AGILE
BUSINESS
ANALYTICS
Jean Paul Saltos
BAC Latam 2018
Santiago - Chile
VUCA
Volatilidad
Incertidumbre
Complejidad
Ambigüedad
Formalmente:
•
Profesional informático, Especialización en Finanzas
Corporativas, MSc en Gerencia y Gestión de Tecnología,
MSc en Liderazgo, Business Coaching y Ontológico.
•
Orgullosamente ecuatoriano, he vivido en Brazil y
Colombia por proyectos regionales.
•
Felizmente casado.
Jean Paul Saltos
Consultor de Analítica / Coach y Trainer Agil
Idealista creyente que el liderazgo servicial, las prácticas
ágiles y el coaching de equipos y C-Level Executives, es el
medio para sustentar una transformación organizacional
exitosa en todo ámbito y disciplina.
QUÉ ES BUSINESS INTELLIGENCE
?
•
En un artículo de 1958, el investigador de IBM Hans Peter Luhn utiliza
el término
Inteligencia de Negocio
como "La capacidad de
comprender las interrelaciones de los hechos presentados de tal
forma que consiga orientar la acción hacia una meta deseada".
•
En 1989, Howard Dresner (más tarde, un analista de Gartner Group)
propuso la "
inteligencia de negocios
" como un término general
para describir "
los conceptos y métodos para mejorar la toma de
decisiones empresariales mediante el uso de sistemas basados en
hechos de apoyo
", sin embargo esta expresión no se popularizó
hasta finales de la década de los 90.
El
término
“
Inteligencia
de
Negocio
”
fue
desvirtuado
con
el
tiempo
por
distintos
fabricantes
que
buscaban
nuevas
formas
de
promocionar
sus
productos
con
nuevos
términos y funcionalidades.
Hoy
se
habla
de
“
Business
Analytics
”
al
conjunto general de técnicas de análisis de
datos
que
va
desde
reportería
hasta
TIPOS DE
ANALÍTICA, ASÍ DE SIMPLE…
•
Descriptiva: Como estuvieron las ventas de este mes?
•
Diagnóstico: Cómo el clima influyó en las ventas?
•
Predictiva: La tendencia dice que la próxima semana hará
calor, debería pedir insumos?
•
Prescriptiva: Enviar 120 unidades de helados de vainilla a la
tienda de Las Condes
•
Prescriptiva (Automatizada): Se envió 120 unidades de
HYPE CYCLE
FOR DATA
MANAGEMENT
HYPE CYCLE FOR
DATA SCIENCE AND
MACHINE LEARNING
“Las organizaciones no
buscan tecnicismos,
prácticas avanzadísimas,
transformación digital o
volverse ágiles,
simplemente buscan
soluciones a sus
problemas”
GESTIÓN Y GOBIERNO
DE
INFORMACIÓN
Arquitectura
de datos
Data
Warehouse
Big Data
Data Lake
Gestión de
Metadatos
BI Self Service
Analítica
Avanzada
Calidad de
Datos
Master Data
Management
Relational Data
Management
Seguridad y
Auditoría
Documentación
Gobierno de Información
NECESIDADES
DEL
NEGOCIO
NECESIDADES (1 MÍNIMO - 5 MÁXIMO)
Alineación
con
objetivos
estratégicos
Dificultad /
Riesgo
Aporte
económico
(ROI)
Áreas
requirentes
Contar con información a demanda, actualizada, consolidada y a detalle, para toma de decisiones y análisis de todos los conceptos de
negocio, con rapidez de generación y calidad. 5 1.75 4.86 7 Calidad de información y limpieza de bases de datos existentes. 5 3.2 5 7 Contar con un repositorio único de información homologada,
estructurada y no estructurada, estandarizada, con calidad y reglas de
negocio, lista para auto consumo. 5 5 5 7 Estandarizar la información que debe ser capturada en formularios y
posteriormente ingresada, sin que esto genere burocracia u obstruya la
generación de negocios. 4.4 3 4 5 Alinear procesos, personas y tecnología 5 5 5 2 Contar con analítica multidimensional y reportes e indicadores
automatizados. 5 3 4.8 6 Indicadores de productividad por área, proceso y persona 5 2 4 4 Establecer responsabilidades sobre la información generada e ingresada. 5 2 4 7 Contar con herramientas para análisis especializado, amigables al
usuario, y que permitan generar nuevos escenarios de analítica
descriptiva y prescriptiva. 4 3 5
2
Enriquecer la información existente (bases de datos de segmentadas) 3 2 3.5 5 Consolidar una visión 360° de clientes 5 3.2 4 5 Manejar un solo glosario de términos a nivel corporativo 4 3 5 6 Toma de Información, Scoring, automatizado, bajo supervisión humana. 3 3 4 2 Contar con una herramienta automatizada de consolidación de datos
