Business Intelligence en Toyota Motor Corporation

Una forma revolucionaria de utilizar Business Intelligence para la expansión de un negocio

Toyota Motor Corporation tiene matriz en Aichi, Japón, emplea en innovar y crear tendencias en el sector automotriz con sus tecnologías híbridas (mezcla de motor a gasolina y eléctrica) de la cual ha permitido el ahorro de combustible y fomentar a reducir la huella de carbono de las personas notablemente. En el área de la robótica, se logró formar alianzas con la compañía local; de la cual se enfoque es en el área de enviar autos autónomos a el espacio, por ese medio recibir información y excluir él envió de seres humanos. Además, de fomentar ayuda hacia las personas de tercera edad, al área de elaboración, y entretenimiento con el fin de alivianar muchas cargas laborales que se enfocan actualmente a seres vivos. Las tecnologías inteligentes, han sido fabricadas enfocadas en el modelo LQ un vehículo autónomo con el fin de ser “un purificador de aire mientras circula por las calles: de esta manera no sólo ahorra emisiones a la atmósfera gracias a su mecánica eléctrica, sino que ayuda a eliminar la contaminación” (Otero, 2019, p.1); por otro lado, ayudar en la conversión de posiblemente no enfocarse en la mano de obra humana como punto principal dentro de la fabricación de manera automatizada y que se agilicen procesos para su envio dentro de las áreas de cobertura que envían sus productos.

Toyota es una empresa japonesa que se remonta desde 1933, en donde Kiichiro Toyoda, fundador de la empresa, emplea un trabajo de focalización hacia la elaboración y producción de carros; a partir de Toyoda Automatic Loom empresa comandada por su padre. En 1937 decidió emprender un viaje solitario a partir de su desvinculación de Toyoda Automatic Loom y desde ahí comenzaría su expansión hacia el resto del mundo. Obtuvo en años posteriores de 1950 hasta la actualidad alianzas estratégicas con compañías tales como “Hino Motors y Daihatsu, abriendo puertas a la internacionalización de la marca. En este período se establecieron dos divisiones, Toyota Motor Sales Inc., en Estados Unidos y Toyota do Brazil, S. A. en Brasil.” (Toyota Guatemala, 2021, p.1). Desde ahí ha fundado empresas cómo Lexus; asimismo, ha incrementado su confianza a los clientes con un alto estándar de calidad, mantenimiento, servicio, entre otros que asegura a sus clientes tener su producto del portafolio Toyota en el menor tiempo posible.

Durante el transcurso del tiempo dentro de la empresa japonesa se ha podido ver que es renombrada por una característica en particular, que llevo su negocio al siguiente nivel: con la organización, planeación, y ha resultado en un motivo de su expansión. Con la implementación de Business Intelligence, un tipo de inteligencia de la que “sirven como un conjunto de metodologías, aplicaciones y tecnologías para reunir, depurar y transformar los datos extraídos de los sistemas transaccionales. El resultado: información estructurada para su explotación directa.” (MAS Analytics, 2021, p.1) En Toyota vieron una oportunidad de utilizar dicha herramienta de analítica en sus datos, a partir de una necesidad de enfocarse en la reducción de costos al momento de producir y comunicación de datos entre todas su red de concesionarios y la fábrica. De aquello acudió a poder realizar una reestructuración de la empresa con enfoques más hacia beneficios que tendrán efectos a corto plazo y que generara más ingresos.

Durante una época en la década de los 90 fue dónde se acorraló la empresa japonesa y en su desempeño había una latente falencia al momento de comunicarse. En Toyota E.E.U.U esa información no fue aprovechada a su máximo, es decir, con respecto a las ventas se vio en decadencia de la que no pudo alcanzar expectativas deseadas. Esto se debió a un tema interno; sin embargo, a la final se vuelve un tema preocupante para el cliente porque no recibe la asistencia necesaria; además, influye en un tema de dejar esa confianza y lealtad del cliente ser cuestionada. No obstante, la empresa decidió recortar gastos dentro de la mano de obra y en la manipulación de la información al automatizarla con Endeca para tener una mejor visualización de los datos y recolectar varios tipos de información para compartirla entre su red de concesionarios.

Hoy en día, el sistema Endeca se utiliza una fuente que permite ser la base para que todos en la compañía tengan una actualización del momento acerca de cualquier repuesto, vehículo, o solo información interna que permita tener al comprador actualizado. Toyota Technical Information and Diagnostics Group. Este es un grupo que trabaja conjunto a Toyota IT para innovar en softwares para ser eficientes y eficaces con alianzas de otras compañías y así tener un sistema de entrega en el menor tiempo posible a cualquier parte que desee el consumidor. Invertir altos costos en tecnología da frutos que beneficia a la empresa y al cliente final; esto se debe a que el cliente es siempre el motivador principal y cualquier comentario es una sugerencia también para mejorar e incrementar las ventas.

En conclusión, Toyota Motor Corporation es un excelente ejemplo que la organización y que emprender no solo en el producto es crucial para generar más ingresos; sino, también invertir en la infraestructura interna de la cual será una herramienta que ayudará a largo plazo. El software de una empresa debe ser importante para estos tiempos donde los avances toman posesión de los métodos antiguos y por mas eficientes que sean, siempre hay espacio para la mejora. Las alianzas estratégicas con empresas de tecnología se están apoderando de todas las industrias y el tiempo que uno les dedique será ganado con más ventas, clientes y espacios para innovar en el portafolio general.

Referencia Bibliográfica:

4 Ejemplos de Empresas que Utilizan Inteligencia de Negocios. (2018, 26 octubre). Analítica de Retail. http://analiticaderetail.com/empresas-que-utilizan-inteligencia-de-negocios-ejemplos/

Briceño, J. (2019, 13 junio). 4 Empresas que utilizan Inteligencia de Negocios. FacturaSoft. https://facturasoft.com/4-empresas-que-utilizan-inteligencia-de-negocios/

CIOinsight. (2021). Toyota’s Business Intelligence: Oh! What a Feeling. https://www.cioinsight.com/c/a/Case-Studies/Toyotas-Business-Intelligence-Oh-What-a-Feeling

Editorial. (2011, 10 mayo). Toyota Motors obtiene visibilidad de sus datos con nuevo sistema de Business Intelligence. BI-Spain.com. https://www.bi-spain.com/articulo/toyota-motors-obtiene-visibilidad-de-sus-datos-con-nuevo-sistema-de-business-intelligence/#:%7E:text=La%20empresa%20automotriz%20Toyota%20Motors,m%C3%BAltiples%20fuentes%20de%20datos%20como

MAS Analytics. (2019). Conozca los ejemplos prácticos de business intelligence. https://www.masanalytics.com/bi/ejemplos-practicos-de-business-intelligence/

Miller, J. (2020, 3 septiembre). TBP: Toyota Business Practice. Gemba Academy. https://blog.gembaacademy.com/2009/02/22/tbp_toyota_business_practice/

Otero, A. (2019, 12 octubre). Toyota LQ Concept: un coche eléctrico que purifica el aire de la atmósfera y ayuda a reducir la contaminación. Motorpasión. https://www.motorpasion.com/toyota/toyota-lq-concept

Toyota ES. (2020a, mayo 25). Toyota y su mundo de robots a nuestro servicio. https://www.toyota.es/world-of-toyota/articles-news-events/robots-Toyota-movilidad

Toyota ES. (2020b, noviembre 17). ¿Qué es un coche híbrido eléctrico? | Toyota España. https://www.toyota.es/hybrid-innovation/preguntas-hibridas/que-es-un-hibrido

TOYOTA GUATEMALA. (2021). Conoce la increíble historia de Toyota ¿Cómo empezó todo? Toyota. https://www.toyota.com.gt/blog-para-comprar-carro-en-guatemala/conoce-la-increible-historia-de-toyota-como-empezo-todo#:%7E:text=Toyota%20Motor%20Corporation%20fue%20fundada,hijo%20del%20fundador%2C%20Kiichiro%20Toyoda.

