CÓMO TRANSFORMAR LA INFORMACIÓN EN CONOCIMIENTO CON ANALÍTICA DE DATOS EN VENEZUELA

Transformar la información en conocimiento mediante el uso de la analítica de datos en Venezuela o en cualquier otra parte del mundo, consiste en procesar datos crudos para extraer insights valiosos que faciliten la toma de decisiones. Primero, se recopilan y limpian los datos para asegurar su calidad. Luego, se aplican técnicas analíticas avanzadas para identificar patrones y relaciones ocultas. Finalmente, se interpretan estos hallazgos y se comunican de manera clara a las partes interesadas, permitiendo que la empresa tome decisiones informadas y mejore su estrategia y operaciones.

Bienvenido a la tercera entrega de la serie “Analítica digital como herramienta gerencial necesaria en las pymes de Venezuela”, un grupo de cuatro publicaciones dirigidas a servir de apoyo a las pymes que buscan desarrollar sus capacidades analíticas en Venezuela.

Para la redacción de la presente publicación se han considerado los diferentes enfoques de los autores más prominentes de los últimos años, en relación con el tema. Entre los más destacados se encuentran: Zorrilla y Sánchez (2022), Joyanes (2019) y Albright y Winston (2015) . A través de sus teorías analizaremos cómo las pymes pueden transformar información en conocimiento, desarrollando sus capacidades analíticas.

Te recomendamos leer la segunda entrega de la serie «Cómo desarrollar capacidades analíticas de las empresas en Venezuela: Transformar datos en información».

Para explicar la segunda fortaleza que deben desarrollar las empresas para un uso efectivo de la analítica digital se retoma lo indicado por Barton y Court (2012), quienes resaltan que la capacidad de transformar la información en conocimiento se logra a través de la construcción de modelos analíticos.

La teoría es apoyada por varios autores reconocidos en el campo de la analítica, entre ellos Zorrilla y Sánchez (2022), quienes explican como luego de conocer los datos y sus fuentes, la analítica debe responder cuatro preguntas fundamentales relacionadas con los cuatro modelos analíticos: descriptivo, diagnóstico, predictivo y prescriptivo. Para estos autores, es la fase de la analítica que tiene como objetivo transformar la información en conocimiento.

Para el autor Joyanes (2019), el análisis de datos exige la aplicación de técnicas que crean modelos para generar conocimiento útil que sirve a la toma de decisiones, señala la existencia de tres técnicas: analítica descriptiva, predictiva y prescriptiva para luego adicionar la analítica diagnóstica.

Realizando una consolidación de lo indicado por los autores referenciados en el presente apartado, se puede deducir que la construcción de estos modelos analíticos en orden secuencial permiten a las empresas identificar patrones, tendencias y relaciones en los datos difíciles de detectar de otro modo, resaltando la necesidad de máquinas y software para su funcionamiento. Lo cual concuerda con el planteamiento de las tres fortalezas requeridas por las empresas para desarrollar capacidades que permitan usar eficientemente la analítica de datos.

La analítica descriptiva, según lo señalado por Zorrilla y Sánchez (2022) es un modelo de la analítica que utiliza datos históricos para responder la pregunta ¿qué ocurre en el negocio? Adicionalmente, lo resalta como un modelo sencillo y usado por el 90% de las empresas para tomar decisiones.

El autor Joyanes (2019) comparte la visión puntualizando que la analítica descriptiva corresponde al análisis tradicional, el cual responde a las preguntas ¿qué está pasando?, y ¿qué ha pasado? Además, explica cómo funciona, estableciendo su centro en un sistema de almacenamiento, recopilación, organización y visualización de datos orientado a descubrir tendencias, así como patrones significativos.

Utilizando técnicas estadísticas y herramientas de visualización de dato. Culmina señalando que este modelo permite reducir costos, así como mantener una gestión eficiente dentro de las organizaciones.

Por otra parte, con un enfoque más actual Atsmon (2023), socio sénior en la oficina de Londres de la prestigiosa firma McKinsey, manifiesta que este modelo al que se refiere como inteligencia descriptiva puede ser asistida por la IA. Según señala, posee funcionalidades interactivas de refinamiento y pruebas, siendo útil para estudiar el rendimiento de diferentes partes del negocio.