estructurados y no estructurados (Canales de recolección/SMS/bloqueos de dispositivos/pagos por terceros/visita en terrenos)
NECESIDADES COMO
CAPACIDADES
NECESIDAD DE NEGOCIO / CAPACIDADES
D A TA W A REH O U SE , B I SEL F SER V IC E, B IG D A TA , D A TA L A KE A NA LÍ TI C A A V A NZ A D A ,MO D ELO S PR ED IC TI V O S G O BI ER N O D E INFO RM A C IÓ N EN RI Q U EC IM IENT O D E INFO RM A C IÓ N D E D A TA EST RU C TU RA D A C A LI D A D D E D A TO S C D I -V ISI Ó N 36 0° C LI EN TE, MA ST ER D A TA MA NA G EMEN R
Contar con información a demanda, actualizada, consolidada y a detalle, para toma de decisiones y análisis de todos los conceptos de negocio, con rapidez de
generación y calidad. X
Contar con un repositorio único de información homologada estructurada y no estructurada, estandarizada, con calidad y reglas de negocio, lista para auto
consumo. X
Establecer responsabilidades sobre la información generada e ingresada. X
Indicadores de productividad por área, proceso y persona X Contar con una herramienta automatizada de consolidación de datos de datos
estructurados y no estructurados (Canales de recolección/SMS/bloqueos de
dispositivos/pagos por terceros/visita en terrenos) X
Calidad de información y limpieza de bases de datos existentes. X X
Contar con analítica multidimensional y reportes e indicadores automatizados. X
Manejar un solo glosario de términos a nivel corporativo X
Alinear procesos, personas y tecnología X
Contar con herramientas para análisis especializado, amigables al usuario, y que
permitan generar nuevos escenarios de analítica descriptiva y prescriptiva. X X X
Consolidar una visión 360° de clientes X X X
Estandarizar la información que debe ser capturada en formularios y posteriormente
ingresada, sin que esto genere burocracia u obstruya la generación de negocios. X X Enriquecer la información existente (bases de datos de segmentadas) X
MODELO
DE
MADUREZ
•
Con qué analítica cuento hasta el momento?
•
Quién creó los modelos / dashboards / reportes y por qué?
•
¿Qué variables de entrada se usan para hacer predicciones
y, en última instancia, tomar decisiones?
•
¿Cómo se usan los modelos dimensionales / predictivos?
•
¿Cuál es el rendimiento de estos modelos y cuándo se
actualizaron por última vez?
•
¿Dónde se encuentra la documentación complementaria?
•
¿Por qué se tarda tanto en poner en marcha modelos nuevos
o actualizados?
TEAM
DATA LAB
Scrum
Master
ERP
CRM
SoR
SoE
Nuevas fuentes
Social
Collaborativos
Emergentes
Data
Marts
Data Lake
Hadoop
Enterprise Data Warehouse y otros repositorios
Extracción
de datos
Transformación
Carga
C
a
t
a
l
o
g
o
Gobierno de Información
Procesos ELT
Calidad de Datos
ID 2 Nombre2 Celular1 ID 1 Nombre1 Celular1 ID 3 Nombre2 Celular2 ID 4 Nombre3 Celular2Es el mismo
cliente?
Cuál número
celular?
Qué relación
tienen?
M
D
M
Clasificación
A
u
t
o
s
e
r
v
i
c
i
o
Estructurada
No estructurada
(Data Center / Cloud / Hibrido)
Tiempo Real
(Near Real
time)
Advanced Analytics
Linaje de datos: Comó fluyen los datos en la
organización
Sistemas de
archivos
Business User
Analytics
(Data Scientist)
Chief Data Officer
IT/Operaciones
No puede obtener info
No confía en los datos
Sandbox para experimentación
Acceso a TODOS los datos
Riesgo y cumplimiento
regulatorio
Complejidad
Costos
Clientes más importantes Próxima decisión
Cross selling /up selling
Análsis What-if
Nuevos modelos analíticos
Quién ve qué? Qué guardamos? Dondé? Quién es el dueño del dato?
Uso de nuevas tecnologías
Infraestructuras, SLA’s Buzzwords “exigidos” por el
negocio
Necesidades del negocio
Diseño - Explicación:
Jean Paul Saltos
Desde: IBM Whiteboard
ID 1,2,3 Nombre 1,2 Celular 1,2 N otras referencias IoT, datos referenciales, financieros Segmentación ID 4 Nombre Celular
