Hablar de estrategia implica hacer mención necesaria a la toma de decisiones. Efectivamente, elaborar un mapa de estrategia es, al fin y al cabo, definir el conjunto de las decisiones que cabe tomar sobre las acciones a emprender para mejorar el posicionamiento de una compañía en el mercado a corto, medio y largo plazo.

Si bien esta primera aproximación al concepto de estrategia puede resultar un poco simple y acelerada, nos sirve para afrontar la misión propuesta para hoy: establecer los 5 pasos básicos y fundamentales a seguir para diseñar el mapa de estrategia de una organización.

Al hacer referencia al data hub, lo primero que nos viene a la mente es una herramienta de concentración de datos, con algunas diferencias con los data warehouse pero de una naturaleza tan similar que, muchas veces por desconocimiento, se habla de ellos como si se tratara de expresiones sinónimas.

Ciertamente, en esencia el data hub es una colección de datos procedentes de distintas fuentes, organizados para ser posteriormente distribuidos y compartidos, algo que se asemeja bastante a las características de los almacenes de datos o data warehouse, y a los modelos clásicos de extracción, transformación y carga de datos. Sin embargo, las diferencias entre ambos sistemas son sustanciales, destacando sobre todo las que atañen a las estructuras y las categorías de los datos que se manejan, mucho más flexibles y operables, y a las plataformas de acumulación y convergencia de datos utilizadas por los sistemas data hub.

La decodificación de datos es un proceso que remite, inevitablemente, a la operación inversa y anterior: la codificación de los mismos. Existen muchos métodos para codificar y decodificar datos almacenados en los data warehouse, pero los que hoy nos interesan son los métodos de decodificación que nos permiten traducir los datos en información y conocimiento relevantes, asimilables con la máxima inmediatez posible; es decir, decodificarlos en su sentido más amplio para ser mostrados de un modo rápidamente comprensible, con el fin de tomar decisiones acertadas al momento.

Una decodificación en sentido amplio que parte de la extracción de datos y culmina en la presentación de los mismos mediante el uso de herramientas de visualización, claves en cualquier entorno Business Intelligence. Ello nos obliga a tratar, con algo de detalle, los procesos implicados en una operación compleja como la de este calibre, que básicamente y en buena medida podemos agrupar bajo el paraguas de los procesos ETL (Extraction, Transformation, Load)

Los retos que afronta lo que conocemos por Operations Management Processes, o procesos de gestión de operaciones son cada vez más amplio y diversos, aunque buena parte de ellos está relacionado con la creciente movilidad de los miembros de las organizaciones, especialmente (aunque no en exclusiva) de cargos directivos, ejecutivos y gerentes.

La globalización de la cadena de suministro, las grandes oportunidades de negocio que se abren ante organizaciones de cualquier calado gracias a la posibilidad de descentralizar y deslocalizar distintas fases de la cadena conllevan, a su vez, grandes retos para la gestión de operaciones; unos retos que los entornos Business Intelligence pueden ayudar afrontar con éxito, como hemos visto en otras ocasiones analizando distintas herramientas de movilidad para el negocio.

Los scoreboards (o cuadros de indicadores, cuadros de resultados, tableros de medición...) son elementos del Business Intelligence asociados a una herramienta fundamental para la implementación y el desarrollo de cualquier estrategia corporativa integrada en un entorno de inteligencia de negocios: el Cuadro de Mando Integral, o CMI.

Los CMI han sido los protagonistas, en numerosas ocasiones, de posts y guías elaboradas para dar a conocer al lector la importancia capital de esta potente herramienta BI, por lo que hoy no ahondaremos en la definición de los cuadros de mando integral, dando la referencia para ello de la guía 12 claves para la definición de un Cuadro de Mando Integral, con interesante información para entender qué es el CMI, saber cómo fijar objetivos para el análisis de la estrategia corporativa o descubrir los mejores indicadores de desempeño a implementar en el cuadro de mando según las necesidades específicas de cada organización.

La definición más común de esta diferencia, análisis predictivo vs análisis prescriptivo, es que el primero de ambos describe lo que sucederá mientras que el segundo, la analítica prescriptiva, se centra en informar acerca de lo que debería suceder buscando mejorar el resultado esperado. Pero ¿no es eso mismo lo que se ha estado haciendo hasta ahora? ¿No coincide el prescriptive analytics con el predictive en la práctica?

Predictive analytics es una necesidad hoy día para las empresas que quieren mantener su posición de mercado, lograr satisfacer a sus clientes de forma efectiva y apostar por la innovación. La selección de software y herramientas de análisis de sentimiento, social media analytics o analítica avanzada suele concentrar la mayor parte de los esfuerzos de las organizaciones pero, a pesar de ello, un elevado porcentaje de empresas no alcanza resultados satisfactorios tras la implementación ¿cuál es el motivo?

Créditos fotográficos: istock styf22

Gartner pronosticaba que para el año 2014, el 30% de las aplicaciones analíticas utilizaría capacidades proactivas, predictivas y de pronóstico. Promesas cumplidas que instan a, en este 2015, dar un paso más e innovar. Cuando se busca la innovación en predictive analytics, intentando extraer aún más valor de su aplicación, se debe tener en cuenta que existen dos patrones distintos que pueden aplicarse a este proceso:

• La innovación disruptiva: entendida como una búsqueda predictiva ligada a una propuesta de valor muy diferente, capaz de descubrir oportunidades en forma de nuevos mercados.

El papel de la minería de datos en relación con la analítica predictiva no es sólo una cuestión de calidad, sino que también la cantidad es un factor decisivo para la existencia de esta relación. El volumen de datos disponible no asegura la calidad de las predicciones. Aunque la capacidad para almacenar datos es un punto a favor en lo concerniente a la optimización de resultados en predictive analytics, la relación entre ambos no es proporcional, debido a dos motivos:

• Los datos en bruto no proporcionan mucha información en sí mismos, hay que saber trabajarlos.

¿Para qué puede servir el constatar que se ha perdido un cliente después de que ya se ha ido? Interpretar las señales puede prevenir el desenlace de consecuencias poco deseables, como el fraude o la pérdida de clientes, dos de los objetivos estratégicos de la analítica predictiva. Predictive Analytics supone el descubrimiento y la comunicación de patrones significativos hallados en los datos en base al trabajo orientado a la consecución de metas previamente planteadas.

El ROI del análisis predictivo puede incrementarse si los objetivos estratégicos de negocio están bien definidos. En estas condiciones: