En qué consiste una auditoría de datos

En qué consiste una auditoría de datos

Data Quality

Auditoría de datos

Sin buenos datos no hay buenas decisiones: necesitamos una base de conocimiento de calidad para tener la certeza de que cualquier medida que sirva para el crecimiento de nuestra empresa, esté perfectamente fundamentada. De esta manera, tanto el presupuesto como las acciones destinadas a ello podrán estar plenamente justificadas y estaremos 100% seguros de que nos pueden reportar beneficios.

Es por ello por lo que sin una garantía de que cada proceso data se está llevando a cabo de forma correcta, sin ese 100% de seguridad que no nos haga dudar de cualquier decisión, lo que debería ser claridad y precisión se vuelve incertidumbre. Para poner remedio a esta situación existe la auditoría de calidad de datos: un primer paso imprescindible para toda estrategia de data governance y, por tanto, para el crecimiento de nuestro negocio.

 

¿Qué es una auditoría de datos?

Retomando el muy visual concepto de data health o salud de los datos, una auditoría data quality sería el diagnóstico que nos permite conocer la medicación (la estrategia de gobierno de datos) que permite que cualquier dato introducido en nuestras bases, sea de calidad como para poderlo usar como información útil.

Así, la auditoría es el primer paso necesario para desplegar una estrategia que nos va a llevar a confiar en cada uno de los datos que forma el conocimiento de nuestra empresa, de nuestro entorno y sector, indicándonos nuestros puntos a mejorar para que, cualquier dato obtenido de nuestra empresa, sea de calidad.

¿Y cuándo realizarla? La respuesta a esta pregunta es sencilla: desde el momento en el que “desconfiamos” de que los datos que obtenemos sean válidos para cualquier estrategia, pero no sabemos exactamente en qué estamos fallando. La auditoría de calidad de datos es la metodología que nos va a detectar dónde se encuentra el error que impide un total data quality.

 

¿Cuándo iniciar una auditoría de datos?

Tal como acabamos de indicar, una auditoría es lo más indicado al momento en el que hay sospechas de que algo no va bien con nuestros datos, ya sea porque no obtenemos los resultados esperados, porque no sabemos qué hacer con la información obtenida o porque surgen trabas a la hora de procesarla.

Pero no necesariamente tenemos que intuir el error para buscar dónde se encuentra: trabajar con big data siempre va a acarrear riesgos en su gestión si no tenemos un plan detallado o una estrategia data governance previamente planteada. Al momento que nos encontramos con grandes flujos de información, numerosas fuentes de datos y diferentes departamentos que interfieran en ellos, crecen las probabilidades de que los buenos datos pierdan visibilidad a la par que otros datos vayan perdiendo calidad por no ser correctamente atendidos (por ejemplo al duplicarse, no actualizarse, completarse, etc.). En este caso la auditoría nos marca dónde actuar para que ninguno de estos factores negativos que afectan al dato, entren en el flujo de la empresa.

Por otra parte, una auditoría también se plantea como una medida de prevención y tratamiento excelente para nuestros datos cuando iniciamos procesos que los puedan intervenir o modificar. Es el caso de migraciones a cloud, incorporación de nuevas herramientas de recolección, gestión y/o tratamiento, etc.

Cuando abordamos estos procesos, corremos el riesgo de que, si no se hace de forma integral o siguiendo una estrategia de gobierno del dato, se pierdan datos, se modifiquen o simplemente traslademos información vacía, caduca e inútil como si fuera válida. Una auditoría previa nos marcaría cómo evitar ensuciar las nuevas bases.

Por último, hay una clave aplicable no solo a este servicio, sino a todos los que involucra trabajar con datos: el tiempo. Si tenemos la sensación de que no estamos invirtiendo el tiempo de nuestra plantilla adecuadamente, es que algo se está haciendo mal.

 

Una Auditoría Data Quality te marcará antes de que te lo encuentres, donde se encuentran los errores que se producen con tus datos, ahorrándole tiempo a tus técnicos y previendo los efectos que pudieran tener en tus bases

 

¿Cuánto nos puede costar una hora de un data scientist? Trabajos tan técnicos como los de estos perfiles son oro en la organización, y sin embargo, según un estudio de Harvard Business Review, este tipo de profesional destina de media el 60% de su tiempo a limpiar bases. ¿No resultan demasiadas horas para una tarea que se puede / debería automatizar?, ¿no estaría el fallo del por qué tanto tiempo invertido, en fallas en los procedimientos de tratamiento de los datos?

Este tipo de indicadores nos deberían alertar de que algo no se está haciendo bien, y ya no hablamos de que un contacto de marketing aparezca duplicado, sino miles de euros al año que se van en simplemente detectar y borrar ese duplicado en el mejor de los casos, contactarlo dos veces y que se incomode por ello en el peor.

La utilidad de la auditoría y cuándo debemos plantearla por tanto se responde con un simple planteamiento: cuando sentimos que algo no se está haciendo bien y repercute en el balance de la empresa.

 

¿Cómo se lleva a cabo una auditoría de datos?

 

Tenemos el qué, el cuándo, el por qué y el quién. Solo nos queda el cómo abordamos la auditoría para garantizarnos dar con la solución que nos permita devolver el valor de los datos a nuestro negocio.

Una de las virtudes de la auditoría es que no requiere desplegar equipos ni intervenir en el día a día de los procesos que lleves a cabo con los datos: no tiene sentido que un proceso de detección de errores intervenga en ellos propiciándolos, como ocurriría con un método invasivo que paralizara tu producción.

Para ello, simplificamos la metodología en tres fases:

 

Perfilado de datos

Tomamos una muestra de los datos con los que se trabaja frecuentemente en tu empresa, los exportamos sin intervenir en ellos y permitiendo su uso en todo momento y, mediante herramientas y procesos concretos como el data profiler, detectamos los errores.

 

Análisis e Informe

Los aspectos analizados de todo tu entorno data se reflejan en un informe donde podrás localizar qué está fallando en cómo tratas los datos de tu empresa, dónde se encuentran esos errores y en qué medida afecta a tu estrategia global de tratamiento de datos.

 

Propuesta de solución

De forma complementaria al informe, se ofrece la medida que permitiría resolver cada error: ya sea aplicando una herramienta, un procedimiento, migrar a cloud o directamente desplegar una completa estrategia de data quality, según interpreten nuestros profesionales la información contenida en el informe.

