Business Intelligence

Business Intelligence: Mito o Realidad

Fuente: CEDE

Tras haber centrado el tema del mes de octubre a “Business Intelligence”, hemos considerado interesante las reflexiones, a modo de balance, de estos dos expertos en la materia. Concretamente, en este artículo repasan conceptos básicos sobre BI y se detienen en algunas de las técnicas más representativas con objeto de contribuir a su divulgación. Superadas las falsas expectativas que siempre rodean a algo novedoso, los autores creen que BI es uno de los más poderosos auxiliares del directivo, porque le permite realizar su principal función, tomar decisiones, en condiciones óptimas de información. Faltan profesionales con experiencia, lo que representa una clara oportunidad para una nueva generación de técnicos y directivos con una formación híbrida, en cuestiones de negocio y en el manejo de herramientas tecnológicas de BI.
Ángel San Segundo Presidente Antiguos Alumnos-Club EOI (entidad confederada a CEDE) y Senior Advisor de Nyras Capital
Wolfram Rozas Senior Manager de IBM Global Business Services y responsable de soluciones de negocio para el sector de Distribución.
La gestión de los negocios está cada vez más condicionada por la innovación, la creatividad, la  imaginación o incluso el azar (eso que ahora se llama también “serendipity”). El raciocinio o el análisis detallado de variables parecen actividades auxiliares que ceden terreno en sus formas clásicas, porque o se dan por sabidas sin verificarlo, o se suponen completamente soportados a través de paquetes de software  de Business Intelligence (BI) capaces de generar automáticamente la información precisa para tomar decisiones.
Las empresas que sigan estas prácticas de gestión descuidan la importancia estratégica de la información relevante para los negocios. Trivializar un complejo proceso de conversión de datos en conocimiento, fundamento de BI, es un enfoque de alto riesgo. Recuerda los problemas sufridos por todos aquellos defensores a ultranza del CRM (Customer Relationship Management, Gestión de la Relación con el Cliente) a finales de los 90 que vieron posteriormente defraudadas muchas de sus desmesuradas expectativas en ese tipo de soluciones de gestión.
Fundamentos

La Inteligencia de Negocio es un conjunto de procesos y sistemas analíticos que ayudan a los ejecutivos de las compañías en la toma de decisiones complejas. El conocimiento, convertido ahora en el más importante factor de producción, es un recurso clave para cualquier compañía que quiera sobrevivir y prosperar en elcompetitivo y global entorno empresarial de hoy en día. El valor se crea incuestionablemente en los puntos de decisión y acción

La finalidad de BI es soportar decisiones en donde se utilizan grandes cantidades de datos en relación con actividades como:• Segmentación de clientes
• Fidelización y análisis del valor de clientes

• Campañas de marketing

• Políticas de precios

• Gestión integrada del rendimiento de los recursos


Como se observará la mayor parte de estos ejemplos guardan relación con el área comercial, de ahí la familiaridad con que sus directivos se aproximan a BI (aunque casi siempre condicionados por un buen número de malas experiencias con CRM). Sin embargo, las aplicaciones de BI van extendiéndose a otras áreas, como la económico-financiera (Cuadros de Mando, Detección del fraude, etc) o recursos humanos (modelos de retención de personal, modelos de compensación, etc.), y esa es una tendencia que parece imparable. Por sectores económicos, Telecomunicaciones y Financiero son los consumidores habituales de BI, fundamentalmente porque deben tomar decisiones en tiempo real teniendo en cuenta un volumen extraordinario de datos. Pero otros muchos sectores están ya aplicando BI: como muestra sirva la progresiva utilización en las AA.PP. con objeto de gestionar mejor los servicios a los ciudadanos.
En todos los casos de buenas prácticas en BI, hay un sometimiento al negocio o actividad bajo análisis, con objeto de adaptarse al comportamiento real de los hechos en estudio. Eso obliga a establecer modelos que recojan los datos de forma fiable y coherente con la decisión a la que se pretende informar. No tener en cuenta estas simples premisas creyendo que la tecnología, a la que nos vamos a referir en seguida , puede en sí misma resolver esas cuestiones suele ser un frecuente y costoso error. De hecho el experto en BI, acaba siendo un profesional híbrido que entiende de negocio y se apoya en la tecnología para ordenar el conocimiento eficazmente.
La compleja transformación de datos en conocimiento

