquier caso, no se
predice un futuro posible, sino varios dependiendo de las acciones y la toma
de decisiones.
Por tanto, este tipo de analítica necesita un modelo predictivo con dos
componentes adicionales, datos procesables y un sistema de realimentación
que rastree las consecuencias basándose en diferentes opciones de acción,
pero también puede recomendar el mejor camino para cualquier
consecuencia preestablecida.
Big
Data
y
Monetización
54. ¿Qué es el Enriquecimiento de Atributos?
Consiste en incorporar nuevos campos (atributos) a los registros de una BD.
Estos atributos son construcciones elaboradas a partir de datos “crudos”,
incorporando diferentes capas de valor, y que permiten entender, clasificar o
calificar una realidad.
¿Qué Beneficios trae el Enriquecimiento de Atributos?:
1. Mejoras en el entendimiento de los clientes: El mejoramiento del poblamiento y la
cantidad de atributos permite mejoras en la segmentación y targeting de los
clientes, permitiendo generar esfuerzos más precisos.
2. Incremento en ratios de adquisición y retención / cross-sell / up-sell: En base al
correcto y profundo entendimiento de los clientes, las empresas son capaces de
generar estrategias diferenciadas que permitan aumentar la efectividad de las
campañas para clientes potenciales.
3. Mejorar la retención de clientes rentables: conocer el comportamiento y
preferencias de nuestros principales consumidores, nos permitirá mantener su
interés, el trato personalizado que les ofrecemos y con ello la retención
Big
Data
y
Monetización
55. Enriquecimiento de Atributos
Big
Data
y
Monetización
Perfiles
Transaccionales
Atributo Niveles
Perfil de
Adeherencia al
Canal Email
Lover
Regular
Mid
Low
Perfil de
Apertura de
Emails
Mañana
Tarde
Noche
Perfil de
Consumo
Inmobiliario
Automotriz
Educación
Restaurantes
Entretenimiento
Viajes
Productos
Servicios
Atributo Niveles
Nivel de Ingreso Dato Contínuo
NSE
(Georeferenciado)
A, B, C, D, E
Tenencia de
Smartphone
Tiene / No tiene
Tipo de
Smartphone
Marca / Modelo
/ Sistema
Operativo
Estilo de
comunicación
Personalizado
Genérico
Formal
Informal
Perfiles
Sociodemográficos
Atributo Niveles
Nivel de
Formación
Escolar -
Completo
Escolar -
Incompleto
Técnica -
Completo
Técnica -
Incompleto
Superior -
Completo
Superior -
Incompleto
Post Grado
Nivel de Inglés
N/A
Básico
Intermedio
Superior
Nivel de
Formación
Atributo Niveles
Tipo de Empleo
Dependiente
Independiente
Situación
Laboral
Empleado
Desempleado
Actitud laboral
Negativo
Extremo
Negativo
Neutro
Positivo
Positivo
Extremo
Situación Laboral
Atributo Niveles
Tipo de Interés
inmobiliario
Compra
Alquiler
Venta
Potencial
Hipotecario
Monto de
Búsqueda
Ubicación de
Búsqueda
M2 de Inmueble
Tipo de
Inmueble
Antigüedad del
inmueble
Potencial
Vehicular
Monto de
Búsqueda
Ubicación de
Búsqueda
Estado del
Vehículo
Marca / Modelo
del Vehículo
Antigüedad del
Vehículo
KMs del
Vehículo
Compra de Bienes
56. Modelo Predictivo de Activación
Portal de eCommerce
Big
Data
y
Monetización
Caso de uso
57. Big
Data
y
Monetización
Activación de
usuarios
El problema de Portal de
Ecommerce:
Solamente el 27% de los
usuarios registrados
tiene transacciones.
¿A quién contactar para
mejorar la activación?
¿Cuál es el mejor
mensaje?
¿Cuál es la probabilidad
de éxito de la acción?
¿Cuál es el potencial
beneficio asociado?
58. Big
Data
y
Monetización
Los Atributos
que describen
al cliente del
Portal de
Ecommerce
Género, origen,
localización geográfica,
antigüedad de registro,
activo , días hasta la
activación, frecuencia,
recencia, monto,
opiniones y reclamos,
productos comprados,
interacciones con redes
sociales, etc.
59. Atributos - RFM
Big
Data
y
Monetización
Se construyen atributos descriptivos del comportamiento de los usuarios analizando las interacciones en el tiempo:
• Antigüedad registración
• Antigüedad activación
• Recencia
• Frecuencia
• Montos transaccionales (Avg, Max, Min, etc).
REGISTRO
ACTIVACIÓN
ULT. TX
HOY
$
$ $
$
60. Modelo predictivo de activación
Big
Data
y
Monetización
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Puntuación 1
Un MODELO PREDICTIVO convierte la incertidumbre sobre el futuro en
una métrica de la probabilidad de tener éxito
Puntuación 1
¿Se puede anticipar la propensión a la
activación para motivar en forma
segmentada a los clientes registrados?