Con ello, estamos tratando la auditoría de calidad de los datos como el guion, la escaleta, que nos lleva al dato perfecto: aquel que sin dar lugar a la duda nos permite el crecimiento como empresa.

Analiza tus datos

Pasos para establecer un plan de Data Governance

Pasos para establecer un plan de Data Governance

Data Governance

Data governance

Un plan de data governance tiene un claro objetivo: establecer el entorno data adecuado para una mejor toma de decisiones. Es decir, una gestión activa y eficaz del ciclo de vida del dato para que de él se pueda obtener la máxima información posible.

Para ello, no basta con desplegar las herramientas que lo posibilitan: debemos ser capaces de coordinar todos los elementos que involucran la producción de datos en la empresa. Esto incluye tanto metodologías, como tecnología y personal a cargo. ¿Cómo hacerlo posible?

 

Objetivos del gobierno del dato

Mejorar cómo tomamos las decisiones que involucran el crecimiento de la empresa suena bien pero ¿únicamente desplegamos todo un plan para mejorar nuestros conjuntos de datos? Resumir un programa de data governance a este fin es dejar de mejorar aspectos vitales en la empresa como:

  • Aumentar el valor del dato: los procesos desplegados aseguran que cualquier dato en nuestra organización, está basado en criterios de calidad, con todo lo que ello implica.
  • Reducir riesgos al mínimo: un dato de calidad solo puede serlo si es seguro y no contiene errores, lo cual permite trabajar con él sin que tenga consecuencias imprevistas en este sentido.
  • Reducir la fricción organizativa: la fricción se define como la pérdida de recursos por un desempeño poco eficaz en una tarea. Trabajar con datos sin coordinación entre los diferentes actores que lo producen, puede suponer que se intervenga en él restándole valor, y trasladando esta ineficacia al resto de plantilla que lo utiliza.
  • Garantizar la transparencia de los procesos de producción de datos: un dato gobernado es un dato al que se le puede seguir su recorrido, conociendo cómo se ha producido y quienes han intervenido en él, de forma que esté perfectamente documentado y no produzca incertidumbre.
  • Implicar a toda la plantilla: como consecuencia de los dos puntos anteriores, un buen plan de data governance tiene como resultado que todos los equipos conocen y son capaces de trabajar con datos, aunque no sepan a priori de dónde provienen (por procesos de IT, campañas de marketing / ventas, etc.).
  • Reducir costes: un buen plan de data governance asegura que todo dato producido, es un dato válido. Este hecho reduce costes en el sentido de que no perdemos, ni hacemos perder tiempo a la plantilla en limpiar bases o producir datos de dudosa efectividad, además de reducir riesgos en las tomas de decisiones relevantes y, por tanto, evitar decisiones mal fundamentadas que produzcan pérdidas (de tiempo y dinero).

Cuándo necesitamos un plan de data governance

Dando un vistazo a los objetivos de un plan de gobierno del dato, ya nos podemos hacer una idea de los amplios beneficios que reporta, por lo que la respuesta más sencilla a cuándo necesitamos un plan de data governance es simplemente, al momento en el que trabajamos con datos y queremos obtener lo mejor de ellos en todo momento.

No obstante, a nivel organizacional y como medida de planificación, existen casos muy concretos en el que el data governance deja de ser una mejoría de los procesos a una necesidad imperante. Se da en los siguientes casos:

  • Pasamos de bases de datos controladas a un entorno big data, en el que las fuentes de ingesta de datos son numerosas, los departamentos que trabajan en ellas diferentes entre sí, y se establecen diferentes tareas multifuncionales en torno a la gestión del dato.
  • Contamos con la figura del arquitecto de datos, data scientist o cualquier otra labor relacionada específicamente con la gestión del dato, y que, en consecuencia, necesitan de un plan y de las herramientas adecuadas para llevarlo a cabo de forma ordenada.
  • No conocemos la trazabilidad de los datos ni tenemos documentado o procedimentado el origen de cada uno de ellos, lo cual nos crea (o nos debe crear) cierta desconfianza sobre su validez.
  • No tenemos coordinado ni integrado el ecosistema de herramientas y metodologías que actúan en la producción, gestión y explotación de datos de forma que es imposible contrastarlo y hay riesgo de duplicidades, accesos no autorizados, pérdidas de tiempo notable acudiendo a las diversas fuentes, etc.
  • Debemos mejorar y asegurar el cumplimiento de la normativa legal respecto a los datos (RGPD, LOPD, etc.).

 

Cómo establecer un plan de data governance en 5 pasos

Tanto si queremos asegurar trabajar con datos de calidad, como si queremos poner orden en conjuntos caóticos en los que no se conoce de dónde proviene la información y si es 100% fiable, contar con un equipo que gestione el gobierno de datos es el punto de partida necesario para poder desplegar un plan de data governance sólido y duradero.

Los programas de data governance están diseñados para preparar reglas para una empresa en cuanto a gestión del dato y para poder solucionar cualquier problema que pueda surgir con respecto a los datos que se trabajan en la organización. También aseguran el cumplimiento de RGPD, informan sobre quiénes son los responsables de los datos y quiénes pueden trabajar sobre ellos. En estos programas debemos basar los cimientos de las siguientes fases del gobierno del dato:

 

#1 Determina el grado de ambición del proyecto

Insistimos en lo que supone data governance: el gobierno del dato implica todo proceso que se despliega desde que el dato se produce, hasta que se trabaja con él convertido en información. Por lo tanto, un gobierno integral supone intervenir en prácticamente toda la actividad de la empresa.

Según el grado de transformación digital en el que se encuentre la empresa (avanzado o por iniciar), se puede establecer un plan de forma integral, o interviniendo únicamente en las fases en las que nuestra organización resulte menos productiva.

También depende de las herramientas con las que ya trabajemos y el ecosistema data previamente existente: no es lo mismo coordinar y centralizar distintas herramientas que ya trabajan de forma eficaz en las diferentes fases del viaje del dato, que hacerlo con metodologías desfasadas, almacenes de datos caóticos y/o plantillas que desconocen la forma en la que la información les llega.

Con toda esta información sobre la mesa previamente, se puede diseñar una hoja de ruta clara, precisa y que tenga como objetivo final reducir costes y aumentar la eficacia.