Precisando en el área de la analítica digital, los autores Zorrilla y Sánchez (2022), colocan la analítica descriptiva en el nivel de valor y complejidad más bajo en los tipos de analítica de datos digitales. Según lo especificado, para su procesamiento deben extraerse los datos digitales relacionados con el cumplimiento de los objetivos marcados para la web, las redes sociales, otras webs, móviles, entre otros, dentro de la estrategia digital de la empresa. Cruzar dichos datos por área de impacto: SEO, social ads, email marketing, tráfico web, entre otras, así como dimensionar el análisis a ser aplicado: conversión, comercial, económico o de marca, para crear diversos escenarios de toma de decisiones.

Los autores Albright y Winston (2015), exponen que existen varios tipos de análisis dentro del modelo, señalando entre los más comunes: medidas de frecuencia, medidas de tendencias central, medidas de dispersión y medidas de posición.

Resumiendo lo esbozado por los autores, la analítica descriptiva es un análisis de datos de primer nivel. Está centrada en comprender y describir lo que ha sucedido en el pasado, condensando grandes volúmenes de datos de manera clara y precisa para facilitar la comprensión, así como la comunicación de información clave dentro de la organización, coadyuvando a la toma de decisiones efectivas sobre una situación actual con base en la experiencia de lo anteriormente acontecido en circuntancias similares.

El modelo de madurez analítica de Gartner es sin duda el más aceptado en el campo de la analítica, autores como Joyanes (2019) lo utilizan como referencia para explicar los tipos de analítica. Asimismo, portales como Amazon, SAP Latinoamérica, BBVA, entre otros, en sus secciones dedicadas a la difusión de conocimiento, basan sus definiciones sobre el tema en ese mismo modelo.

En este sentido, Joyanes (2019) señala a la consultora Gartner como autora y difusora de un tipo de analítica denominada diagnóstica, ubicada entre la analítica descriptiva y la predictiva, la cuál responde a la pregunta ¿Por qué ha pasado?

La consultora Garnert en sus tópicos sobre datos y analítica indica que para responder la pregunta ¿por qué sucedió x?, se requieren capacidades más detalladas que en la fase anterior, así como de extracción de datos.

En el mismo contexto y según los portales señalados anteriormente, el análisis de diagnóstico se realiza normalmente a través de técnicas como el descubrimiento de datos, el desglose, la minería de datos y las correlaciones, apoyándose en una herramienta de inteligencia empresarial.

Los autores Zorrilla y Sánchez (2022) centrados exclusivamente en la analítica digital, también toman el enfoque de Gartner colocando a la analítica diagnóstica en el segundo nivel de valor y complejidad en la clasificación de fases de la analítica. Asimismo, argumentan que en esta etapa se busca la causa raíz de la situación para aplicar medidas correctoras, eliminando el ruido en el dato, es decir, se eliminan todos los datos irrelevantes del análisis para centrar el diagnóstico en los objetivos marcados.

Los mismos explican como se utiliza la información no relacionada cruzando variables, como las ventas por tipo de cliente de las campañas de Google Ads geolocalizadas por código postal para detectar los anuncios más eficientes, el bajo coste por clic (CPC) y la alta tasa de clic (Click-Through Rate [CTR]) en contraste con los clientes con mayor nivel de rentabilidad (mayor beneficio neto unitario) dentro de la analítica digital.

Tomando lo indicado por los autores Joyanes (2019), Zorrilla y Sánchez (2022), así como lo publicado en los prestigiosos portales web de Amazon, SAP, BBVA y Mckinsey los cuales en su totalidad basan sus apreciaciones en el modelo de fases de madurez analítica de la consultora Gartner.

La analítica diagnóstica se refiere al análisis de datos que tiene como objetivo identificar las causas subyacentes de los resultados observados en la analítica descriptiva. Esta etapa va más allá de simplemente describir lo que ha ocurrido en el pasado y se enfoca en comprender por qué han ocurrido ciertos eventos o tendencias.

A lo largo de la historia, los individuos capaces de anticipar y gestionar los riesgos han demostrado tener una ventaja competitiva en términos de supervivencia.

En el mundo empresarial, esta capacidad de previsión es un factor clave que distingue a los líderes sobresalientes del resto. Sin embargo, el modelo predictivo, aunque esencial, es sorprendentemente complejo y, a menudo, costoso de dominar. Hasta ahora ha sido un proceso manual, con individuos encargados de recopilar, compilar y analizar datos, a menudo utilizando herramientas como hojas de cálculo.