TOYOTA INDUSTRIES CORPORATION. (2021). The Story of Sakichi Toyoda | Toyota Industries Corporation. Toyota. https://www.toyota-industries.com/company/history/toyoda_sakichi/

Vijayan, J. (2011, 4 mayo). Business, IT collaboration drives new BI system at Toyota. Computerworld. https://www.computerworld.com/article/2508492/business–it-collaboration-drives-new-bi-system-at-toyota.html

Instagram Business Analytics

Introducción

            Instagram es una aplicación y red social creada por Kevin Systrom y Mike Krieger, fue lanzada al público en San Francisco en el 2010. Su principal función es permitir que los usuarios compartan videos e imágenes del contenido que quieran, ya sea de su vida personal o profesional para que puedan interactuar con otros perfiles. En el año actual 2021, esta red social está disponible internacionalmente y cuenta con “Instagram stories” dónde se permite que las personas compartan una foto o video por 24 horas, “Reels” que son videos cortos instantáneos, “IGTV channel” que consiste en un video prolongado de hasta 1 hora, las publicaciones regulares (fotos o videos) que se suben al perfil, mensajes directos, “Instagram shop” que permite que se adquiera productos directamente desde la aplicación y finalmente los perfiles profesionales y herramientas comerciales que serán explicadas en profundidad en los párrafos que siguen.  

Historia

Después de recibir el financiamiento de Baseline Ventures, Kevin Systorm continuó programando la aplicación que inicialmente se llamaba “Burbn”, este consistía en una red social de fotografía. Pronto Mike Krieger se convirtió en cofundador y con su ayuda lanzaron la aplicación por primera vez en octubre del 2010, llegó a 1 millón de usuarios en 3 meses. Después de recibir comentarios de sus amigos y público, realizaron algunas mejoras y también nombraron la aplicación “Instagram”. Dentro de un año, esta llegó a 10 millones de usuarios, después de lanzar la misma para Android en el 2012, Facebook adquirió la red social por un billón de dólares. Más adelante en el 2016, la aplicación se enfocó en los emprendimientos y negocios que las personas mostraban a través de la red social, decidieron incluir herramientas comerciales y perfiles profesionales, aquí están incorporadas las analíticas que permiten a los usuarios ver la demografía de la audiencia, impresiones de las publicaciones y el alcance que tienen estas. Finalmente, después de implementar las “stories” en el 2016, una herramienta que es muy parecida a las historias de 24 horas de Snapchat, Instagram lanzó IGTV que consistía en videos más largos, y los “reels”, una idea sacada de la popular aplicación TikTok. 

Presentación del caso: Instagram Business Analytics

Como ya mencionado brevemente en los párrafos anteriores, el uso de las herramientas comerciales fue uno de los cambios que revolucionó como las personas veían Instagram y también lo que empezó a generar mayoría de ingresos para la aplicación. Ahora no solo era una aplicación para compartir fotografías y videos, también era muy útil para vender y promocionar productos y servicios, una forma de ingreso. Con más de un billón de usuarios activos por mes, se puede decir que mayoría de las personas viven su vida frente a la pantalla, por esta razón vender a través de la red social puede tener un alcance mayor y constar con un proceso fácil porque esta al alcance de cualquier Smartphone. Esta herramienta se basa en Business Analytics, la “exploración iterativa y metódica de los datos de una organización, con énfasis en el análisis estadístico. La analítica empresarial es utilizada por empresas que utilizan la toma de decisiones basada en datos.” (TechTarget, 2021) ya que las cuentas comerciales pueden hallar información sobre sus seguidores y las reacciones que tienen hacia sus contenidos e historias. Si estos datos se interpretan de manera adecuada, es posible desarrollar un plan de acción para el crecimiento de un perfil. Al implementar Business Analytics Instagram transformó su empresa por completo, se convirtió en la aplicación que todo empresario debe tener, esto aumentando su popularidad e ingresos por billones de dólares.

Problemática por resolver

            Ya que Instagram se ha vuelto una de las plataformas más usadas por el público, muchas personas vieron a esta red social como una oportunidad para compartir sus productos y servicios. El problema dentro de esto era que era muy difícil para los emprendedores y dueños de las empresas saber que contenido era el que buscaban sus seguidores, dado esto una gran mayoría no tenían el crecimiento que deseaba, la gente dudaba si en realidad esta red social era la adecuada para llegar a su público objetivo. Aunque Instagram ya empezó a probar y medir el éxito de los formatos de anuncios que incitan a los usuarios a realizar acciones tales como; subscribirse a boletines o instalar aplicaciones en el 2015, esto no era suficiente, se buscaba una herramienta que tenga aún más alcance. Esto generó cerca de 63,000 de dólares para la aplicación, pero por su tamaño, se identificó rápidamente que se podía lograr mucho más si se generaba una red profesional para las empresas. También, a pesar de que Instagram cuenta con millones de usuarios, era complicado llegar a ellos sin un sistema de promoción mejorado.  Entonces aquí nació la pregunta, ¿Por qué no introducir una herramienta diseñada específicamente para los negocios de Instagram? La plataforma reconoció “la importancia del marketing de influencers y la necesidad de que las empresas comprendan la tasa de éxito de sus propias cuentas de Instagram, nació Instagram Analytics.” (JumperMedia, 2019) Por esta razón, en el 2016, la red social introdujo una forma de analizar la actividad, contenido y audiencia de las empresas.

Herramientas implementadas

Para poder alcanzar los usuarios adecuados, se debe tener en cuenta toda la información con la que cuenta Instagram dentro de los perfiles profesionales. Inicialmente, está el área de los “Insights”, este se enfoca en tres áreas principales; los datos demográficos de los seguidores, el crecimiento de la cuenta y el análisis de las publicaciones. Dentro de la sección “tu audiencia” se puede ver cuantos usuarios han dejado de seguir o han comenzado a seguir a la cuenta y en donde específicamente se encuentran demográficamente. Además de esto, se halla el porcentaje del género predominante de la audiencia. Finalmente, se encuentra un gráfico que muestra en que días los usuarios están más activos y a que hora.

            Dentro de la sección “visión general” se puede ver las “cuentas alcanzadas” es decir, el número de cuentas que han visto las publicaciones, historias, publicaciones promovidas o los videos de IGTV al menos una vez. También se ve el “alcance promocionado” que es el número de usuarios que han visto tu historia o publicación promocionada y la “actividad de cuenta” que tiene detalle del número de veces que las cuentas visitaron el perfil e interactuaron con él.