 

#2 Detecta quiénes intervienen y trabajan con los datos

Tal como comentábamos en los objetivos, una de las finalidades del buen gobierno del dato es que todo departamento, toda persona implicada en la empresa en estos procesos, conozcan no solo cómo trabajar con los datos a su disposición, sino cómo se han producido y quiénes han intervenido el él.

Es por ello vital que estos actores del viaje del dato, para que se sientan cómodos y tengan la certeza que el dato es de calidad, se impliquen y se coordinen en la producción de información.

¿Quiere decir esto que desde marketing, deben tener conocimientos de IT o viceversa? Precisamente una de las finalidades del data governance es que toda la plantilla pueda trabajar con datos sin que sea “una partida de tenis”, en el que departamentos de diferente naturaleza se pasan los unos a los otros requerimientos que se retrasan por falta de entendimiento.

Así, conociendo estas necesidades, se pueden presentar en el plan de data governance herramientas cuya usabilidad y cómo presentan los datos a su usuario final, no requiera de conocimientos más allá de la rama en la que se trabaja.

 

#3 Crea roles, metodologías, responsabilidades y reglas respecto a la gestión del dato

Este paso va muy de la mano con el anterior. Una vez se tiene conciencia de quiénes intervienen en los datos en el día a día de la empresa, se debe “ordenar” esa intervención y aclarar posturas entre ellos, precisamente para que no exista esa “partida de tenis” antes referida o se generen multitud de correos para atender a una única petición.

¿Quieres una apuesta firme por el control y la producción de datos de máxima calidad? Tener las herramientas precisas es un primer buen paso, pero sin el compromiso no solo de la plantilla, sino de la dirección de la empresa, todo puede quedar en intenciones.

De nada sirve tener datos de calidad si no se sabe qué hacer con ellos, o quiénes son los encargados de obtener la información. Es por ello por lo que además de involucrar a toda la plantilla sobre la importancia del dato, se deben crear y especificar roles que mantengan “limpio” tanto el procedimiento como el resultado.

 

 #4 Facilita herramientas y coordina las preexistentes

Ya lo hemos mencionado a la hora de hablar de las necesidades de aplicar un plan de data governance y en el primer paso: su planificación. La razón de tanta insistencia es por que es un paso clave para su consecución: el gobierno del dato debe facilitar el día a día de cada miembro de la plantilla. Por ello, de nada sirve si en vez de ahorrar tiempo y aumentar la productividad, tiene “de vuelta y media” a ciertos departamentos que, constantemente, deben intervenir en las bases de datos para limpiarlas de datos difusos o poco confiables.

Si estos datos llegan a las bases, es que algo no se está haciendo bien. Por tanto, un paso primordial es automatizar procesos con herramientas fiables que aseguren que cada dato es de calidad, a la par que esa automatización, libera el tiempo de quienes con anterioridad, se encargaban de limpiar las bases de datos.

Respecto a las herramientas con las que ya contábamos (CRM, programas financieros, herramientas externas de marketing, etc.), debemos ser capaces de aunarlas para hacer disponibles los datos que tramitan a quienes lo necesitan, a la par que “invisibilizarlos” a los que no, ya sea de forma on premise, híbrida o, aún más deseable para una mejor gestión, migrando los datos a cloud.

 

#5 Audita y sigue el recorrido del viaje del dato

Has planificado, has coordinado y has implementado las herramientas necesarias, ¿Qué faltaría para “blindar” nuestro plan de data governance? Pues algo tan sencillo como comprobar su eficacia.

Es tan sencillo como que cualquier miembro de la plantilla sea capaz no solo de identificar de dónde proviene y cuál es el sentido de los datos que trabajan, sino también los del resto de la corporación, sin que ello implique poder acceder a información sensible o confidencial.

También debemos tener bajo control la accesibilidad a los datos, en el sentido de que de nada sirve almacenar durante años información, si por obsoleta, por no ser visible o simplemente por no acudir a ella, no nos aportan beneficio. Los datos, tal como ocurre con los alimentos perecederos, caducan, y nadie quiere algo caducado junto a lo que considera útil y válido.

 

¿Es complicada la puesta en marcha de un plan de gobierno de datos?

Llegados a este punto del artículo, puede que estemos abrumados de todo lo que comporta un buen plan de gobierno del dato. No es para menos: hablamos de poder fiarnos y de poder obtener el máximo provecho de cualquier información salida de la actividad de nuestra empresa y sobre las que tomamos decisiones importantes para su crecimiento y competitividad.

No obstante, todo lo descrito es un detalle paso a paso, pero se puede resumir en dos claves que, nuevamente, dependen del grado de compromiso que quieras adquirir para con los datos de tu empresa y el estado de éstos:

  • Asesoría experta: a priori, si no dispones del expertise o del equipo adecuado para ello, no es necesario que despliegues por tus propios medios el plan. La parte más importante de ello es adquirir el compromiso de la importancia que tienen los datos para la empresa y transmitirlo a la organización. El resto del plan puede quedar en manos de profesionales expertos en transformación digital que te guíen y asesoren en la medida que lo necesites, ya sea mediante servicios gestionados, proyectos llave en mano, mantenimiento y evolutivo, o mediante outsourcing.
  • Herramientas especializadas: si dispones de un entorno caótico de datos o estás comenzando con el proceso de digitalización, contar con una suite de herramientas que bajo un mismo paraguas de gestión, te facilite todo el proceso de gobierno de datos puede ser más adecuado que “ordenar” una situación ya de por sí caótica.

Tener bajo control los datos que suponen el core de tu empresa puede ser más sencillo de lo que piensas. Lo que sí te podemos asegurar, es que no tener controlada la información que maneja el día a día de tu corporación es el verdadero problema que solucionar. ¿Quieres empezar hoy mismo?

Retos del sector retail: cómo afrontar una transformación digital competitiva

Retos del sector retail: cómo afrontar una transformación digital competitiva

Soluciones de IA

Los retos del sector retail cambian constantemente: la visión artificial te ayuda a adaptarte a cada uno de ellos

No podemos hablar aún de la transformación digital como una tendencia, sino como una realidad. En 2022, el tráfico CDN (Content delivery network) se cifra en torno a los 258.000 petabytes mensuales, por lo que es una necesidad básica de todo sector que quiera ser competitivo, afrontar la gestión del big data como una de sus máximas prioridades.