Sin embargo, las organizaciones están evolucionando hacia enfoques más avanzados, adoptando sistemas de predicción analítica que aprovechan tecnologías innovadoras. Este cambio se ha vuelto posible gracias al desarrollo de plataformas de análisis avanzado, computación en memoria, así como por el desarrollo acelerado de herramientas de inteligencia artificial, incluido el aprendizaje automático (Deloitte, 2018).

Según lo indicado por la Secretaría General Iberoamericana (2020), en el documento Políticas de transformación digital para pymes en el espacio iberoamericano, el análisis predictivo es una disciplina que fusiona estadística, matemáticas avanzadas, inteligencia artificial y análisis de datos, lo cual permite revelar relaciones, así como patrones dentro de conjuntos de datos extensos.

Esta técnica no solo se limita a predecir eventos, también puede anticipar comportamientos, lo que la convierte en una herramienta versátil con aplicaciones abarcando todas las áreas de una empresa. Desde el mantenimiento de maquinaria y equipos hasta la gestión automatizada del inventario, las operaciones de transporte, además del marketing, el análisis predictivo ofrece un enfoque integral para optimizar procesos, así como la mejora en la eficiencia con la toma de decisiones fundamentadas en datos.

Por otro lado, Joyanes (2019) expone que el análisis predictivo es generalmente llevado a cabo después del análisis descriptivo y permite la anticipación de posibles escenarios futuros. Estas predicciones se fundamentan en información tanto pasada (datos históricos) como presente, lo cual proporciona la capacidad de prever eventos con un alto grado de certeza.

Su objetivo principal es extraer conocimiento de los datos en forma de patrones, tendencias o modelos que ofrecen una perspectiva informada sobre potenciales situaciones con diferentes alternativas para tomar decisiones.

El autor también indica que la analítica predictiva, se refiere a las previsiones necesarias para una organización. Este enfoque analítico avanzado brinda a las organizaciones una valiosa herramienta para anticipar tendencias y tomar decisiones estratégicas con confianza, permitiéndoles adaptarse proactivamente a un entorno empresarial turbulento, respondiendo a las preguntas ¿qué va a pasar? ¿Qué es lo que podría pasar?

Bajo la misma línea, los autores Zorrilla y Sánchez (2022), añaden que dentro de las estrategias de marketing su objetivo es adelantarse a las decisiones del buyer persona (cliente objetivo), minimizando al máximo el sesgo de error de los modelos e hipótesis lanzados al mercado. Los autores ubican la analítica predictiva en el tercer nivel de valor y complejidad en la clasificación de fases de la analítica.

Amalgamando lo expuesto por lo autores, se puede indicar que el modelo de analítica predictiva proporciona a las organizaciones una ventaja competitiva al permitirles anticipar, así como responder proactivamente a cambios en el entorno empresarial. Al identificar tendencias emergentes y patrones ocultos en los datos, las empresas desarrollan su capacidad de previsión, lo que les permite minimizar riesgos y maximizar oportunidades.

Además, el análisis predictivo fomenta la personalización tanto como la adaptabilidad, lo cual permite a las empresas satisfacer las necesidades cambiantes de sus clientes y mantenerse ágiles en el mercado.

La analítica prescriptiva ocupa el pináculo de la jerarquía del análisis, por integrar la analítica descriptiva (describe lo que ha sucedido), la analítica diagnóstica (explora por qué sucedió) y la analítica predictiva (anticipa lo que sucederá).

En este sentido, la analítica prescriptiva representa un avance significativo al no limitarse únicamente a la predicción de eventos futuros, sino también al ofrecer recomendaciones específicas de acciones a tomar, capitalizando así los beneficios de la anticipación (ESIC University, 2024).

En un interesante contexto, la famosa consultora Mckinsey realizó una extensa publicación donde los autores Mize et al. (2017), detallan el creciente papel de la analítica prescriptiva en la industria minorista. Se subraya cómo la analítica prescriptiva aprovecha la capacidad de las máquinas para reconocer patrones, así como hacer recomendaciones detalladas, combinando la inteligencia artificial con el aprendizaje automático para mejorar la toma de decisiones.

Además, destacan que la analítica prescriptiva va más allá de simplemente proporcionar información, por ser una guía en las decisiones hacia resultados óptimos utilizando una amplia gama de datos internos y externos. Argumentan que la analítica prescriptiva puede ofrecer recomendaciones valiosas para enfrentar estos desafíos, mejorar la rentabilidad y la fidelidad de los clientes.

En tanto, el autor Joyanes (2019), quien comparte el mismo enfoque, añade que se basa en las reglas del negocio, los algoritmos analíticos, machine learning y modelos computacionales para responder a las preguntas: ¿Qué hacer para que pase? ¿Qué debo hacer? ¿Qué podemos hacer para que algo suceda?