Sensible
Descriptiva
Predictiva
Atributos
Preferencias
y Rasgos
Perfil,
Predicción de
comportamientos
Identificación
62. Big
Data
y
Monetización
Diseño de la campaña
NO SÍ
Insight: “En la base de Suscritos existen 89936 gemelos (twins) de los usuarios habituales con el mismo
nivel de scoring de activación pero que aún no utilizan el servicio.”
63. Big
Data
y
Monetización
Ejecución de la campaña
Atributos (mediana):
Monto 1era transacción:
Mediana : S/57
Promedio : S/80
Frecuencia anual : 3Tx
Monto desde activación: S/158
NO UTILIZA
89.936 PROSP.
SÍ UTILIZA
65.943 USUARIOS
SCORING
0.42
SCORING
0.42
69. Big
Data
y
Monetización
MES TOTAL VISITAS VISITAS EMAIL % TOTAL
JUNIO 3,888,800 1,135,712 29%
JULIO 4,429,514 2,218.517 50%
AGOSTO 4,857,343 2,929,043 60%
SEPTIEMBRE 4,890,641 2,975,588 61%
OCTUBRE 3,737,261 2,235,600 60%
NOVIEMBRE 5,156,015 3,588,684 70%
DICIEMBRE 4,197,071 2,770,067 66%
ENERO 5,950,411 3,723,767 63%
Ratio de envíos por sesión web Visitas web vs visitas email
0
5
10
15
20
25
30
35
40
45
50
70. Sesiones mensuales en millones
Big
Data
y
Monetización
2.90
2.45
2.80
3.90
4.40
4.85 4.90
3.75
5.20
4.30
5.95
3.15
3.05
2.80
2.55
2.70
3.15
2.80
2.50 2.40 2.20
3.70
5.90
4.90
4.30
3.15
3.50
3.85
3.30
3.10 2.80 2.70
4.15
0.00
1.00
2.00
3.00
4.00
5.00
6.00
7.00
Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Enero
Aptitus Bumeran Computrabajo
Tráfico web en millones
72. Es una disciplina encargada de la orquestación de gente, procesos y tecnología
que permite habilitar a una compañía para apalancar la información como un
recurso de valor empresarial, y al mismo tiempo, es la encargada de mantener a
los usuarios, auditores y reguladores satisfechos, usando la mejora de la calidad
de los datos para retener clientes, constituyendo y guiando a nuevas
oportunidades en el mercado.
Seis pasos para el gobierno de datos:
1. Establecer metas. Sentencias principales que guían la operación y desarrollo de la
cadena de suministro de información.
2. Definir métricas. Conjunto de medidas usadas para evaluar la efectividad del
programa y los procesos de gobierno asociados.
3. Tomar decisiones. La estructura organizacional y el modelo de cambio ideológico
para analizar y crear políticas de decisión.
4. Comunicar políticas. Herramientas, habilidades y técnicas usadas para comunicar
decisiones políticas a la organización.
5. Medir resultados. Comparar resultados de las políticas con las metas, entradas,
modelos de decisión y comunicación para proveer constante retroalimentación
sobre la efectividad de la política.
6. Auditar. Herramienta usada para comprobar todo.
Big
Data
y
Monetización
73. Colección de datos que representan los atributos, las preferencias y los
rasgos de los sujetos que interactúan en el mundo digital.
Atributos: Representan información acerca de un tema que describe al
sujeto. Ejemplos: historial médico, hábitos de compra en el pasado, saldo
bancario, calificación de crédito, talla de ropa, edad, etc.
Preferencias: Representan deseos, tales como asientos preferenciales en
una línea aérea, publicaciones que lee, deporte que practica, etc.
Rasgos: Representan características inherentes del sujeto (no
adquiridas como los atributos) como por ejemplo el género, el color de
los ojos o la nacionalidad.
Big
Data
y
Monetización
Identidad Digital
74. La construcción de la Identidad Digital
Big
Data
y
Monetización
Sensible
Descriptiva
Predictiva
Atributos
Preferencias
y Rasgos
Perfil,
Predicción de
comportamientos
Identificación
Monetizado
Disponible para la toma de
decisiones o desarrollo de
productos
75. Big
Data
y
Monetización
Identidad
• Email
• Apellidos y nombres
• Documentos
• Datos de contacto
Psicodemográficos
• Fecha nacimiento
• Nacionalidad
• Nivel de educación
• Ocupación
Preferencias
• Publicaciones que lee News
• Deportes que practica
• Uso de redes sociales
• Canales de comunicación
Comportamientos
• Compras en portal de comercio
• Ofertas laborales portal de empleo
• Búsquedas inmobiliarias
• Historial de crédito
Pedro
Los datos de partida (CRUDOS)
76. Big
Data
y
Monetización
Datos Monetizables
Pedro
• Es un joven profesional interesado por la economía.
• Pertenece a un segmento de alto nivel económico.
• Actualmente está en búsqueda de mejoras en su empleo.
• Se interesa por realizar estudios de maestría.
• Su historial de crédito es reciente pero muy bueno.
• Es un cliente potencial para la industria financiera con una
oferta de créditos de estudio.