Uno de los sectores más competitivos es el de la industria retailer: las principales soluciones del sector FMCG pasan por la adaptación ágil a las demandas de un mercado que cambia a cada segundo. ¿Cómo puedes afrontar estos retos del sector retail con garantías?

 

Innovar en el sector retail: una industria más adaptativa que pionera

 

 

No debemos considerar el hecho de definir un sector como adaptativo como algo negativo. De hecho, la agilidad con la que nos adaptamos al cambio es clave para las empresas, dejando aún un alto nivel de competitividad para aquellas que van más allá y apuestan por la innovación (early adopters).

Es por ello por lo que, en un sector en el que la digitalización avanza a buen ritmo, pero aún se encuentra con escollos como los vivido durante la pandemia, avanzar hacía una transformación digital en retail basada en metodologías no tradicionales, como hoy en día el uso de inteligencia artificial, aporta un nivel de diferenciación en el mercado notable.

Si a este nivel de diferenciación, sumamos el uso de herramientas que agilizan la gestión del big data y presenta la información de forma clara, precisa, concisa y con la calidad suficiente como para basar cualquier decisión empresarial relevante en ella, nos encontramos con una solución firme a cualquier reto que se presente. ¿Cuáles son los más relevantes que se presentan en los próximos años?

 

Las principales soluciones a los retos del sector retail pasan por agilizar la transformación digital

Los 5 retos del sector retail claves para los próximos años

 

 

De igual forma que no debemos hablar de transformación digital como una nueva tendencia, acotar los retos de la industria retailer a un año concreto resulta frivolizar con un fin, la digitalización, que no consiste únicamente en aplicar una solución o herramienta a nuestros procesos.

Es por ello por lo que el uso de metodologías como la inteligencia artificial, plantean umbrales tan amplios para una completa adaptación como 2025, año para el que se prevé que se destinen en torno a los 30.000 millones de euros en estrategias que hagan uso de ella.

Conocer qué retos plantea el sector para el medio plazo, nos prepara para desarrollar desde ya estrategias cuyo fin sea llegar a un estado de madurez en el uso de nuevas herramientas, mientras el resto aún está iniciándose en su implantación.

 

 

5 son los principales retos del sector retail

Reto #1: conocer mejor al cliente

 

Con el incremento del uso de nuevas tecnologías y el crecimiento del perfil de prosumidor (cliente que, mediante sus acciones o comentarios, es capaz de modificar cómo se presenta un producto o servicio), es un enorme factor competitivo conocer a la perfección a quienes usan nuestros productos y servicios, no solo para así ofrecerles lo que requieren de ellos, sino ser capaces de adelantarnos a sus propias necesidades para que, cuando surjan, seamos capaces de satisfacerlas.

 

Reto #2: fidelizar al cliente

 

En un entorno tan cambiante y competitivo, no basta con captar clientes: debemos ser capaces de retenerlos y que se conviertan en recurrentes para maximizar el beneficio. Este factor no solo asegura una fuente de ingresos continua, sino que dotado de las correctas metodologías, supone disponer de valiosas fuentes de información para la constante mejora de servicios y la detección de posibles incidencias que resolver ágilmente.

 

Reto #3: marketing a medida del cliente

 

Dirigir los mensajes comerciales a nuestro target ideal resulta cada vez más complicado pero a la vez más necesario. La razón es que nos enfrentamos a posibles clientes muy acostumbrados e insensibilizados ante información dirigida a la venta. Es por ello por lo que innovar en cómo nos dirigimos a ellos y saber cómo obtener de ellos los inputs necesarios para crecer como empresa, sin que se sienta invadido, es la clave para un marketing acorde siempre a la situación del mercado.

 

Reto #4: control de la cadena de suministro

 

Cómo llevamos a cabo la logística es un elemento enormemente diferenciador dentro del sector retail. Un equilibrio perfecto entre la previsión de la demanda y el stock disponible, así como la agilidad con la que somos capaces de proveer de nuestros productos y/o servicios, son hoy en día los máximos potenciadores entre retailers.

 

Reto #5: seguridad en cada operación de retail

 

Las empresas de retail pierden cada año en torno a los 1.800 millones por robos y fallos administrativos. Tal es el impacto, que muchas empresas ya contemplan estos datos dentro de sus partidas presupuestarias para así ser capaces de amortiguar las pérdidas. Por otra parte, no solo debemos pensar en el hurto como problema de pérdida de capital, siendo las incidencias y reclamaciones otras fuentes. Garantizar tanto la seguridad como una atención eficaz, son los puntos que mejorar para reducir tan millonaria cifra.

 

El sector retail es un entorno muy cambiante, donde la seguridad debe estar siempre presente

Tendencias en el sector retail que favorecen el cambio

 

Una vez detectados los retos a abordar en el sector, el siguiente paso es dar con las herramientas y metodologías que los resuelven. Para ello, las tendencias en retail son un buen termómetro para saber no solo qué soluciones son las más eficaces para resolver un problema, sino también poder asimilar ese perfil de “early adopter” clave para resultar innovadores y, por tanto, altamente competitivos.

 

Analítica avanzada

 

Dos de los retos planteados van en el sentido de conocer mejor al cliente, y ser capaces de prever situaciones de mercado que nos ayuden en el aprovisionamiento y la gestión del stock. Para ambos retos, la analítica, la obtención de inputs y conocimiento empresarial sobre el mercado y sobre nuestros usuarios potenciales, supone la vía que permite tomar las decisiones acertadas para alcanzar ambos fines.

El problema es que la analítica tradicional requiere de largos procesos de obtención de datos, siendo la interpretación de los resultados en ocasiones ambigua o poco exacta con la realidad al fundamentarse en información errónea o de poca calidad. Por otra parte, también es común basarnos en suposiciones de mercado o en tendencias a la hora de determinar futuras situaciones, algo poco preciso en un entorno tan cambiante.

La analítica avanzada resuelve estos problemas tan relevantes mediante metodologías como los algoritmos de optimización, modelos predictivos, prescriptivos y el uso de forecasting entre otros sistemas, que combinados con una gestión y gobierno del dato capaz de asimilar y procesamiento en entornos big data, dan como resultado la obtención de información clara, precisa, veraz y por tanto, fiable en la que guiar las decisiones relevantes de nuestro negocio.