Por su parte, los autores Zorrilla y Sánchez (2022), la señalan como el territorio donde están peleando las grandes marcas e indican:

Para estos autores, la analítica prescriptiva se encuentra en el mayor nivel de valor y complejidad de los tipos de analítica de dato.

En tal sentido, representa una revolución en la toma de decisiones para todas las empresas. Al integrar datos con inteligencia artificial y aprendizaje automático, esta disciplina permite identificar patrones, prever resultados, así como ofrecer recomendaciones específicas para ser ejecutadas en tiempo real. Superando los enfoques tanto descriptivos como predictivos, capacitando a las empresas para optimizar operaciones, mejorar estrategias de marketing, maximizar la eficiencia y la rentabilidad en todos los aspectos del negocio.

El estudio de la segunda capacidad que deben desarrollar las empresas para un uso efectivo de la analítica de datos se ha basado en lo expuesto por reconocidos autores como Zorrilla y Sánchez (2022), quienes puntualmente manifiestan que la adopción de las diferentes etapas de la analítica tiene como objetivo transformar la información en conocimiento.

Para las empresas en Venezuela, convertir la información en conocimiento es fundamental. La información se refiere a los datos crudos que una empresa recolecta, como cifras de ventas, estadísticas de clientes o datos financieros. Sin embargo, por sí sola, esta información no ofrece una visión clara ni instrucciones sobre qué hacer. Para que estos datos sean útiles, deben ser procesados y analizados para extraer conocimiento.

Conocimiento es la comprensión profunda que se obtiene al analizar y contextualizar la información. Esto incluye identificar patrones, entender las tendencias y descubrir relaciones ocultas entre los datos. Por ejemplo, al analizar los datos de ventas y preferencias de los clientes, una empresa puede entender qué productos son más populares en diferentes regiones, lo que permite ajustar la oferta para satisfacer mejor la demanda.

Una vez que la información se convierte en conocimiento, las empresas en Venezuela pueden obtener numerosos beneficios como la capacidad de tomar decisiones más precisas y estratégicas al basarse en un análisis profundo de los datos.

Esto les permite optimizar recursos al identificar y corregir ineficiencias, adaptarse rápidamente a los cambios del mercado para mantener la competitividad, y descubrir nuevas oportunidades de crecimiento. Además, al entender mejor su entorno de negocios, las empresas pueden reducir riesgos y desarrollar estrategias efectivas para enfrentarlos.

Hasta aquí la tercera publicación de nuestra serie. No te pierda la cuarta y última publicación relacionada a la última fortaleza que deben desarrollar las empresas para ser efectivas en el uso de la analítica.

Albright, S. y Winston, W. (2015). Business Analytics: Data Analysis & Decision Making. USA. Cengage Learning

Atsmon,Y.,(2023). La Inteligencia artificial en la estrategia. https: //www. mckinsey.com/featured-insights/destacados/la-inteligencia-artificial-en-la-estrategia/es

Barton, D., y Court, D. (2012). Making Advanced Analytics Work for You. Harvard Business Review. https://hbr.org/2012/10/making-advanced-analytics-work-for-you

BBVA. (2024). Big Data: evolución de la analítica avanzada de datos. BBVA-Innovación.https://www.bbva.com/es/innovacion/big-data-evolucion-de-la -analitica-avanzada-de-datos/

ESIC University (2024). ¿Qué es la analítica prescriptiva? Ejemplos.ESIC University.https://www.esic.edu/rethink/tecnologia/analitica-descriptica -que-es-c

Gartner.(s.f.).What Is Data and Analytics? Gartner-entopics. https://www.gartner.com/en/topics/data-and-analytics

Joyanes, L. (2019). Inteligencia de negocios y analítica de datos. Bogotá. Grupo Editorial Alfaomega.SAP (s.f.) ¿Qué son las analíticas?

SAP Latinoamérica. https: //www. sap.com/latinamerica/products/technology-platform/cloud-analytics/what-is-analytics.html

Secretaría General Iberoamericana (2020). Políticas de transformación digital para pymes en el espacio iberoamericano. Chile. Ministerio de Relaciones Exteriores.

Zorrilla, J. y Sánchez,D. (2022). Guia práctica de analítica digital.Editorial Almuzara S.L. 2022 para LID Editorial. EAN-ISBN13: 978-84-18952-75-3.