Las Tecnologías de la Información (TI) han cambiado sustancialmente la forma de hacer negocios de las empresas. En un entorno, donde la competitividad, la globalización, la consolidación de industrias, un ciclo de vida más corto de los productos, time-to-market cada vez más decisivo, saturación de mercados, etc., la información, y sobre todo, el conocimiento, juega cada vez un papel más preponderante.
La información referente a mercados, competidores, clientes, el rendimiento de la propia compañía, se ha convertido en un recurso clave. El problema radica en que las empresas disponen de una gran cantidad de datos, pero poca información, y aún menos conocimiento. Varias razones motivan este hecho: islas de información, carencia de arquitecturas de sistemas flexibles e integradas, propiedad de los datos, importantes carencias de calidad, y por tanto, usabilidad de datos, múltiples y diversas aplicaciones operacionales, existencia de fuentes de información externa no integradas ni compartidas, etc.
Gran parte del producto generado por las TI, no es información, sino tan sólo datos brutos. Estos se generan por sistemas que fueron ideados para recogerlos, pero no para analizarlos. Los datos adquieren la categoría de información cuando disponen de una estructura inteligente. A su vez, esta información se convertirá en conocimiento si se le añade las ideas, intuición, capacidad del analista, es decir, su conocimiento tácito. En puridad, según Nonaka y Takeuchi, la información sería el conocimiento explícito, es decir susceptible de ser transmitida,  pero sólo la información no será capaz de aumentar y mejorar la  base de conocimiento de una compañía. Es la inclusión del conocimiento tácito, la que promueve el ciclo virtuoso de la transformación de datos en información, información en conocimiento, y finalmente, conocimiento en acciones/decisiones mejor informadas y más afines a la realidad de la compañía. El ciclo se cierra al generar estas nuevas acciones/decisiones, más datos brutos que realimentarán el ciclo de este proceso, conocido como Inteligencia de Negocio.
La aparición en la década anterior de estas tecnologías, sorprendió a muchos profesionales del mundo empresarial, y a pesar de haber sido adoptadas por muchas de las grandes compañías nacionales, salvo en contados casos paradigmáticos, aún se está lejos de haber obtenido todo su potencial. Una de las razones es el desconocimiento de las mismas por los verdaderos actores que las convierten en herramientas de creación de valor en una compañía, es decir los responsables de los departamentos de negocio.
Este desconocimiento está en parte justificado por la confusión originada por el mercado de software desde donde se lanzan mensajes, a veces contradictorios o no precisos. De hecho no es extraño encontrar profesionales de las TI, que no tienen claro cuál es la diferencia entre componentes claves como Data Warehouse, Data Mining y OLAP. Es común extraer la idea de que el software de BI son soluciones mágicas, que prácticamente pulsando un botón resuelven todos los problemas de negocio que una firma intenta resolver/mejorar.
Definamos de forma sencilla estos conceptos que configuran la Inteligencia de Negocio, y situémoslos en el marco al cuál pertenecen: el negocio.
Data Warehouse
Según Bill H. Inmon, padre reconocido del Data Warehousing, “un Data Warehouse es un conjunto integrado de bases de datos, con orientación temática, que están diseñados para el Apoyo a la Toma de Decisiones, y donde cada unidad de datos es relevante en algún momento del tiempo”.
Sencillamente, el Data Warehouse es la memoria de nuestro sistema de Inteligencia. Sin memoria corporativa, sin pasado, será imposible derivar ninguna inteligencia.
Un Data Warehouse o Almacén, , es una gran base de datos, de cientos de gigabytes o decenas de terabytes, que recoge información de múltiples sistemas fuentes u operacionales (aquellos que recogen la información de las diferentes unidades de negocio) dispersos, y cuyo propósito es facilitar la Toma de Decisiones, es decir, en el análisis de la información, en vez de su captura. Idealmente, toda pieza de información vertida en el Almacén será utilizada y no será redundante. Se aprecia ya una diferencia fundamental con los sistemas fuentes, en éstos se escribe, en un Almacén sólo se “lee”, esto es, se obtienen vistas complejas de la información corporativa que faciliten la comprensión del negocio y actúen como una palanca del cambio de gestión.
Podemos decir que un Almacén de Datos es un sistema que ofrece acceso fácil y rápido a información vital para la gestión y operación de una empresa, que permite acceso a datos históricos y detallados, que es un sistema donde la información es alimentada por múltiples sistemas fuentes, y que es un sistema de análisis de información.
Hemos descrito el núcleo del sistema de Inteligencia de Negocio; alrededor de él situamos los procesos analíticos que operan en el Data Warehouse derivando la inteligencia corporativa. Los métodos analíticos más comunes son las técnicas de OLAP (On-line analytical processing) y las técnicas de Data Mining.
OLAP, Data Mining
OLAP, o procesamiento analítico en línea, es la técnica de análisis multidimensional aplicado a un Data Warehouse. Su misión es obtener vistas multidimensionales de los indicadores de rendimiento de la compañía. Este concepto se contrapone al de OLTP, o procesamiento transaccional en línea, que es el empleado por los sistemas fuentes para optimizar la recogida de información. Frente a un sistema OLTP que se encarga de procesar óptimamente multitud de pequeñas transacciones de captura de información (su entrada, modificación o eliminación), un sistema OLAP se dedica al análisis de enormes cantidades de información, suponiendo pocas transacciones, pero éstas procesarán un volumen muy superior (del orden de cientos de miles de registros). Esto es viable, debido a que la información contenida en el Data Warehouse que va a ser analizada con OLAP, está sumarizada y agregada. Estas técnicas analíticas emplean métodos deductivos, permitiendo el análisis de cuestiones particulares dentro de una realidad compleja como es la empresa.
El Data Mining, o Exploración Avanzada de Datos, es el proceso de descubrimiento y cuantificación de relaciones ocultas en los datos para describir y predecir conductas y patrones que enriquezcan la toma de decisiones. El Data Mining emplea métodos inductivos  intentando generalizar comportamientos, construir leyes generales de comportamiento después de rastrear cientos de miles de transacciones. Es la conjunción de tres fuerzas: algoritmos de Inteligencia Artificial, Estadística y grandes Bases de Datos. El objetivo de aplicar técnicas de Data Mining a nuestra información corporativa, es generar conjeturas tras la exploración de los datos, es decir, cuáles son las causas de determinados efectos. Una vez identificado el modelo que reproduce una determinada situación real, el analista de exploración o data miner, intentará formular predicciones.
En un lenguaje más sencillo, se puede comparar OLAP con Data Mining, utilizando el símil de las preguntas que responden ambos paradigmas de análisis. OLAP al ofrecer vistas multidimensionales de los indicadores de rendimiento, responderá a las preguntas: ¿Cuánto?, ¿Cuándo?, ¿Dónde?, ¿Cómo?, ¿Quién?, ¿Qué?, ¿Qué pasaría si…?. Observemos que la aplicación del conocimiento tácito del analista de negocio (es decir, su intuición, experiencia, perspicacia) es fundamental para obtener valor de este entorno. En cambio, Data Mining al crear modelos de comportamiento, respondería a la pregunta: ¿Por qué?.
La forma en que OLAP responde las preguntas del analista, es mediante complejas preguntas. Estas preguntas son fruto de la interacción del usuario con el sistema. En este nuevo entorno, esta formulación se realiza desde un plano conceptual, y no obliga al usuario poseer conocimientos de bases de datos, sino que requiere de él, tan “solo” su conocimiento (tácito) del negocio. Podríamos decir que la interacción del usuario con el sistema es supervisada, en el sentido que el usuario establece el proceso de análisis. Entre las técnicas más conocidas de OLAP, destacan el drill-down y el slice & dice. Drill-down es la obtención de un análisis con un nivel más de detalle (p.e. sería obtener el detalle mensual, de un informe anual). Slice & Dice, es la técnica que nos permite obtener cortes o subconjuntos de las vistas multidimensionales generadas por el sistema (p.e. si tenemos un informe de ventas por producto, un corte posible serían las ventas de un determinado producto por cliente en el tiempo; un subconjunto sería las ventas de unos determinados productos, vendidos a unos clientes específicos, en un período de tiempo definido).
Las técnicas de Data Minino operan de forma diferente. En vez de trabajar con datos agregados como OLAP, precisan muchas observaciones a nivel detallado, exactamente igual que un modelo estadístico. De la misma forma que en Estadística, la reducción de la varianza del error cometido se reduce ampliando la muestra, los datos, limpios y abundantes son esenciales. El garante de la existencia de gran cantidad de datos fiables, limpios y accesibles es un Data Warehouse. Una vez identificadas y descritas las variables candidatas de explicar un cierto problema de negocio, se tomará una muestra aleatoria para analizar. Someteremos a esta muestra a la ejecución de algoritmos de Inteligencia Artificial o procedimientos estadísticos, que buscarán la existencia de tendencias, correlaciones ocultas entre los datos.
Hemos visto que un Data Warehouse es el garante de la existencia de una base de datos de análisis fiable y fácilmente accesible, por las técnicas de Data Mining. Empero, aunque es altamente recomendable el disponer de un Almacén de Datos para llevar a cabo un proyecto de Data Mining, no es obligatoria su existencia. También se puede construir un Data Warehouse y no aplicar técnicas de Data Mining en él. Pero, sin duda, la sinergia de ambas fuerzas explotará al máximo el entorno de BI.
¿Por qué ahora?