 

 

                          La importancia de la predicción en la distribución: el caso del aceite de girasol

Un modelo de predicción de la demanda basado en metodologías tradicionales tiene como referencias datos como las tendencias de consumo y el nivel de producción. Dos inputs que, si bien son fuentes fiables, resultan poco precisas ante situaciones de incertidumbre o fuertes cambios en el mercado.

Un modelo de predicción de la demanda basado en metodologías de IA toma, además de las referencias descritas, otras tantas basadas en el comportamiento de los mercados, en reglas propias del sector, conocimiento específico del negocio, circunstancias que lo rodean, indicadores demográficos y sociales, etc. Cuanta mayores sean las fuentes de información y se interactúe con ellas, mayor la precisión de la predicción. Este factor lo podemos ver en el ejemplo de cómo la grave crisis en Ucrania ha intercedido en el precio del aceite de girasol, produciendo fuertes subidas de su coste e incluso desabastecimiento.

Un sector retail basado en metodologías tradicionales, determina el consumo y la producción de aceite de girasol (y por tanto, su oferta y demanda) en base a datos como los 184,4 millones de litros consumidos en España en 2020, o ser la segunda preferencia tras el aceite de oliva (412,7 millones de litros consumidos en el mismo periodo). Basarse en estos datos comporta que el stock de aceite de girasol no varíe significativamente de febrero a marzo de 2022.

Un sector retail basado en metodologías de inteligencia artificial, determina cuál será la oferta y la demanda en base a sumar a estos mismos datos, otros tantos como la posible escasez de producto producido por aglutinar Ucrania y Rusia, el 80% de la producción mundial de aceite de girasol; el factor de que Ucrania realice el 90% de las exportaciones por vía marítima; las 500.000 toneladas de aceite de girasol que España importa de Ucrania; la existencia de alternativa en el mercado como el aceite de soja, de mezcla de semillas, etc.; el volumen de mercado que otros productores como Argentina y Sudáfrica pueden compensar; los precios que se manejan tanto por la escasez inmediata, como por los sobrecostes de importar desde el hemisferio sur, y un largo etcétera de factores que puedan influenciar en la distribución y consumo del aceite de girasol.

Toda esta ingente cantidad de información no se presenta de forma bruta, sino que se filtra, adecua y valida para que el encargado de asegurar la continuidad de stock, pueda tenerla en cuenta y tomar decisiones sobre el abastecimiento de aceite de girasol de forma más precisa que quien se basa en las metodologías tradicionales.

Esto último es la clave de por qué el uso de IA y gestión del dato ofrece un valor diferencial amplio en el sector retail o cualquier otro sector: permite una mejor toma de decisiones basada en datos firmes, reales y fiables.        

 

 

 

Entorno data-driven

 

Lo indicábamos al comienzo del artículo: actualmente, nos enfrentamos a un ecosistema en el que se generan a diario ingentes cantidades de información. Cómo tratarla, cómo asimilarla y, sobre todo, ser capaces de distinguir e interpretar la información válida de la que no lo es, es clave para que cualquier empresa se pueda desenvolver en su día a día sin verse desbordada y sin que pierdan utilidad sus fuentes de datos.

Para ello es completamente necesario un proceso en el que cada dato se almacene, se trate y se presente para su fin concreto de forma ágil y veraz, eliminándose toda información que induzca a error. Es lo que se denomina gobierno del dato.

Este control del dato, para su óptimo funcionamiento y para potenciar su alta funcionalidad, debe ir acompañado de un entorno de herramientas y metodologías denominado data-driven, como lo son entre otros el almacenamiento en cloud, la calidad del dato, la analítica de datos self-service, etc. Todo un ecosistema que permita que trabajar con datos, sea algo rápido y muy efectivo.

 

Inteligencia Artificial y Visión Artificial

 

La historia de la inteligencia artificial está a punto de cumplir un siglo. Aun así, no ha sido capaz de encontrar su espacio en un mercado que la veía más como un “fetiche” de ciencia ficción más que como una tecnología útil y práctica para el día a día.

Con la necesidad de gestionar big data y presentar sus resultados de una forma clara y comprensible, esta visión ha cambiado hacia un uso que comienza a ser imprescindible en procesos en los que la automatización es totalmente necesaria, por no ser capaces de gestionar manualmente flujos y entradas de información que se reproducen y que están constantemente en activo.

Así, sistemas de reconocimiento facial, la analítica comportamental y la gestión de infraestructura entre otras metodologías basadas en IA y visión artificial, se están convirtiendo en aliadas para poder detectar situaciones de interés para el negocio y la obtención de información clave que, de otra forma, sería imposible captar.

 

 

                                                                          La visión artificial en el sector retail

De todas las metodologías descritas, si hay una de fácil aplicación que hoy en día tiene un alto componente competitivo y cuyo uso resuelve todos los retos del sector retail planteados, esa es la visión artificial. Con una conexión a las bases de datos y a los sistemas de CCTV disponibles en el establecimiento, se consigue entre otros beneficios:  

 

  • Anticipar acciones y corregir situaciones de estrés mediante la detección de sentimientos generados en el cliente.
    Identificar y establecer alertas ante situaciones detectadas como irregulares
  • Optimizar los recursos disponibles en cada tienda gracias a la previsión de flujos de clientes, consumo, temporalidad, etc.
  • Analizar el impacto y ROI de acciones de marketing e innovación con analítica comportamental, de sentimientos e inteligencia artificial.
  • Aumentar el ticket medio de compra diseñando acciones comerciales en base a analizar el recorrido, interés generado ante los productos, relaciones con los empleados, etc.
  • Maximizar las acciones comerciales situando estratégicamente los productos en base al recorrido, perfil de clientes, puntos calientes, volumen de ventas y estructura de cada tienda.
  • Fidelizar a los clientes conociendo en profundidad sus hábitos de compra y preferencias, lanzando campañas en base a ello.
  • Mejorar la atención a los clientes más fieles y rentables (identificados en el momento de la entrada) en base a conocer sus preferencias gracias a la identificación nominal en tiempo real (conforme a RGPD) y su histórico de interacciones.
  • Potenciar la rotación de stock en base a tener en cuenta aspectos como el recorrido de los clientes, la distribución de productos que más salida potencia, etc.  