            Otra herramienta muy útil de este tipo de perfiles es la oportunidad de crear promociones, esto consiste en escoger una publicación, ya sea video o fotografía, o una historia. Una vez escogida la publicación, se debe determinar el destino, es decir a donde se quiere que la gente llegue, el perfil, la página web o el shop de Instagram. Más adelante en el proceso se selecciona el público objetivo, aquí hay la opción “automática” donde Instagram identifica usuarios parecidos a los seguidores de la cuenta especifica, la opción “local” la cual permite seleccionar personas de una ubicación especifica, y finalmente la opción “manual” donde el mismo usuario selecciona la ubicación, intereses y la edad y el género. Después de finalizar con este paso se identifica el presupuesto y la duración de la promoción, si se quiere que la publicación dure 6 días, entonces el usuario tendrá que pagar $5 cada día, un total de $30, este precio iría aumentando a medida que aumente la duración de la promoción. El último paso consiste en definir el método de pago, ahora la publicación estará pendiente a la aprobación de Instagram.

Finalmente, dentro de este proyecto diseñado para empresas y negocios, está la función de “Comprar en Instagram” esta herramienta permite que las personas puedan comprar directamente desde los perfiles de la red social.

El antes y después de Instagram

En los años posteriores al 2016, Instagram contenía varias herramientas para publicar fotos, historias y videos. Generalmente, sus usuarios, que para el 2013 eran 90 millones, utilizaban su Instagram para comunicarse con sus seguidores, ganar más contactos, publicar aspectos de su vida tales como; vacaciones, eventos con amigos y familia, mascotas, logros, ropa y más temas de su interés. En otras palabras, el uso de esta red social tenía fines más personales que lucrativos para las personas.

Ahora, después de la implementación de Business Analytics, la empresa creció hasta llegar a 1 billón de usuarios activos mensuales en el año actual, este número sigue creciendo cada vez más. En el 2020, 73% de adolescentes estadounidenses dicen que esta red social es la mejor manera de llegar a ellos con nuevos productos y servicios ya que está dentro de su red social preferida y encontrar lo que les interesa es muy fácil con la función de “Comprar en Instagram”, mayoría de empresas cuentan con sistema delivery, esto satisface la comodidad de las personas.

Por la gran acogida de la herramienta de promoción, la red social ha ganado $13.86 billones de ingresos anuales en el 2020. Este incremento se da debido al alcance de 928 millones de usuarios de la red social, un porcentaje de 69% empresarios estadunidenses vieron la oportunidad que daba la plataforma y por esto invierten mayoría de su presupuesto en la publicidad que ofrece la misma que cuesta $5 dólares al día dependiendo del alcance que se quiera. Mencionado esto uno se puede dar cuenta la cantidad de ingresos que la red generaba gracias a su gran demanda.

Con un gran incremento en sus ingresos y en el número de usuarios que utilizan la herramienta, Instagram se volvió uno de los medios más importantes para generar reconocimiento y dinero para las empresas, este cambio fue el que hizo que Instagram sea la red social más grande del mundo con 1 billón de usuarios y con una valoración de 100 billones de dólares.

Por último, cabe recalcar que Marc Zuckerber, el director ejecutivo de Facebook, el servicio de redes al cual pertenece Instagram menciono que “Instagram no sería lo que es hoy sin [los cofundadores Kevin Systrom y Mike Krieger], pero tampoco sería lo que es sin todo lo que ponemos en él, ya sea la infraestructura o nuestro modelo publicitario, nuestros servicios de seguridad ampliados y mucho más.” (CNBC, 2019) Esto expone como la aplicación no hubiera generado tanto impacto e ingresos si no fuera por su gran transformación. La meta deseada se ha cumplido ya que la red social cuanta con más de 75% de negocios ya implementados y funcionando dentro de la plataforma en Estados Unidos.

Desafíos

El desafío principal para Instagram durante la creación e implementación de “Business Analytics” y todas las herramientas mencionadas fue que sean datos confiables. Aunque la información que provee para cada cuenta está muy cerca a un valor exacto, muchas de sus métricas son estimadas. Por esto Instagram ha trabajado en mejorar el área de los “insights” para que tengan una precisión más realista y por supuesto, personalizado para cada perfil profesional.

Otro desafío que también tomó parte en la nueva tecnología implementada es que muchas personas con negocios en la red no sabían como utilizar la información que Instagram les estaba dando. Al ser un concepto nuevo, existió un poco de confusión en cuento a las metodologías más adecuadas para crecer, por esta razón, la plataforma se aseguró de proveer un breve resumen de la función de cada herramienta dentro de “insights” y promoción, de esta manera la información podría ser mejor interpretada por los vendedores y así pudieron lograr el alcance que querían.

Conclusión

Este cambio fue sin duda una transformación considerable para Instagram, la implementación de perfiles profesionales con tecnología “Business Analytics” fue precisamente lo que hizo que el mundo no solo vea a Instagram como un lugar para compartir contenido sobre su vida personal y preferencias, pero también como una excelente plataforma para introducir negocios y hacer que estos crezcan apoyándose en sus herramientas profesionales y promociones que se ofrece. Con esto, Instagram aumento sus ingresos y número de usuarios tras los años, para todo empresario, tener presencia dentro de esta red social, es algo vital.

Referencias

Aslam, S. (2021, January 6). Instagram by the Numbers: Stats, Demographics & Fun Facts. Omnicore. https://www.omnicoreagency.com/instagram-statistics/#:%7E:text=An%20estimated%2075.3%25%20of%20US,least%20one%20business%20profile%20daily.

Bloomberg News. (2019, December 26). How Instagram Changed the Way We Shop. Financialpost. https://financialpost.com/pmn/business-pmn/how-instagram-changed-the-way-we-shop

colaboradores de Wikipedia. (2021, February 3). Instagram. Wikipedia, La Enciclopedia Libre. https://es.wikipedia.org/wiki/Instagram#:%7E:text=Instagram%20es%20una%20aplicaci%C3%B3n%20y,y%20v%C3%ADdeos%20con%20otros%20usuarios.&text=Creada%20por%20Kevin%20Systrom%20y,lanzada%20en%20octubre%20de%202010.

