Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Big Data para procesos
Convertir los Datos en Acciones para mejorar
su Negocio
Febrero 2017
Datos y Privacidad
Que son los datos de “1st Party”?
• Es la información que la empresa recolecta
directamente sobre sus operaciones y las pe...
Protección de Datos (Ludivoc Levy de Orange Telecom)
• La protección de datos es necesaria puesto que
puede ser un motor d...
Preocupaciones por la Privacidad
1) Legalmente, el usuario debe consentir, para cookies y uso de
sus datos. Por lo tanto h...
6
Business Analytics y Ciencia de datos
8
BI vs Business Analitics
• Descriptiva Informes simples o cuadros de mando con números sobre lo
que pasó en el pasado.
•...
9
Ciencia de Datos: Diseñar y validar Modelos Analíticos
Definición Objetivo
de Negocio
Recepción de
Datos Históricos
Dete...
10
Puesta en Producción: Automatizar la Analítica
Diseño del
Modelo
Lanzamiento
Piloto
Implementación
Operativa
Casos
• Media: Gestión de Audiencias Multiplataforma
• Marketing: Personalización de mensajes
• Retail: Venta Omnicanal
• ...
Solución – Gestión de Audiencias Multicanal
Vision Unificada – Mapa de Conocimiento de Audiencias de TV
Segmentación – Ciclo de vida de Espectadores
Automatización – Acciones de comunicación individualizadas
Recomen
dación
Usuarios
Segmen-
tados
Definición de las
Reglas ...
Solución – Marketing Personalizado
17
1.Implementación Operativa: Social Login & Register
Usuarios
existentes
Nuevos
Leads
CRM
enriquecido
Integración Aplica...
18
2.Implementación Operativa: Detección de Influencers
CRM inicial Ejecución
Modelos
Usuarios
existentes
Nuevos
Leads
CRM...
19
3.Implementación Operativa: Campañas segmentadas
Segmen-
tación
Usuarios
Segmen-
tados
Motor
emailing
Definición de las...
20
4.Implementación Operativa: Mensajes Personalizados
Tracking
Usuarios Recomen-
daciones
Captación de las
Interacciones ...
Solución – Retail : Venta Omnicanal
22
Retail omnicanal
Para el Consumidor ya no existe diferencia entre los mundos
online y “físico”
Conseguir la satisfacció...
23
Los canales de Contacto en Retail Omnicanal
WEB
MOVIL
PUNTO DE VENTA
EMAIL
24
La experiencia de usuario en Retail Omnicanal
Descubrir el producto y Recomendaciones
Busqueda, Crossselling, Upselling, Premium, Long tail
Promociones dirigidas por Interés – Incrementa Conversión
Solución – Industria 4.0: Mejora indicadores OEE
28
OBJETIVO: Reducir el número de paros
improvistos que afectan a la DISPONIBILIDAD
El caso que nos ocupa ahora
consiste:
...
29
OBJETIVO: Reducir el número de paros
improvistos que afectan a la DISPONIBILIDAD
• Transmisión constante
de información...
Solución – Seguros: Reducir tasa de IMS
31
Problema: Reducir la tasa de IMS
1. Impacto en negocio: Los expedientes terminados en IMS tienen impacto
directo en cue...
32
Propuesta: sistema automático de selección
1. Análisis de historico: Detectar patrones de IMS.
2. Entrenamiento de Mode...
33
Solución: Múltiples Capas de Predicción
1. Predicción de positivos: Detectado un segmento de positivos con alta
tasa de...
34
Capas de Analítica para Predicción Expedientes IMS
Condición inicial
Capa 1 Detectar SI
Capa 2
Capa 32 Prob Si.
Descart...
35
Implementación Operativa
Condición
inicial
Ejecución
Modelos
Exp Si
Exp
Prob.Si
Revisión
Expedientes
Suministro de los
...
36
Mecanismo de Entrenamiento Periódico
Exp últimos
5 años
Entrena-
miento
de
Modelos
Modelo
Positivos
Modelo
Negativos
Mo...
La Tecnología – Data Analytics and
Automation Platform
Konograma
Analytics Report Action
Big Data
LA PLATAFORMA: VISION GLOBAL
Learning
Online Data
Device Data
Offline Data
Soci...
39
Analytics: Generar conocimiento de los datos
ANALIZAR SU INFORMACIÓN DE VALOR
Mediante metodologías de Data Science y a...
40
Report: Explorar y Visualizar los resultados
VEA EL VALOR EN SUS DATOS
Máxima comprensión gracias a elementos como barr...
41
Action: Decisiones en Tiempo Real
PROGRAME ACCIONES AUTOMATICAS
Motor inteligente mediante reglas paramétricas de decis...
42
Learning: El ciclo de Mejora Continua
Nueva
Muestra Predicción Hipótesis
Sist.experto Acción
Modelo
Indicador
de éxitoA...
DMZ
Access Management
Licensing &
Entitlement
Intranet
API & http Server
Arquitectura de la Plataforma : escalabilidad y s...
Jordi Gilabert
jgilabert@konodrac.com
The Business Analytics Cloud Platform
Upcoming SlideShare
Loading in …5
×