El futuro del sector retail pasa por una comprensión íntegra de lo que sucede a su alrededor y de cada uno de los elementos que participan en su desarrollo. Por ello, la clave de cualquier metodología, herramienta o tecnología que se quiera usar para mejorar la competitividad de la industria, pasa por la interpretación de los datos. Obtén el máximo valor de cada uno de ellos y pon en el centro de cualquier decisión la información más precisa, válida, veraz, íntegra y coherente.

Por qué afecta la calidad de los datos a tu estrategia de crecimiento

Por qué afecta la calidad de los datos a tu estrategia de crecimiento

Data Quality

 

Esta pregunta se responde inicialmente con otra pregunta: ¿en qué basas cualquier decisión que implique hacer más competitiva tu empresa? Podríamos ponernos “románticos” con la respuesta y hablar de intuición, olfato para los negocios y otras cualidades subjetivas que idealizan la figura del emprendedor de éxito, pero siendo sinceros y objetivos, ningún empresario exitoso se atreve a desplegar una estrategia si ésta no está fundamentada. Y esa fundamentación, ese respaldo, solo puede venir de una vía: la calidad de los datos.

Incluso el buen olfato para los negocios (no negamos su existencia), viene del manejo de información. La intuición existe porque poseemos el conocimiento necesario para que ésta se desarrolle, y aunque en ocasiones una buena dosis de estos elementos es necesaria para innovar, la clave del éxito empresarial viene finalmente de convertir la intuición en certeza, y eso únicamente lo conseguimos con una buena calidad de los datos. ¿Cómo la garantizamos?, ¿en qué medida afecta a cualquier proceso dentro de nuestra empresa?

Calidad de los datos: un baremo preciso y necesario

¿Y cómo podemos saber si nuestros datos son de la calidad suficiente? La respuesta ya la hemos dado en la introducción: la clave está en la certeza, en el grado de fiabilidad que tiene cualquier dato que salga de nuestras bases. Podemos pensar que un dato es bueno porque “alguien” lo ha introducido y se encuentra junto a otros datos que le aportan veracidad, pero el simple hecho de que no sepamos de entrada, de dónde surge ese dato, ya nos dice mucho de su calidad…

Dicho esto, ¿serías capaz de fiarte al 100% de todos y cada uno de los datos que componen la base de conocimiento de tu empresa? Sin un proceso que así lo asegure, podemos anticiparte sin riesgo a equivocarnos que la respuesta es un no. El simple hecho de que un dato esté, no quiere decir que sea útil. De hecho sabemos que un dato es de calidad cuando es:

  • Preciso: informa con exactitud, sin crear confusión.
  • Íntegro: cuenta con información extraíble sin necesidad de apoyarse en otros datos.
  • Coherente: encaja en su contexto y resulta útil dentro de él.
  • Puntual: no debe resultar obsoleto ni incompleto al momento de ser usado.
  • Singular: debe ser único, sin duplicidades.
  • Válido: debe transmitir su uso confianza plena.

Con estas seis características sobre la mesa, ¿aún crees en la fiabilidad de cualquier dato sin tratar?

 

 

En la fase de transformación tanto de procesos ETL como procesos ELT se resuelven los factores críticos que afectan a la calidad del dato

Cómo afecta la calidad de los datos a nuestra empresa

Manejar datos que no nos resulten fiables tiene implicaciones en el crecimiento de la empresa tanto a nivel interno, como externo.

A nivel interno supone desde requerir un mayor esfuerzo y dedicación a los departamentos de gestión de datos para procurar mantener las bases limpias y fiables, hasta desdibujar las relaciones interdepartamentales, requiriendo un constante trabajo de control y cruce de información entre quienes producen y almacenan los datos.

A nivel externo, contar con datos de mala calidad implica desde reducir la productividad, no establecer una correcta relación entre clientes y proveedores, hasta tomar decisiones erróneas o mal enfocadas.

Este no es un mal ajeno a las empresas. Trabajar con datos de buena calidad requiere de una planificación y organización a conciencia, que pocas se atreven a desplegar pensando en altos costes asociados y estructuras complejas en la plantilla. Los que también son pocos los que saben que, contando con las herramientas adecuadas, los altos costes que pensamos que puede tener una organización data-driven, se reducen notablemente a los que pueda tener licenciar la herramienta precisa.

Ese conocimiento exclusivo no solo se traduce en alta competitividad, sino también en ahorro de tiempos y, por tanto, de costes. Concretamente el de reducir el 60% destinado a la limpieza de bases que de media emplea un data scientist por ejemplo, o todo el gastado entre reuniones, cruces de mails, conversaciones interdepartamentales (y el desgaste que supone), solo para saber de dónde proviene exactamente X información y si es válida para su uso.

Peor aún es el coste que tiene trabajar con malos datos dándolos por válidos. ¿Cuántas pérdidas de posibles clientes se producen por una mala gestión de las bases de contactos? ¿qué podemos esperar de alguien que, por ejemplo, ha sido contactado en tres ocasiones seguidas por aparecer de forma triplicada su contacto, o por no reflejarse correctamente los mails que se les ha enviado?

Trabajar con datos de calidad puede suponer costes, pero lo que no es ninguna suposición es el que tiene trabajar con malos datos: pérdida o empeoramiento de la relación con nuestros clientes y proveedores, tiempo empleado en la resolución de conflictos con datos, gastos en campañas mal enfocadas, etc.

Cómo detectar si tengo problemas con la calidad de los datos

¿Y cómo puedo saber si en mi organización existen problemas con la calidad de los datos? La clave ya la hemos descubierto: si no somos capaces de fiarnos al 100% de la información que proviene de nuestros datos, ya existe el problema.

Por otra parte, plantearnos esta cuestión ya supone otro indicio de un dato que no está bajo control, en cuanto para ello debemos aplicar protocolos y ser conscientes de su tratamiento.

No obstante, para tener un mayor conocimiento del nivel de gravedad de la situación, basta con responder a estas otras cuestiones que nos guían hacia dónde se encuentra nuestro problema con la gestión del dato:

  • ¿Conozco de dónde proviene cada dato?
  • ¿La información me llega completa?
  • ¿Existen duplicidades?
  • ¿Entiendo a la primera la información que ofrece cada dato?
  • ¿Se usa con frecuencia la información obtenida?
  • ¿Se revisan y actualizan frecuentemente las fuentes de datos?
  • ¿Es entendible la información por cualquier departamento implicado en su producción/uso?

Según cómo hayamos dado respuesta a estas siete preguntas, sabremos el grado de intervención que necesitan nuestros sistemas para asegurar la calidad, ya sea parcial, o integral.