Hart, K. (2019, December 19). A Practical Guide to Instagram Analytics for Business Accounts. Jumper Media. https://jumpermedia.co/instagram-analytics-for-business/#:%7E:text=Recognizing%20the%20importance%20of%20influencer,Instagram%20Analytics%20came%20into%20being.

instagram-business. (2016, May 31). Coming Soon: New Instagram Business Tools. Instagram for Business. https://web.archive.org/web/20160918213802/http://blog.business.instagram.com/post/145212269021/new-business-tools

Instagram Revenue and Usage Statistics Breakdown. (n.d.). BuildFire. Retrieved February 22, 2021, from https://buildfire.com/instagram-revenue-and-usage-statistics-breakdown/

How Instagram Makes Money. (n.d.). Investopedia. Retrieved February 22, 2021, from https://www.investopedia.com/articles/personal-finance/030915/how-instagram-makes-money.asp

 Lutkevich, B., & Burns, E. (2021, January 4). business analytics (BA). SearchBusinessAnalytics. https://searchbusinessanalytics.techtarget.com/definition/business-analytics-BA

R. (2018, June 5). La historia detrás de Instagram [Infografía]. TreceBits – Redes Sociales y Tecnología. https://www.trecebits.com/2018/02/05/la-historia-detras-instagram-infografia/

Rodriguez, S. (2019, October 31). Mark Zuckerberg is adamant that Instagram should not be broken off from Facebook. CNBC. https://www.cnbc.com/2019/10/30/mark-zuckerberg-is-adamant-that-instagram-should-remain-with-facebook.html

¿Qué es Domestika? (2021, February 10). Domestika. https://support.domestika.org/hc/es/articles/360003052398–Qu%C3%A9-es-Domestika-#:%7E:text=Domestika%20es%20una%20de%20las,y%20aprender%20unos%20de%20otros.

TechCrunch is now a part of Verizon Media. (2016, May 16). Tech Crunch. https://techcrunch.com/2016/05/16/instagrams-analytics-will-offer-audience-demographics-post-impressions-reach-more/

Wikipedia contributors. (2021, February 10). Timeline of Instagram. Wikipedia. https://en.wikipedia.org/wiki/Timeline_of_Instagram#cite_note-MyUser_Blog.business.instagram.com_September_11_2016c-47Thomas, M. (n.d.). How to Use Instagram Analytics to Grow Your Following. Bluehost Blog. Retrieved February 15, 2021, from https://www.bluehost.com/blog/how-to-use-instagram-analytics-to-grow-your-following/?utm_source=google&utm_medium=genericsearch&gclid=CjwKCAiA65iBBhB-EiwAW253W5zLHeCapncgLCY63y3v1jz6UJWT_yMVdHyITQ5_rrNh54-1XShqOBoCO6oQAvD_BwE&gclsrc=aw.ds

Tesla y el Big Data

¿Qué hace? ¿Qué comercializa? ¿Donde?

Tesla es una empresa estadounidense que se ha dedicado a la fabricación, venta de vehículos eléctricos, componentes para autos eléctricos y baterías de litio.

Su plan maestro fue:

  • Concentrarse en las baterías de litio donde veían un gran potencial
  • Comenzar con un coche eléctrico de alto rendimiento para quitar esa idea de que son autos lentos y aburridos
  • Lograr una economía a escala, esto quiere decir que los costos por unidad sean los mas bajos posibles
  • A mediano plazo también quería alcanzar un almacenamiento de energía para el hogar 

Principales hitos en su historia

2003: Jeffrey Straubel y Mark Everhard se juntaron con Elon Musk para fundar Tesla y esta empresa obtiene su nombre en tributo a Nikola Tesla.

2006: Tesla Roadster

Este se vio inspirado en el Lotus Elise pero al personalizarlo demasiado se elevaron sus costos y estuvieron varias ocasiones cerca de la quiebra y experimento varios problemas administrativos

2008: Elon Musk admite el cargo de CEO (director ejecutivo) y realizo cambios drásticos para salvar la empresa como despedir el 25% de la plantilla, recaudo 40millones de dólares por deudas, formo una asociación con Daimler que es una empresa que produce mercedes Benz y pidió prestado 465millones de dólares al gobierno de los estados unidos y con esto fabrico 2450 Tesla Roadster

29 de enero del 2010: Tesla salió en el Nasdaq y ahí cualquier persona puede adquirir acciones en la compañía y recaudo 226millones de dólares, con esto tesla lanzo el Model S y el Model X.

En 2013 anuncio su gigafactory 1 que estaba especializada en alcanzar la economía escala en la producción de batería de iones de litio y de esta forma hacer los vehículos Tesla mas económicos, durante este tiempo también anuncio el piloto automático en el Model S, lanzo el powerwall el cual almacena energía de fuentes renovables y por último en el 2016 lanzo el Model 3

A finales de 2017 Tesla supero a Ford en capitalización de mercado solo en 7 años desde su lanzamiento.

Gigafactory 2 ubicada en estados unidos especializada en paneles solares

Gigafactory 3 ubicada en China para producir baterías y coches para el mercado asiático

Gigafactory 4 Ubicada en Alemania que tiene como objetivo conquistar el mercado europeo la cual terminara su construcción a finales del 2021

Tesla con el uso del big data consiguió y seguirá consiguiendo mejoras en sus vehículos eléctricos ya que se encarga de aprender de las quejas propuestas por sus usuarios. Tesla se ve favorecido por que el auto en si recopila datos todo el día y aprende de igual forma de estos y uno de estos autoaprendizajes se ve involucrado en la creación de un mapa mas preciso que el de propio Google.

Como tesla usa el Deep Learning

Tesla se asoció recientemente con NVIDIA y está utilizando su tecnología de aprendizaje profundo para mejorar la capacidad de su automóvil para aprender de sus propios datos y lidiar con nuevos conjuntos de datos con los que nunca se le ha enseñado a lidiar. NVIDIA ha declarado: “No programamos ningún componente explícito de detección de objetos, mapeo, planificación de rutas o control en este automóvil. En cambio, el automóvil aprende por sí solo a crear todas las representaciones internas necesarias para conducir, simplemente observando a los conductores humanos” (Ahdoot, 2016).

Tesla usa el big data para hacer un mapa

La compañía afirma que ha adquirido datos de 100 millones de millas. Tesla utiliza todos estos datos para crear mapas enriquecidos con datos que muestran todos los matices, como zonas de peligro, aumento de velocidad en carreteras específicas, donde en promedio los automóviles disminuyen la velocidad, etc. Se cree que estos datos son 100 veces más precisos que los de los sistemas de navegación estándar. Sin embargo, la información de la carretera no es lo único que recopila un automóvil. Supongamos, en un viaje, las cámaras están analizando el entorno y por extraña coincidencia, debido a una situación inesperada, el usuario tuvo que frenar a raya. Lo que Tesla hace aquí es que combina datos de la cámara, el volante y los pedales para utilizar como información. Entonces, Tesla también está utilizando las acciones y reacciones del conductor para comprender mejor el entorno y la situación alrededor del automóvil.

Big Data para el conductor

Tesla utiliza el análisis de datos para sus usuarios. Con información casi en tiempo real, puede prevenir y corregir problemas antes de la catástrofe. Y Tesla por otro lado. También obtienen datos de foros en línea, donde permiten a sus clientes presentar cualquier tipo de duda o queja que manifiesten. Usan estos datos para realizar mejoras en el próximo vehículo.

Esto es muy diferente a otras empresas, que no tienen este tipo de relación con sus clientes.

Para concluir Tesla es una empresa dedicada a las energías renovables especialmente en el sector automovilístico y como toda empresa tiene sus altos y sus bajos, pero, esta con el ingenio de Elon Musk consiguió salir adelante y aprovechar cada una de las ventanas abiertas que se le presentaron y por ende sabe lo que es arriesgarse en darlo todo y aprender de cada uno de sus usuarios y automóviles para ser de ellos una mejor empresa.