Big Data para procesos. De TV3 a cualquier PYME

158 views

Published on

Presentación realizada por Pablo Sarrias CEO de OpenSeneca en la Masterclass del 19 de diciembre del Master Open Big Data Management de la Euncet.

Published in: Data & Analytics
  • Be the first to comment

Big Data para procesos. De TV3 a cualquier PYME

  1. 1. Big Data para procesos Convertir los Datos en Acciones para mejorar su Negocio Febrero 2017
  2. 2. Datos y Privacidad
  3. 3. Que son los datos de “1st Party”? • Es la información que la empresa recolecta directamente sobre sus operaciones y las personas que interactúan • Es la información de más valor que se puede recolectar y se convierte en un poderoso recurso para Big Data y analitica de negocio.
  4. 4. Protección de Datos (Ludivoc Levy de Orange Telecom) • La protección de datos es necesaria puesto que puede ser un motor de negocio (más conocimiento de cliente o proceso, co-innovación del servicio) • Protección empieza por la transparencia (Autorizar) • Implica participar al usuario (Escoger, Decidir, Recompensar) • El ecosistema debe estar pensado para compartir datos (por lo tanto privacidad por diseño)
  5. 5. Preocupaciones por la Privacidad 1) Legalmente, el usuario debe consentir, para cookies y uso de sus datos. Por lo tanto hagámoslo. 2) Un negocio digital, dirigido por datos y centrado en el cliente debe ganar la confianza de sus usuarios para recoger los datos de una forma transparente. 3) Usan Gmail o otros servicios de Google? Por favor, lean su politica de privacidad. ( https://www.google.com/intl/en/policies/privacy/ “Our automated systems analyze your content (including emails) to provide you personally relevant product features”) 4) Quiere saber quien maneja sus datos? Pruebe “lightbeam” para firefox.
  6. 6. 6
  7. 7. Business Analytics y Ciencia de datos
  8. 8. 8 BI vs Business Analitics • Descriptiva Informes simples o cuadros de mando con números sobre lo que pasó en el pasado. • Predictiva Utilizar modelos estadísticos sobre datos sobre el pasado para predecir el futuro. • Prescriptiva Crear recomendaciones sobre cómo los trabajadores pueden tomar decisiones en sus trabajos. • Automatizada Las decisiones no son hechas por humanos, sino por computadoras de forma automática.
  9. 9. 9 Ciencia de Datos: Diseñar y validar Modelos Analíticos Definición Objetivo de Negocio Recepción de Datos Históricos Determinar la Granuralidad y Segmentación Limpieza, Normalización y Categoriazación Selección de características Base teórica de Algoritmos ML a aplicar Entrenamiento del Modelo Evaluación y validación de resultados
  10. 10. 10 Puesta en Producción: Automatizar la Analítica Diseño del Modelo Lanzamiento Piloto Implementación Operativa
  11. 11. Casos • Media: Gestión de Audiencias Multiplataforma • Marketing: Personalización de mensajes • Retail: Venta Omnicanal • Industria: Mejora indicadores OEE • Seguros: Reducir tasa de IMS
  12. 12. Solución – Gestión de Audiencias Multicanal
  13. 13. Vision Unificada – Mapa de Conocimiento de Audiencias de TV
  14. 14. Segmentación – Ciclo de vida de Espectadores
  15. 15. Automatización – Acciones de comunicación individualizadas Recomen dación Usuarios Segmen- tados Definición de las Reglas de Negocio Ejecución Cloud de los modelos de Recomendación Generación Listas Ejecución de campañas SmartTV ADS
  16. 16. Solución – Marketing Personalizado