Cómo llevar a cabo un buen tratamiento del dato   

La clave está en la centralización. El trabajo de un data scientist se puede ver empañado si no se llevan a cabo protocolos y metodologías de trabajo con los datos exhaustivas y siempre bajo control. De nada sirve que se limpien las bases constantemente, si igual de constante es la entrada de datos poco fiables.

Para ello y ante lo poco productivo de tener a equipos enteros trabajando por la limpieza de los conjuntos de datos en la era big data, la mejor solución pasa por herramientas de gestión y automatización que constantemente tengan bajo control y revisión el viaje completo del dato: desde que entra en nuestra organización, hasta que de él se obtiene información válida.

Este viaje del dato se puede controlar de forma fragmentada, interviniendo con herramientas que se encarguen de apartados específicos como la integración, el almacenamiento, o la calidad y gobierno, o de forma totalmente integral, con soluciones de data governance que ya contemplan todas estas fases y las coordinan entre sí para siempre tener bajo control y supervisión lo que sucede con nuestros business insights.

La herramienta o el proceso más adecuado, nos tiene que servir para dar respuesta positiva a las preguntas anteriormente planteadas, de forma que seamos capaces de:

  • Controlar todas las fuentes de información que trabajamos
  • Integrar todo el entorno data
  • Asegurar la calidad del dato

¿Quieres conocer qué herramientas te ayudan a conseguir estos tres objetivos?, ¿sabes cómo ahorrar tiempo y costes en la gestión del dato?

 

 

Analiza tus datos
Por qué debemos incluir visión artificial en estrategias de retail

Por qué debemos incluir visión artificial en estrategias de retail

Soluciones de IA

El sector retail es de los más competitivos y, en consecuencia, requiere constantemente de inversión tanto en mejoras tecnológicas, como en cómo impactar al cliente. ¿Y cuál es la mejor solución en la que apostar actualmente para crecer como retailers? La respuesta la encontramos en aquella que aúne estos dos pilares básicos de crecimiento: innovación tecnológica y marketing proactivo. En ambos sentidos, incluir la visión artificial en estrategias de retail resulta una apuesta claramente ganadora.

La creciente importancia del uso de visión artificial

La visión artificial, como metodología perteneciente a la familia de la inteligencia artificial, no es ninguna técnica novedosa. Ya desde mediados del siglo pasado se usa habitualmente en la industria manufacturera, donde resulta crucial para soluciones como el control de calidad.

Actualmente, la visión artificial (también conocida como computer visión, modelos de IA basados en redes neuronales avanzadas) nos llega a un mayor número de sectores como parte de las soluciones destinadas a la gestión del big data, lo cual sí es una metodología más reciente causada por la necesidad de procesar ingentes cantidades de datos. Información que proviene de diferentes fuentes, donde gran parte de la competitividad empresarial, viene de saber presentarla e interpretarla de forma clara y precisa.

Así, sistemas de reconocimiento facial, analítica comportamental y la gestión de infraestructura entre otras metodologías en las que podemos incorporar visión artificial, se convierten actualmente, en la era big data, en potentes aliadas para detectar situaciones de interés para el negocio. Además, facilitan la obtención de información clave que, de otra forma, sería imposible captar si no es a través de automatismos y tecnología avanzada.

Retos y estrategias del sector retail

¿Por qué destacamos el uso de visión artificial en estrategias del sector retail? La aplicación que tiene esta metodología es muy amplia, pero atendiendo a las principales necesidades del sector gran consumo, vemos como las soluciones que presentan (y que veremos más adelante) encajan a la perfección.

Así, el sector retail, siendo de los más competitivos del mercado, se enfrenta a retos donde la digitalización y los cambios de hábitos del cliente, son dos de las máximas cuya resolución resultan clave para el crecimiento. Estos dos pilares quedan reflejados en los siguientes desafíos:

Mayor conocimiento del cliente   

Años atrás, el mercado era quien creaba necesidades a los clientes. Así, se lanzaban productos con una potente estrategia de marketing que los convertían en “objeto de deseo” del consumidor. Hoy en día, el consumidor ha pasado de ser un sujeto pasivo a activo, convirtiéndose en lo que las escuelas de marketing han definido como “prosumidor”: usuario que con sus acciones y decisiones, es capaz de intervenir en el desarrollo de los productos que consume. En este sentido, obtener información en tiempo real del comportamiento del cliente es un hecho diferenciador.

Para alcanzar a este target ya dominante, las empresas deben alcanzar un alto conocimiento de quiénes son sus posibles clientes. En consecuencia, serán capaces de ofrecerles justo lo que requieren en todo momento.

Alto grado de adaptación a un entorno cambiante

Ese “todo momento” no hace referencia a un medio o largo plazo: las necesidades de los consumidores de hoy en día, debido a que están expuestos a gran cantidad de estímulos constantemente, pueden cambiar en cuestión de segundos. Lo que ayer era prescindible, hoy puede ser vital y viceversa.

Lo hemos visto en pandemia con hábitos como el deporte en casa o recientemente con la compra compulsiva de aceite de girasol, por poner dos ejemplos de cómo el mercado cambia de un día para otro de forma muy marcada. Las empresas que estén preparadas para cambios repentinos son las que tiene mayor garantía de éxito.

Rediseñar la cadena de suministro

Como consecuencia de los dos retos anteriores del sector retail, cómo mantenemos bajo control la logística y el aprovisionamiento es otra de las grandes claves para un sector FMCG altamente competitivo. Para ello, debemos tener un alto control de la previsión de la demanda y la gestión del stock.

En este caso, entran en juego conceptos como la escucha activa (saber hacia dónde se dirigen las necesidades de nuestros clientes) y la alta rotación de stock (mantener un suministro adecuado sin que se produzcan ni exceso, ni falta de productos).

Sostenibilidad del sector

Ese equilibrio entre demanda y stock se traduce en mayor sostenibilidad, un concepto clave no solo a nivel económico, sino a nivel ético: algo que cualquier industria del s. XXI no debe obviar, siendo el cumplimiento de los ODS un deber moral de toda empresa comprometida con su entorno.

La cada vez más corta cadena de suministros mejora potencialmente la satisfacción de la demanda, pero también impone un modelo que a medio plazo se está presentando como insostenible. Es por ello un reto de toda empresa que quiera llamarse sostenible, equilibrar los beneficios de una satisfacción inmediata de la demanda con sus consecuencias en el entorno.