Bibliografía:

Lobzhanidze. G. (s.f). Improving experience through data, the tesla way. Qminder. https://www.qminder.com/tesla-experience/

Ahdoot. A. (19 de octubre de 2016). How big data drives tesla. Colocation America. https://www.colocationamerica.com/blog/how-big-data-drives-tesla

Bolsa para principiantes. (30 de abril de 2020). Historia de tesla | Como surgio la empresa de Elon Musk [Archivo de video]. Youtube. https://www.youtube.com/watch?v=OEQGhErGjBQ

Nestlé y su “Digital Aceleration Team”

Nestlé es una de las empresas más grandes del mundo en bebidas y alimentos. Esta empresa Suiza esta presente en más de 150 países con más de 400 fábricas en 85 países distintos. La empresa es dueña de marcas como Nescafé, Amor, Nido, Cerelac, Maggi, Natura, Dog Chow, Galak, Tango, Milo, Ricacao, entre otras. Nestlé es número 1 en el mundo en varios sectores de la industria de la alimentación uno de ellos es la nutrición infantil, también es número 1 en café instantáneo y número 1 en confitería. La misión y visión de esta empresa es que sus productos mejoren la calidad de vida de las personas mediante la nutrición y consumo de sus distintos productos, lo cual muchas empresas que son parte de la industria alimenticia no lo hacen y además su objetivo es cumplir con los accionistas y la sociedad en la que operan (Nestlé, s.f.). Para ofrecer valor agregado a sus productos en el empaque además de presentar la información nutricional, este ofrece un contexto más general donde te da consejos de como cocinar este producto y tiene el contacto de servicio al consumidor, esto se lo llama Nestlé Nutritional Compass. (Nestlé, 2006) Nestlé al ser una empresa global tiene el concepto de que el alimento es local, esto se refiere a que a pesar de tener productos alrededor del mundo esta empresa adapta sus productos dependiendo de la cultura de cada región o país ya que los gustos varían en todo el mundo, esta es otra estrategia de valor agregado para tener mayor acogida a nivel mundial.

El farmacéutico Henri Nestlé fue el fundador de la actual empresa Nestlé. En 1866, Hanri lanza al mercado un producto para niños pequeños los cuales no podían tomar del pecho de sus madres con el fin de disminuir la tasa de mortalidad de niños en esa época en Suiza. Es en este primer lanzamiento de su producto que nace el logotipo de nido (Nestle, s.f.). La marca fue registrada como una marca suiza llamada Farine Lactee en 1875, en ese momento como vieron que fue un éxito decidieron que iban a exportar su producto. La empresa de Henri empezó a trabajar con la compañía Anglo-Swiss Condensed milk la cual se fundo en la misma época y de esta alianza, sale Nestlé. Henri también fue parte importante de la creación del chocolate en polvo con su vecino Daniel Peter, el fundó Peter-Cailler-kholer empresa que vendía chocolate en polvo, y en 1929 estas dos empresas hicieron una alianza para que la empresa de Nestlé siga creciendo. Años después en 1938 se inventó Nescafé, el cual fue reconocido mundialmente y era el café que usaba Estados Unidos para sus ejércitos en la Segunda Guerra Mundial. Hasta 1970 Nestlé logró expandirse de una manera extraordinaria, se juntó con la compañía Maggie que inventó sopas instantáneas, entró en el ámbito de las comidas refrigeradas y compró una empresa de agua mineral. En la siguiente década, Nestlé amplía su negocio a otra industria la cual es la medicina, compraron el laboratorio más grande de oftalmología del mundo, Laboratotios Alcon (EcuRed, 2012).   Entre 1980 y 2000 Nestlé empieza con la comida para mascotas en toda Europa. Se expande a Italia comprando Buitoni-Perguina una de las mejores compañías del país y se empieza a consolidar en el mercado de los helados (Estrategia Magazine, 2020).

Nestlé al ser una empresa mundial tiene muchos clientes de los cuales puede extraer datos. Al interactuar con sus clientes y consumidores la empresa durante muchos años a tenido una base de datos inmensa. Nestlé se da cuenta que la Big Data es un activo que puede ayudar mucho al desarrollo de su empresa y generar una ventaja competitiva sobre su competencia debido a su extenso número de clientes. Es por eso que en el año 2017 la empresa decidió usar un programa de aceleración digital en todos los niveles de la corporación. Los directivos se dieron cuenta que hay que buscar una nueva forma de vender y comunicar al mundo sus productos. Para finales del 2017 Nestlé logro desarrollar programas que integran los datos de la compañía para acabar proyectos más rápido y de forma más eficiente uno de estos es el scrum (Saborit S. , 2017). Scrum es un proceso para trabajar en conjunto y obtener resultados de manera más rápida en entornos donde hay mucha competitividad e innovación. SCRUM  Para finalizar, Nestlé capacitó a casi 1000 empleados los cuales se dividieron para que sean expertos en redes sociales, comercio electrónico y técnicas de posicionamiento SEM y SEO.

Nestlé tiene un equipo especializado en monitorizar las redes sociales de las distintas marcas denominado Digital Aceleration Team conformado por community managers. Ellos están encargados de interactuar con los clientes o seguidores mediante redes, Hasta el 2017 Nestlé tenia 45 perfiles de 21 marcas diferentes lo cual completaba un total de 5,2 millones de seguidores (Saborit S. , 2016). Los community managers estan encargados de varias redes sociales  y están especializados en distintas redes sociales como Facebook, Instagram y Twitter. Este equipo es “escuchar al consumidor, conectar con él y ayudar a la transformación interna de la empresa” (Saborit S. , 2016). Otra de las responsabilidades de este equipo es generar contenido en las redes sociales como tweets, fotografías, información de los nuevos productos, concursos etc. Una de las marcas más famosas en redes sociales es Nestlé postres con más de 1.2 millones de seguidores debido a todas las recetas que son publicadas, otra marca bastante importante en Twitter es nescafé la cual tiene 49,000 seguidores Kit Kat también es una marca importante en la presencia en redes que tiene 45,000 seguidores. Mediante redes Nestlé es capaz de analizar lo que es exitoso y lo que no y así lograr publicar para las distintas marcas, se puede obtener información de las publicaciones, videos y las fotos que tiene mas éxito en reacciones como likes y se puede observar el interés que generan los Give Aways (Saborit S. , 2016).

Nestlé extrae información de los clientes o de los posibles clientes que entran a sus páginas web o a sus aplicaciones. En ciertas ocasiones se pide información demográfica como la edad, el género, los gustos y hábitos para así tener una base de datos más amplia. También, se pide información para identificar o comunicarse con la persona que entró a este sitio web en caso de qué sea necesario, por ejemplo suelen pedir el nombre la dirección domiciliaria, la dirección de correo electrónico y el número telefónico. Todo este tipo de información usualmente es tomada mediante alguna subscripción o encuestas en las distintas plataformas digitales (Nestlé, 2019). Por ejemplo, una de las formas en que Nestlé recolecta datos es mediante una pagina llamada ¨Recetas Nestlé¨ ya que debes crear una cuenta, ingresando tu correo electrónico, datos personales y aceptar los términos y condiciones. Otro ejemplo en el cual Nestlé recolecta datos es en la aplicación Nestlé cocina, la cual de igual modo al crear una cuenta se debe ingresar datos como correo electrónico, nombre y edad. Esto permite que Nestlé sepa que grupos de edades estan interesados en su variedad de productos. La recolección de datos de Nestlé se utiliza de forma ética, se usa la base de datos para generar publicidad y tener un alcance más amplio y eficiente al momento de realizarla. La información otorgada por los clientes a Nestlé es utilizada en estudios de marketing internos para así poder personalizar los productos y satisfacer las necesidades de los distintos clientes y lugares en donde venden sus productos, como mencioné anteriormente el producto es local y es así como logran conseguir la especialización de productos en distintas regiones.