• La probabilidad de que acepte la oferta del crédito es alta.
• Es un target para la solución “Marketing Leads Financieros”.
77. Por lo tanto resulta mandatorio:
• Valorizarlo para incluirlo en el estado patrimonial y justificar los
gastos que se están realizando para recopilarlo y mantenerlo.
• Destinar soporte legal para mitigar el riesgo asociado al uso de
la información.
• Calcular las métricas que determinan el tamaño del activo de
datos y los factores que influyen en su valor.
• Establecer claramente quiénes son los responsables de gestionar
con eficiencia cada uno de los puntos de la cadena de valor
del activo de datos.
Big
Data
y
Monetización
Los datos son un activo de la compañía…
78. El valor de los activos de datos depende del beneficio que se
obtiene al utilizarlos para la toma de decisiones
Monetización de datos es el proceso que permite a las
organizaciones agregar valor de sus activos de información para:
Productivizarlos y venderlos a otras organizaciones generando
un beneficio económico directo.
Integrarlos en los productos para crear productos más
“inteligentes”.
Tomar decisiones basadas en datos ciertos para optimizar la
performance del negocio.
Big
Data
y
Monetización
80. Factores que influyen en el valor de los datos
Big
Data
y
Monetización
Factores
Objetivos
• Integridad
• Completitud
• Validez
• Precisión
• Obsolescencia
• Disponibilidad
• ……..
Factores
Subjetivos
• Relevancia
• Utilidad
• Credibilidad
• Claridad
• …….
Descubrir
Mejorar
La clave del éxito:
Gobierno de datos.
Uso eficiente de la tecnología
y los RRHH.
Capacitación y transformación
cultural.
81. Valor Patrimonial de la Información (VPI)
Big
Data
y
Monetización
Volumen *Completitud *Validación *Obsolescencia *Q licencias *Valor unitario
¿Cuántos
datos hay?
¿Qué nivel de
calidad tienen?
¿Cuántas veces
al año se monetiza
cada registro?
¿Cuánto vale
el registro
en el mercado?
VPI =
82. ¿Qué datos podemos incluir hoy en el modelo?
Big
Data
y
Monetización
Sensible
Descriptiva
Predictiva
Atributos
Preferencias
y Rasgos
Perfil,
Predicción de
comportamientos
Identificación
Monetizado
Disponible para la toma
de decisiones o
desarrollo de productos
Alcance del
modelo de
valuación
83. Big
Data
y
Monetización
¿Cuántos datos y con qué calidad?
Todas las fuentes suman un total de 5 millones de registros.
Datos de identificación:
CAMPO COMPLETITUD VALIDACIÓN
NOMBRES 88% 61%
DNI 61% 61%
ESTADO CIVIL 64% 0%
GENERO 89% 61%
EMAIL 99% 0%
DIRECCION 23% 0%
FECHA NACIMIENTO 23% 61%
PROMEDIO FUENTE 64% 35%
84. VPI = Volumen *Completitud *Validación *Obsolescencia *Q licencias *Valor unitario
Un escenario posible…
Big
Data
y
Monetización
Volumen: 5 Millones de Registros
Completitud: 64%
Validación: 35%
Obsolescencia: 33%
Qlicencias: 50 usos anuales
Valor de mercado del registro: US$0,3 – US$3
VPI = US$24 MM – US$240 MM
85. Niveles de madurez en la gestión de activos de datos
Big
Data
y
Monetización
Valor
INDISCIPLINADO
• Las decisiones de negocio
dependen de la tecnología.
• Datos duplicados e
inconsistentes
• Poca flexibilidad para sostener
los cambios del negocio.
Aquí estamos
REACTIVO
• El negocio influye sobre las
decisiones de tecnología.
• Información redundante
y poco controlada.
• Alto costo para mantener
múltiples aplicaciones.
PROACTIVO
Aquí estaremos
• Los equipos de negocio
y de tecnología trabajan
colaborativamente
• Los datos se ven como un
activo de la compañía
GOBERNADO
• Los modelos de negocio
definen las decisiones
tecnológicas.
• Existen procesos
estandarizados para la
gestión de los activos de
datos.
• Las decisiones corporativas
se toman con datos ciertos
• Se obtienen beneficios
directos por aplicación del
programa de gobierno.
Riesgo
Persona, Procesos y Tecnología
86. Disciplinas que integra GBD
Big
Data
y
Monetización
INTEGRACIÓN
Y MDM
PROCESOS
CICLO
DE VIDA
METADATA
CALIDAD
DE DATOS
SOPORTE
LEGAL
ORGANIZACIÓN
87. El Gobierno de Big Data es un programa del negocio que engloba
múltiples disciplinas y cuyo propósito principal es la formulación de las
políticas destinadas a asegurar la optimización del uso, privacidad,
calidad, seguridad y monetización de las fuentes de datos estructurados
y no estructurados.
Este programa coordina y armoniza además múltiples intereses y
objetivos de negocio que sobre el uso de los datos tienen las diferentes
áreas de la compañía.
Big
Data
y
Monetización
¿Qué es el Gobierno de Big Data? (GBD)
