Los datos son un recurso valioso en un mercado en constante cambio como el actual. Para los profesionales de las empresas, saber como interpretar y comunicar los datos son habilidades que pueden ayudar en la toma de decisiones.

“La habilidad de extraer conclusiones partir de los datos para la toma de decisiones es fundamental pero no todas las empresas pueden contratar personas que cuenten con ellas”, afirma el profesor Jan Hammord de la Harvard Business School, que imparte el curso online Business Analytics. “Es el rumbo que está tomando el mundo”.

Antes de echar un vistazo a cómo algunas compañías están exprimiendo el poder de los datos, es importante tener un conocimiento básico de cuál es el significado del término “business analytics”.

¿Qué es el Business Analytics?

El término Business Analytics se refiere al uso de las matemáticas y la estadística para extraer conclusiones de los datos para tomar mejores decisiones empresariales.

Hay cuatro tipos fundamentales de business analytics: descriptiva, predictiva, diagnostica y prescriptiva.

La analítica descriptiva es la interpretación de los datos históricos para identificar tendencias y patrones mientras que la analítica predictiva se centra en utilizar la información para predecir resultados futuros. La analítica diagnóstica puede utilizarse para identificar la causa de un problema. En la analítica prescriptiva se emplean testeos y otras técnicas para determinar qué resultado será el mejor en un escenario dado.

Profesionales de todos los sectores emplean métodos basados en los datos para tomar decisiones informadas.

Business Analytics vs. Data Science

Es importante resaltar la diferencia entre business analytics y data science. A pesar de que ambos procesos hacen uso de los datos para resolver problemas empresariales, son campos diferentes.

El objetivo principal del business analytics es extraer información valiosa de los datos para guiar la toma de decisiones, mientras que el data science se basa en convertir los datos en bruto en conclusiones significativas por medio de algoritmos y modelos estadísticos. Los analistas participan en tareas como la gestión de presupuestos, predicciones y desarrollo de producto, mientras que los data scientists se encargan de tratar con los datos, programación y la elaboración de modelos estadísticos.

Aunque constan de diferentes funciones y procesos, ambas son fundamentales para las empresas en el panorama actual. A continuación cuatro ejemplos de empresas que han utilizado el business analytics en su beneficio.

EJEMPLOS DE USO DEL BUSINESS ANALYTICS

Según una reciente encuesta de McKinsey, cada vez más empresas afirman utilizar la analítica para seguir creciendo. A continuación cuatro empresas alineadas con esta tendencia que están utilizando los datos a la hora de tomar decisiones.

1. Aumentando la productividad y la colaboración en Microsoft

Para el gigante tecnológico Microsoft, la colaboración es fundamental en un entorno de trabajo productivo e innovador.

Tras el traslado de las oficinas de su grupo de ingenieros en 2015, la empresa buscó entender cómo el fomento de las interacciones cara a cara entre el personal, podía impulsar el rendimiento de los empleados y ahorrar dinero.

El equipo de analítica de Microsoft tenía la hipótesis de que trasladando al grupo de 1.200 personas de un edificio de 5 plantas a uno de 4 podría mejorar la colaboración, reduciendo el número de empleados por edificio así como la distancia que la plantilla tenía que recorrer para las reuniones. Esta sospecha venía dada en parte por un estudio anterior de la propia compañía que concluyó que es más probable que las personas colaboren cuando están más cerca unas de otras.

En un artículo de la Harvard Business Review, la empresa publicó los resultados observados tras la redistribución. Basándose en los metadatos de los calendarios de los empleados, el equipó descubrió que el tiempo de tránsito disminuyó un 46%, lo que se tradujo en un total de 100 horas ahorradas por semana entre todos los miembros reubicados y supuso un ahorro total de unos 520,000$ anuales.

Los resultados también sugerían que los equipos se reunían más a menudo debido a la mayor proximidad, aumentando de 14 a 18 la media de reuniones semanales de cada trabajador. Por el contrario la duración media de las reuniones se redujo de 0.85h a 0.77h. Ambos descubrimientos combinados, indicaban que la reubicación de los empleados aumentó la colaboración a la vez que se mejoró la eficiencia.

Para Microsoft, la información obtenida de este análisis puso de manifiesto la importancia de las interacciones personales y ayudó a la empresa a entender como una planificación detallada de los espacios de trabajo puede significar un ahorro de tiempo y costes significativo.

2. Mejorando la atención al cliente en Uber

Ofrecer la mejor experiencia de usuario es una de las principales prioridades de la empresa de transportes Uber. Para agilizar sus procesos de atención al cliente, la empresa desarrolló COTA (Customer Obsession Ticket Assistant) a principios de 2018, una herramienta que utiliza aprendizaje automático y procesamiento del lenguaje natural para ayudar a mejorar la velocidad y la eficiencia con la que sus agentes responden a los tickets de soporte.

La implementación de COTA arrojó resultados positivos. La herramienta redujo el tiempo de resolución de incidencias un 10%, y su éxito llevó al equipo de ingenieros de Uber a buscar formas de mejorarlo.

En la segunda iteración del producto, COTA v2, el equipo se centró en integrar una arquitectura de deep learning que soportase el escalado de la empresa a medida que crecía. Antes de publicar la actualización, Uber realizó un test A/B  un método que se utiliza para comparar los resultados de dos posibles elecciones (en este caso COTA v1 y COTA v2).

Antes de realizar el test A/B, tanto el grupo de sujetos como el grupo de control utilizaron la primera versión de COTA durante una semana. A continuación se otorgó acceso al grupo a la v2 de COTA iniciando así la fase del testeo A/B que duró un mes, mientras el grupo de control seguía utilizando la v1.

Los resultados mostraban una reducción de cerca de un 7% del tiempo medio de respuesta en comparación el grupo de control, indicando que el uso de la v2 suponía un aumento en la velocidad y precisión de las recomendaciones. También se observó un aumento significativo de las puntuaciones de satisfacción.

Gracias al test A/B, Uber determinó que la implementación de COTA v2 no solo suponía una mejora del servicio de atención al cliente, si no que ahorraría millones de dólares agilizando el proceso de resolución de incidencias.

3. Previsión de pedidos y recetas en Blue Apron

Para el servicio de reparto de kits de comida a domicilio Blue Apron, entender el comportamiento del cliente y sus preferencias es algo de vital importancia. Cada semana, la empresa presenta a sus subscriptores un menú fijo de comidas disponibles y sus empleados realizan un análisis predictivo para predecir la demanda con el objetivo de utilizar los datos para evitar el deterioro de los productos y cumplir con los pedidos.

Para realizar estas predicciones, Blue Apron utiliza algoritmos que tienen en cuentas distintas variables que normalmente pertenecen a tres categorías: relativas al cliente, relativas a la receta y relativas a la estacionalidad. Las características relativas al cliente describen los datos históricos con la frecuencia de pedidos de un usuario determinado y las relativas a las recetas con las recetas pedidas en pedidos anteriores, permitiendo a la empresa inferir cuáles son las recetas más probables que pida en un futuro. En el caso de las características estacionales, se tienen en cuenta patrones que pueden determinar variaciones en el ratio de pedidos en función de la época del año.

A partir de un análisis de regresión (un método estadístico utilizado para examinar la relación entre variables) el equipo de ingenieros de Blue Apron pudo medir con éxito la precisión de sus modelos de predicción. El equipo reportó que en promedio la diferencia entre los valores predichos y observados era menor del 6%, indicando un alto nivel de precisión de predicción.

Haciendo uso de un análisis predictivo para entender mejor a sus clientes, Blue Apron mejoró su experiencia de usuario, identificó como los gustos de sus subscriptores cambian con el tiempo y detectó cómo influye un cambio en la oferta en las preferencias de sus clientes.

4.  Análisis de los consumidores PepsiCo

Los consumidores son un elemento crucial para una multinacional de alimentos y bebidas como PepsiCo. La empresa provee a clientes en más de 200 países en todo el mundo, sirviendo a 1.000M de consumidores cada día. Para asegurarse de que están disponibles para sus consumidores en las distintas localidades las cantidades y tipos adecuados de productos, PepsiCo utiliza el Big Data y la analítica predictiva.

PepsiCo desarrollo una plataforma en la nube para el análisis de los datos llamada Pep Wor. La plataforma les sirvió para tomar decisiones informadas de cara a la comercialización de sus productos. Con Pep Worx, la empresa identifico qué tiendas de los Estados Unidos son más probables que se interesasen en productos específicos de la marca.

Por ejemplo, Pep Worx permitió a PepsiCo distinguir 24 millones de almacenes de entre sus 110M que tenían más posibilidades de estar interesados en un producto específico de su catálogo. La empresa identificó los vendedores en función de su ubicación y el perfil de su clientela habitual. Un año después de la campaña esos clientes se tradujeron en un aumento del 80% en las ventas del producto.

El análisis de los consumidores de PepsiCo es un ejemplo fantástico de cómo la toma de decisiones basadas en los datos puede ayudar a las empresas a maximizar sus beneficios.

Desarrollando una mentalidad basada en los datos

Tal y como ponen de manifiesto los ejemplos anteriores, la analítica de datos puede ser una herramienta muy poderosa para empresas que buscan crecer y mejorar sus servicios y operaciones.

Si tu también quieres descubrir hasta qué punto puede ayudar a tu empresa la analítica de datos, en Elitek Solutions estaremos encantados de ayudarte, ponte en contacto con nosotros y cuéntanos tu idea.

Fuente original: Examples of Business Analytics in Action | HBS Online