En conclusión, los datos obtenidos por Nestlé de forma eficiente han sido un éxito para la generación de contenido, campañas de marketing, comunicación y eficiencia en sus procesos. El análisis de datos es muy importante para conseguir más clientes y conocer las necesidades de estos. Esto conlleva a que Nestlé sea la empresa líder en la industria de los alimentos desde hace muchos años, sus productos están presentes en los hogares de muchos y sus productos se han convertiddo necesarios en el día día de las personas eso lo han logrado mediante alianzas estratégicas clave, un buen manejo de marca y sobre todo poner el bienestar del cliente sobre todas las cosas.

Referencias Bibliográficas

Estrategia Magazine. (14 de 04 de 2020). Estr@tegia Magazine. Obtenido de La Compañia de Alimentos del Mundo: https://www.estrategiamagazine.com/glosario-de-marcas-famosas/nestle-histora-de-nestle-imagen-de-nestle-logo-de-nestle-origenes-de-nestle/

Nestle. (s.f.). Nestle. Obtenido de 1866-1905 : https://empresa.nestle.es/es/sobre-nestle/nestle-en-el-mundo/historia/1866-1905

EcuRed. (2012). EcuRed. Obtenido de Nestlé S.A: https://www.ecured.cu/Nestlé_S.A

Nestlé. (s.f.). Nestlé. Obtenido de Misión y Visión: https://www.nestle.cl/aboutus/mision-y-vision

Nestlé. (2006). Nestlé. Obtenido de El Mundo Nestlé: https://www.nestle.com.bo/sites/g/files/pydnoa271/files/es/media/documents/the_world_nestle_esp.pdf

Saborit, S. (20 de 07 de 2017). Expansión Economía digital. Obtenido de Nestlé quiere exprimir el ¨big data¨, el nuevo activo empresiaral: https://www.expansion.com/economia-digital/companias/2017/07/20/596fa4f9ca474132268b45e9.html

Saborit, S. (03 de 07 de 2016). Expansión economíca digital. Obtenido de Nestlé conecta con sus ¨fans¨ en las redes sociales: https://www.expansion.com/economia-digital/companias/2016/07/03/5776b2f146163fc5798b45f1.html

Nestlé. (2019). Nestlé. Obtenido de Politicas de privacidad: https://www.nestle.com.ec/es/info/yourdata#pregunta1

YouTube, la estrecha relación entre las recomendaciones y redes neuronales.

YouTube es una plataforma digital perteneciente al grupo Alphabet. Inc. Cuya sede principal se encuentra ubicada en San Bruno, California en Estados Unidos que brinda el servicio de alojamiento de videos. El sitio web es un repositorio dinámico donde miles de millones de usuarios, denominados como “YouTubers”, en el mundo cargan contenido día tras día para que otras personas activas en la plataforma lo puedan visualizar; el contenido puede ser sumamente variado en cuánto a temática y en cuánto a finalidad o propósito.  

            YouTube fue creada por tres trabajadores de PayPal el 14 de febrero en el año 2005, llamados: Steve Chen, un informático y empresario; Jawed Karim, un ingeniero que además fue el primer usuario en publicar un video dentro de la plataforma y Chad Hurley, diseñador que fue el primer director de la empresa. El sitio web tuvo un crecimiento acelerado, en sus inicios recibió inversiones de Sequoia Capital por 8.5 millones de dólares y también de una compañía televisiva nombrada Time Warner Cable. Sus visitas crecieron de gran manera con dos sucesos específico, el primero, cuando Nike publicó un video publicitario con el jugador de fútbol Ronaldinho y el segundo, cuando se publicó la canción Lazy song donde pasaron de 50 millones de visitas diarias a 250 millones de visitas diarias. En octubre del 2006 Google compró el sitio por la suma de 1650 millones de dólares, pero los fundadores, cofundadores y los trabajadores ocuparon los mismos puestos que antes tenían después de la adquisición.

            En los primeros años de operación de YouTube la plataforma era relativamente sencilla en cuanto al funcionamiento y la experiencia de los usuarios, ya que se basaba en que los videos que se subían eran los mismos que estaban disponibles para ver sin ningún tipo de categorización por usuario, lo único que hacía el algoritmo de recomendación usado por la empresa era mostrar o sugerir prioritariamente los videos con más vistas y más likes dentro de la plataforma, pero esto podía resultar contraproducente puesto que no todos los videos tendrían una temática que les interese a todos los usuarios de manera uniforme.

 Posterior a esta situación inicial de programación para las recomendaciones YouTube empezó a focalizarse en el usuario y en el año 2012 tenía implementado un algoritmo de grafos que lo que hacía era brindar una experiencia más personalizada al usuario, reduciendo la ingente cantidad de videos existentes en la plataforma a una lista calculada en base a variables como las búsquedas realizadas por el usuario, el historial de videos, los videos gustados e introdujo el concepto de videos relacionados que seleccionaba de un material semilla, la forma en que se veía en conjunto con otros materiales audiovisuales y tenía candidatos de sugerencias que mediante una puntuación en base a número de visitas, likes y número de veces que se compartió con otros usuarios los ordenaba en un ranking que finalmente era presentado. Sin embargo, la problemática estaba todavía vigente puesto que el algoritmo no era práctico, tampoco tenía en cuenta variables como el tiempo de estancia dentro de un video y se volvía cada vez más complicado seleccionar buenos videos porque constantemente crecían por millones dentro del sitio.

Entonces fue en el año 2016 cuando YouTube decidió usar las redes neuronales artificiales para hacer las recomendaciones lo que marcaría un antes y un después en el entorno y el funcionamiento del sitio. Una red neuronal muy groso modo es una inteligencia artificial que sin ningún tipo de reglas o leyes aprende a hacer tareas de forma automática mediante los ejemplos que se le den y con el propósito que tenga. YouTube usa dos redes neuronales en específico una que genera los candidatos de videos y otra que los categoriza y puntúa de mayor a menor para luego sugerirlos, estas redes tienen en cuenta propiedades más intrínsecas del usuario y de los videos disponibles, forma un mejor vínculo y puede hacerlo en tiempo real, cada vez aprende más de acuerdo a la forma en la que los mismos usuarios le den ejemplos segundo a segundo sobre sus comportamientos y preferencias, básicamente la red se alimenta de los videos que consumen y por eso nunca deja de aprender, se cambia constantemente la forma en la que se hace las recomendaciones porque tiene un entorno dinámico. Todo el uso que le han dado al deep learning gira alrededor del concepto de la “retención” que tiene motivos empresariales por detrás ya que, de forma simplificada, mientras la red haga mejor su trabajo al recomendarte videos que te mantengan mayor tiempo dentro de la plataforma, la cantidad de anuncios que verás en ese tiempo será mayor y la cantidad de dinero que ellos cobren por anunció igual crecerá, porque es la fuente de ingresos principal que tiene YouTube y ha ido creciendo desde el año 2017  de forma significativa con valores de  facturación solo por anuncios de: 8 mil millones para el 2017; 11 mil millones para el 2018 y en el último año declarado 2019 el ingreso ascendió a los 15 mil millones.