¿Es la sostenibilidad rentable?
Muchas empresas se equivocan a la hora de enfocar sus compromisos con el medio ambiente y el cumplimiento de los ODS como una cuestión únicamente de responsabilidad social corporativa en el mejor de los casos, “grenwashing” en el peor.
Más allá de la enorme importancia que tiene que entre todos, mejoremos nuestro entorno sin que la rentabilidad sea el mandato para ello, apostar firmemente por la sostenibilidad trae resultados muy positivos a las empresas decididas a ello:
 
•                 El 38% de los consumidores de productos textiles tiene en cuenta las repercusiones sociales y ambientales a la hora de comprar. Fuente: Encuesta Europea sobre Moda y Consumo Responsable.
•                 El 85% de los consumidores creen que es importante comprar productos de empresas que apoyan las causas que les interesan. Fuente: Kantar.
•                 6 de cada 10 millenials (nacidos entre 1984 y 1999) están dispuestos a pagar más por productos sostenibles y ecológicos, seguidos por el 58% de la generación Z (nacidos a partir de los 2000) y el 55% de la generación X (1970-1983). Fuente: ElPeriodico.com con datos de GlobalWebindex.

La visión artificial en estrategias de retail

¿Y cómo resuelve el uso de visión artificial los retos planteados para el sector retail? Tal como hemos podido ver, la visión artificial basa gran parte de sus soluciones en dar respuesta a las necesidades de negocio anteriormente mencionadas. Mediante esta resolución ágil de analítica, interpretación y presentación de datos, se alcanza un alto conocimiento de cada cliente y de las instalaciones que disponemos.

De esta forma, con los datos que se nos presentan con el uso de visión artificial, estaremos en condiciones en todo momento para adaptarnos a las necesidades de nuestros usuarios, mejorar cómo lo alcanzamos y prevenir situaciones que puedan cambiar nuestras previsiones de crecimiento. Todo ello únicamente con una conexión a las bases de datos y a los sistemas de CCTV disponibles en el establecimiento.

¿Cómo aumenta la visión artificial en estrategias de retail el conocimiento del cliente?

  • Recopilando información difícil de obtener de otra manera.
  • Anticipando acciones y corrigiendo situaciones de estrés mediante la detección de sentimientos generados en visitas a tienda.
  • Fidelizándolos en base a estudiar en profundidad con los datos captados sus hábitos de compra y preferencias, lanzando campañas que satisfagan estas necesidades.
  • Pudiendo mejorar la atención a los clientes más fieles y rentables en base a conocer sus preferencias. Todo ello gracias a la identificación nominal en tiempo real (conforme a RGPD) y su histórico de interacciones.

¿Cómo ayuda la visión artificial en el diseño de estrategias de retail marketing?

  • Analizando información para mejorar el cálculo el impacto y ROI de acciones de marketing e innovación con analítica comportamental, de sentimientos e inteligencia artificial.
  • Aumentando el ticket medio de compra diseñando acciones comerciales en base a analizar el recorrido, interés generado ante los productos, relaciones con los empleados, etc.

¿Cómo sirve para digitalizar y mejorar el entorno en tienda?

  • Identificando la presencia de personas en espacios restringidos o fuera del horario habitual y estableciendo alertas al respecto.
  • Optimizando el espacio disponible en base a conocer qué puntos son los más visibles de la tienda y cuáles resultan de difícil acceso.
  • Aumentando el nivel de conocimiento del sector agregando una nueva fuente de datos fácilmente integrable con las preexistentes

¿Cómo rediseña la cadena de suministro?

  • Potenciando la rotación de stock teniendo en cuenta aspectos como el recorrido de los clientes, distribución de productos que más salida potencia, etc.
  • Maximizar las acciones comerciales situando estratégicamente los productos en base al recorrido, perfil de clientes, puntos calientes, volumen de ventas y estructura de cada tienda.
  • Optimizar los recursos disponibles en cada tienda gracias a la previsión de flujos de clientes, consumo, temporalidad, etc.

¿Cómo resulta una metodología sostenible la visión artificial en estrategias de retail?

  • Reduciendo la producción y almacenamiento de stock innecesario en base a conocer la demanda y actuar en consecuencia a ésta
  • Aprovechando la infraestructura ya disponible en tienda para su desempeño
  • Ofreciendo productos y servicios ecológicos que respondan a una demanda real, no impuesta, y en consecuencia, potenciando su consumo.

EL uso de visión artificial en estratewgias de retail mejora tanto la atención como el servicio al cliente

La adaptación a cada realidad: última clave del éxito de estrategias de retail

Cuando hablamos de retos y soluciones, se habla en forma general, de cuáles son los principales desafíos a los que se enfrenta un sector concreto.

A la hora de hablar de retail, hablamos de tantas realidades como tantas necesidades se pueda tener en el mercado. También de una gran diversidad de clientes que si bien en ocasiones actúan en masa, tienden cada vez más a la personalización y a la demanda de servicios que les satisfagan de forma muy individualizada y concreta.

Por ello, aunque el hecho de incorporar adecuadamente cualquier metodología o herramienta digitalizadora que nos sirva para la interpretación y gestión de datos, ya es un gran avance, cuanto más específica sea esta tecnología con las necesidades concretas del sector, mayor probabilidad de éxito

Es el caso de Elternavision Retail: un servicio diseñado específicamente por el equipo de especialistas en inteligencia artificial de Elternativa para satisfacer cada una de las necesidades a las que el sector se enfrenta, actualmente y a futuros.

Así, Elternavision Retail suma al conocimiento del cliente y a la analítica y previsión, otras aplicaciones adaptadas a la realidad en tienda y almacén. Aplicaciones como la seguridad, configuración de alertas y automatizaciones, reconocimiento facial incluso con mascarilla, etc.

En definitiva, una estrategia de retail debe asegurar que el futuro del sector pase por comprender todo lo que sucede en cada ecosistema concreto. Por ello, la clave de cualquier metodología, herramienta o tecnología que se quiera usar para mejorar la competitividad del sector gran consumo, pasa por captar e interpretar los datos. Obtén el máximo valor de cada uno de ellos y pon en el centro de cualquier decisión la información más precisa, válida, veraz, íntegra y coherente.