  17. 17. 17 1.Implementación Operativa: Social Login & Register Usuarios existentes Nuevos Leads CRM enriquecido Integración Aplicaciones de usuario Web/movil para autorización Social Generación y actualización de los registros enriquecidos Seguimiento in-house de los resultados CRM Candidatos
  18. 18. 18 2.Implementación Operativa: Detección de Influencers CRM inicial Ejecución Modelos Usuarios existentes Nuevos Leads CRM enriquecido Suministro de los registros CRM Ejecución Cloud de los modelos de Matching Devolución de los registros enriquecidos Seguimiento in-house de los resultados CRM Candidatos
  19. 19. 19 3.Implementación Operativa: Campañas segmentadas Segmen- tación Usuarios Segmen- tados Motor emailing Definición de las Reglas de Negocio Ejecución Cloud de los modelos de Segmentación Generación Listas Ejecución de campañas multicanal Motor SMS Motor Push nativo
  20. 20. 20 4.Implementación Operativa: Mensajes Personalizados Tracking Usuarios Recomen- daciones Captación de las Interacciones de usuarios Ejecución Cloud de los modelos de Recomendación según comportamiento e intereses Generación Listas individualizadas Aplicaciones de Usuario ADS API API
  21. 21. Solución – Retail : Venta Omnicanal
  22. 22. 22 Retail omnicanal Para el Consumidor ya no existe diferencia entre los mundos online y “físico” Conseguir la satisfacción y fidelidad de los clientes implica asegurar la mejor experiencia de usuario a través de todos los puntos de “contacto” Para las empresas del sector Retail, ello implica establecer mecanismos que mantengan siempre ”conectadas” ambas realidades de forma transparente para el cliente.
  23. 23. 23 Los canales de Contacto en Retail Omnicanal WEB MOVIL PUNTO DE VENTA EMAIL
  24. 24. 24 La experiencia de usuario en Retail Omnicanal
  25. 25. Descubrir el producto y Recomendaciones Busqueda, Crossselling, Upselling, Premium, Long tail
  26. 26. Promociones dirigidas por Interés – Incrementa Conversión
  27. 27. Solución – Industria 4.0: Mejora indicadores OEE
  28. 28. 28 OBJETIVO: Reducir el número de paros improvistos que afectan a la DISPONIBILIDAD El caso que nos ocupa ahora consiste: Calendario de la máquina (horas de producción) Paros Previstos (horas de mantenimientos preventivos) Disponibilidad teórica vs Disponibilidad real QUE CAUSAS han generado un paro imprevisto? (eléctrico, mecánico, hidráulico,…) QUE PATRON de configuración determina que el riesgo de avería aumente? CUANDO se debe anticipar el mantenimiento preventivo?
  29. 29. 29 OBJETIVO: Reducir el número de paros improvistos que afectan a la DISPONIBILIDAD • Transmisión constante de información sobre la OF. • Fuentes: operario & máquina. • Monitorización en tiempo real del estado de las OF activas • Elaboración de informes Planta • Creación de la OF • Transmisión de datos • Información y seguimiento de la OF por el operario Sistema principal (ERP)
  30. 30. Solución – Seguros: Reducir tasa de IMS
  31. 31. 31 Problema: Reducir la tasa de IMS 1. Impacto en negocio: Los expedientes terminados en IMS tienen impacto directo en cuenta de resultados. 2. Medidas paliativas: Supervisar los expedientes para seguimiento del proceso. 3. Selección de expedientes: Realizado manualmente en base a ‘expertise’ personal de los expertos
  32. 32. 32 Propuesta: sistema automático de selección 1. Análisis de historico: Detectar patrones de IMS. 2. Entrenamiento de Modelos: Validación de algoritmos y entrenamiento de los modelos predictivos mediante machine learning. 3. Selección mediante analítica predictiva: Implementación de los modelos para seleccionar automáticamente expedientes ‘candidatos’ a IMS