Los procesos y sistemas de Inteligencia de Negocio están experimentando un increíble crecimiento en los últimos años, y este crecimiento será aún mayor hasta el 2010. ¿Cuáles son las causas de su auge?.La primera de las causas es que la información de clientes, mercados, productos, datos externos, etc., está aumentando exponencialmente (“doblándose cada 20 meses”), se está produciendo una constante disminución del ratio precio/rendimiento del  hardware, las herramientas de análisis han progresado sustancialmente, las organizaciones están aprendiendo a sacar provecho de sus datos internos para obtener ventaja competitiva, y finalmente, con la aplicación de estos procesos las empresas obtienen altas tasas de ROI con pequeñas inversiones de bajo riesgo.
Conclusión

Es importante señalar que este tipo de proyectos están en constante evolución, ya que deben replicar la propia evolución de la empresa. Por tanto, se podría decir que nunca tienen fin, que siempre son susceptibles de cambio. Como decía uno de los gurús de esta práctica, Ralph Kimball: “la Inteligencia de Negocio no es un destino, sino un viaje”. Se trata, en definitiva, de conseguir al final de ese trayecto conocimiento valioso, definido, por alguien dotado de un don especial para ello, a través de la siguiente máxima: “el secreto de los negocios es conocer algo que nadie conoce” (Aristóteles Onassis).

 

 

 

 

Deja un comentario

Archivado bajo Estrategia, Management

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s