YouTube es sin duda un caso exitoso desde el principio que se a través de la implementación de tecnologías como el deep learning ha mejorado su funcionamiento y ha beneficiado a ambas partes tanto al usuario como la empresa. Sin embargo, aún existen desafíos por delante y posibles conflictos de intereses, ya que la red neuronal se enfrenta a un entorno sumamente cambiante y no hay manera certera de saber si es que ha alcanzado la forma perfecta de hacer recomendaciones, lo que provoca que el trabajo de muchos actores intermedios que son los YouTubers dentro de la plataforma pueda verse beneficiado o perjudicado y sin importar cualquiera de los dos escenarios si a la empresa esta situación la beneficia de alguna forma no va a tomar en cuenta el canal que se tenga que cerrar o el que no.

Bibliografía:

Alphabet Inc. (2020). Alphabet Announces Fourth Quarter and Fiscal Year 2019 Results. Mountain view, California.

Camacho, J. G., & Alonso, A. J. (2010). La baja interacción del espectador de vídeos en Internet: caso YouTube España. Revista Latina de Comunicación Social, (65), 421-435.

Izaurieta, F., & Saavedra, C. (2000). Redes neuronales artificiales. Departamento de Física,Universidad de Concepción Chile.

Crespo, J., L. QuatumFracture. (2017). El Algoritmo de YouTube YA NO EXISTE | RedesNeuronales. Obtenido de: https://www.youtube.com/watch?v=JBZx03342eM

Sotaquirá, M. Codificandobits. (2021) Los SECRETOS de la RED NEURONAL de YouTube. Obtenido de: https://www.youtube.com/watch?v=QsprAfFSbxk

Big Data y el Mundo del Fútbol, una Nueva Forma de Hacer Fichajes

Sin lugar a duda, tanto la recopilación como analítica de datos tiene una gran importancia dentro de nuestras vidas, a tal punto que es uno de los pilares a considerar en cada ocasión posible para la toma de decisiones. El análisis de datos no se limita únicamente al estereotipo de grandes compañías para su mejora y crecimiento, asimismo una persona natural puede recurrir a ella con la finalidad de cerciorarse que se encuentra en la alternativa ideal. Por otra parte, es de particular interés el impacto y desarrollo de estas herramientas que han tenido en el mundo deportivo llegando a ser protagonistas de muchos éxitos, siendo uno de los mas recientes el rey de todos ellos: el balompié.

Es así como encontramos uno de los clubes más importantes de los últimos años, el Manchester City con el reciente acontecimiento que uno de sus jugadores estrella y emblema del equipo Kevin De Bruyne, firmó su renovación el día 7 de abril en la que se destaca la nula participación de un representante, siendo la Big Data el intermediario e instrumento utilizado para concretar el trato entre ambas partes. Para los amantes del futbol europeo y mundial es bien conocido que De Bruyne es considerado uno de los mejores jugadores de la actualidad, ejerciendo como una de las piezas claves en el juego de los “Citizens” y ahora, la ficha mejor pagada en toda la Premier League -dato que será de relevancia a tomar en cuenta posteriormente.

El otro integrante de este proceso fue la empresa Analytics FC (Sierra, 2021), una institución que ha colaborado con clubes y agencias que a su vez según su página se describe como “una empresa de análisis de datos de fútbol con experiencia probada en la entrega de soluciones basadas en datos” (Analytics FC, s.f.) Esta empresa de analítica fue fundada por Jeremy Steele en 2015, quien fue cazatalentos del West Ham y entrenador del Brentford B. A su vez, Analytics FC es propietario en conjunto con la consultora de pensiones e inversiones LCP de un software cuyo nombre es “TransferLab” que usa un algoritmo tomando como eje central el “valor de contribución” que un jugador aporta. (Austin, 2021)

Con respecto al algoritmo de TransferLab esta toma como base factores como goles y asistencias esperadas y sumado a ello se realiza el cálculo de trascendencia y efectos en cuanto a las posibilidades de generar jugadas de peligro. Una vez estos datos son obtenidos, se someten a comparación con otros jugadores que posean un perfil similar, es decir coincidencia en el rango de edad, posición y siendo el índice que mas difiere la liga en la que cada jugador se encuentra. Es importante comprender el funcionamiento de este algoritmo ya que algunos de los índices y datos que De Bruyne solicitaba se tomaron de este sistema, complementándolos con otros más específicos que eran petición directa, dentro de los que se puede reconocer: “su contribución al equipo e incluso qué tan preparado está el Manchester City para el éxito en los próximos años, según la edad y la calidad de los jugadores.” (Austin, 2021) Por motivos de confidencialidad, solo se mencionan en rasgos breves estos datos requeridos, que como resultado dieron la satisfacción y la ya mencionada renovación del jugador en el club el cual cumplirá 10 años de haber fichado al finalizar su nuevo contrato.

En gran parte, la contratación de los servicios de esta empresa se debe a las condiciones negativas que se le presentaron en un primer borrador de contrato para renovar al jugador belga, ya que incluso las primeras cifras monetarias que se plantearon eran menores que las de su anterior contrato -en aquel entonces actual. Por ello, era preciso demostrar con datos fuertes que la remuneración no era justa con los servicios y aportaciones de Kevin de Bruyne. En resumidas cuentas, el trato resultó favorable ya que el futbolista recibió un aumento -como se mencionó anteriormente, gracias a su nuevo contrato es el jugador mejor pagado en su liga- y el Manchester City está a un paso de jugar la final del trofeo que hasta ahora se les ha resistido, la Champions League; por supuesto todo esto de la mano del dorsal 17. Adicional a ello, al suprimirse la comisión del agente, este presupuesto puede pasar directamente a los roles de pago acordados.