  33. 33. 33 Solución: Múltiples Capas de Predicción 1. Predicción de positivos: Detectado un segmento de positivos con alta tasa de predictibilidad. 2. Predicción de negativos: Descartar los segmentos de de expedientes negativos y de impredecible detección. 3. Ranking de Probabilidad: Clasificar el resto de expedientes con un coeficiente de probabilidad IMS
  34. 34. 34 Capas de Analítica para Predicción Expedientes IMS Condición inicial Capa 1 Detectar SI Capa 2 Capa 32 Prob Si. Descartar NO Prob No Entrada
  35. 35. 35 Implementación Operativa Condición inicial Ejecución Modelos Exp Si Exp Prob.Si Revisión Expedientes Suministro de los expedientes abiertos Ejecución Cloud de los modelos predictivos (inmediato: velocidad aprox. 1.000 exp X minuto) Devolución de los expedientes clasificados Seguimiento in-house de los resultados
  36. 36. 36 Mecanismo de Entrenamiento Periódico Exp últimos 5 años Entrena- miento de Modelos Modelo Positivos Modelo Negativos Modelo Probables Suministro del histórico de expedientes cerrados Ejecución Cloud del entrenamiento de los modelos (24 horas) Modelos predictivos actualizados
  37. 37. La Tecnología – Data Analytics and Automation Platform
  38. 38. Konograma Analytics Report Action Big Data LA PLATAFORMA: VISION GLOBAL Learning Online Data Device Data Offline Data Social Data Open Data WebApp CRM ERP BPM- Orchestor Social Networks
  39. 39. 39 Analytics: Generar conocimiento de los datos ANALIZAR SU INFORMACIÓN DE VALOR Mediante metodologías de Data Science y algoritmos de Inteligencia Artificial, procesamos información de distintas fuentes y generamos modelos matemáticos de: • Predicción mediante aprendizaje • Clasificación y Segmentación autónoma • Recomendaciones personalizadas • Descubrimiento de patrones • Detección de anomalías
  40. 40. 40 Report: Explorar y Visualizar los resultados VEA EL VALOR EN SUS DATOS Máxima comprensión gracias a elementos como barras, histogramas, pasteles, mapas, gráficos de líneas y puntos. • Plataforma flexible de análisis y visualización para todos los miembros del equipo • Paneles de control con la información ejecutiva actualizada en tiempo real • Interfaz intuitivo basado en web para diferentes perfiles de usuarios • Facilidad para generar, almacenar y compartir reportes con clientes y proveedores de forma instantánea y segura. • Exportación parcial de los datos a formatos estándar.
  41. 41. 41 Action: Decisiones en Tiempo Real PROGRAME ACCIONES AUTOMATICAS Motor inteligente mediante reglas paramétricas de decisiones en tiempo real para maximizar los indicadores objetivo del negocio: • Aprovechar Oportunidades • Neutralizar amenazas • Adaptar la oferta a la demanda • Acciones basadas en contexto • Cumpliendo con sus políticas de actuación
  42. 42. 42 Learning: El ciclo de Mejora Continua Nueva Muestra Predicción Hipótesis Sist.experto Acción Modelo Indicador de éxitoAprendizaje Politicas SEGUIMIENTO DEL IMPACTO Re-entrenamiento de modelos para mejorar la eficiencia del sistema dirigido por los indicadores clave.
  43. 43. DMZ Access Management Licensing & Entitlement Intranet API & http Server Arquitectura de la Plataforma : escalabilidad y seguridad Internet Access management API & http Server Big Data DB Cluster Distributed RT Engine API & http ServerLoad Balanced Access managementLoad Balanced Reports & Dashboards API & http ServerAPI & http ServerLoad Balanced
  44. 44. Jordi Gilabert jgilabert@konodrac.com The Business Analytics Cloud Platform

×