Ya que se conoce todo el panorama sobre las victorias de Big Data en el fútbol, ¿qué consecuencias depara este acontecimiento tanto para las superestrellas del deporte como para los clubes? Debe resaltarse que si bien es cierto Kevin De Bruyne no es el primer individuo en el mundo del fútbol en tomar una decisión con respecto a elegir un equipo sobre otro para desarrollarse profesionalmente, -por ejemplo el caso de Memphis Depay al elegir el Olympique Lyon cuando Salió del Manchester United y el resurgimiento de su carrera en el equipo francés, todo esto de la mano de Scisports- trasciende por ser todo un hito en las negociaciones al no precisarse de un agente, pues la comisión de estos suele ser hasta del 10%. Es aquí donde se tiene que hacer otro paréntesis, ya que la posición del Manchester City en cuanto a cumplir con las demandas salariales del jugador y el estatus de jugador ampliamente reconocido con De Bruyne permitió ser un trato directo; y estas situaciones no siempre se verán favorables para todos los casos como puede ser un jugador sin un nombre reconocido aun que no cuenta con el conocimiento ni las relaciones para poder fichar por un gran club. Adicional a ello, al ser un caso tan reconocido, seguramente las agencias de representantes se plantearán incluir departamentos de analítica o como fue en este caso, el outsourcing de estas para tener una mayor precisión con las decisiones que mas convengan a sus representados. De igual forma, se pronostica que incluso las superestrellas del deporte sean más interesados e informados de estos datos para su mejora de juego y si se diera el caso, el poder de defensa y negociar con otros equipos sobre lo que merece recibir por sus aportes.

Definitivamente el análisis de datos cada día pasa a ser mas trascendente para las personas, así como para las diversas industrias, y su inclusión en el caso de Kevin De Bruyne no hará más que cambiar por completo el panorama de los movimientos entre jugadores y equipos al punto de renovar las jerarquías de instituciones intermediarias e incluso impacto en los porcentajes y astronómicas cantidades que algunos agentes pueden llegar a ser pagados. Igualmente, los analistas que ya pertenecen a los clubes tendrán mas importancia ya no solo para los movimientos con jugadores, sino también con participación en el aspecto táctico y de mejora de actitudes y capacidades de la plantilla.

Los jugadores de fútbol buscan dinero, títulos y, claro, no estar tristes. Lo primero era fácil de valorar (me ofrecen más, allá que me voy), pero lo segundo y lo tercero no tanto. Al menos, no hasta que llegó el Big Data, que es capaz de (intentar) dar respuesta a esas preguntas. (Pastor, 2021)

Bibliografía

Analytics FC. (n.d.). Retrieved from Analytics FC: https://analyticsfc.co.uk/

Austin, S. (2021, 04 11). Cómo Analytics FC ayudó a De Bruyne a negociar un nuevo acuerdo con el Man City. Training Ground Guru.

EDITORIAL MEDIOTIEMPO. (2021, 04 07). Kevin De Bruyne utilizó big data para calcular y firmar renovación con el City. Mediotiempo.

Gantman, M. (2021, 13 04). Datos y contratos: Kevin De Bruyne lidera la nueva era del fútbol. La Nación.

Hirst, P. (2021, 04 08). Kevin De Bruyne negoció £ 385k a la semana con el Manchester City, el más alto de la Premier League. The Times.

PALCO23. (2021, 04 20). La Fifa limitará al 10% la comisión de agentes y acota el número de cesiones por club. PALCO23.

Pastor, J. (2021, 04 07). Las estrellas del fútbol ya no solo renuevan por el dinero: De Bruyne contrató a analistas de datos para valorar su futuro en el Manchester City. Retrieved from Xataca: https://www.xataka.com/investigacion/estrellas-futbol-no-solo-renuevan-dinero-bruyne-contrato-a-analistas-datos-para-valorar-su-futuro-manchester-city

Redacción Primicias. (2021, 04 08). Kevin De Bruyne exigió una renovación por ‘Big Data’ en Manchester City. Primicias.

Scisports. (2016). OUR ROLE IN HIS DECISION MAKING PROCESS/ NUESTRO PAPEL EN SU PROCESO DE TOMA DE DECISIONES. Retrieved from Scisports: https://www.scisports.com/track-record/our-role-in-his-decision-making-process/

Sierra, A. (2021, 04 17). Kevin De Bruyne lidera la revolución de los contratos. Diario AS.

Uso de datos en la Industria Automotriz

Jaguar Land Rover

Jaguar Land Rover, es una compañía inglesa de diseño, desarrollo, producción y venta de automóviles de alta gama, es el resultado de la compra de Jaguar y Land Rover a la compañía estadounidense Ford por parte de la empresa India Tata Motors en el año 2008. Jaguar Land Rover cuenta con sus oficinas centrales en Whitley, Coventry, Reino Unido. Jaguar y Land Rover dos marcas inglesas, cada una desarrollada y creada en diferentes segmentos de mercado, Jaguar dirigido hacia un grupo de personas apasionados por los automóviles y la velocidad, mientras que Land Rover destinado hacía un público más aventurero.

Cada una de estas marcas segmentan su mercado después de la segunda guerra mundial, donde Jaguar comienza aventurarse en la creación de modelos más deportivos, es así que en el año de 1951, Jaguar participa en su primera carrera de resistencia, sin embargo, es hasta el año de 1953 cuando los ingenieros de Dunlop desarrollan el sistema de frenado de disco, los mismo que favorecieron a la marca para lograr frenar después que sus contrincantes previo a una curva, lo que permitió que los coches de Jaguar culminaran en primer, segundo y cuarto lugar en aquella carrera.

Mientras que Land Rover es un vehículo diseñado en el año de 1947 por los hermanos Wilks, directivos de la fábrica inglesa Rover, quienes con la idea de fabricar un vehículo todoterreno para el público civil utilizaron el chasis del famoso Jeep Willys usado en la segunda guerra mundial y le adaptaron un motor de la marca Rover. Su diseño original tenía la ubicación del volante en el medio, debido a que suponían que iba ser de gran atracción para el público y por ello se iba exportar hacia todo el mundo, donde la conducción se realizaba con el volante al lado izquierdo o derecho dependiendo el país al cual se dirigía. Sin embargo, la marca no tuvo gran renombre hasta el año de 1981 donde se organizó el Camell Trophy auspiciado por la marca de cigarrillos Camel; Camell Trophy, una dura prueba todo terreno donde participaron todos los vehículos de Land Rover, es en esta competencia donde la marca se hace conocida por haber superado tan difícil prueba. Hoy en día se conoce que un vehículo Land Rover tiene más de 100 millones de líneas de código, es decir, posee más líneas de código que un Boeing 777. Land Rover a lo largo de su historia ha pasado por varias empresas reconocidas de la industria automotriz como es BMW y Ford.

El principal reto para la empresa es arreglar el problema integral de administración de datos con el único fin de analizar hasta 500 GB de datos en periodos de tiempo corto, este proceso es generado por más de 200 analizadores o registradores de datos, los mismo que son recopilados continuamente, de igual manera se realizan mediciones ad-hoc realizadas por más de 200 ingenieros. La principal solución propuesta para Jaguar Land Rover es crear un sistema usando como base el software DIAdem y DataFinder Edition, ambos sistemas proporcionan soluciones eficientes que ayudan a los ingenieros a analizar y acelerar el análisis de grandes conjuntos de datos.

Jaguar y Land Rover icónicas marcas británicas, se especializan en generar satisfacción, tanto en calidad y confiabilidad de sus productos para sus clientes. La tecnología y la inversión en el desarrollo de nuevas tecnologías es lo que les ha posicionado para ser una de las mejores marcas de automóviles producidas en Reino Unido. Al momento de recopilar los datos para análisis se percataron que había veces en las que se repetían las pruebas porque no se podían localizar correctamente los resultados específicos, esto se presenta porque a diario deben de gestionar más de 500 GB de datos de series temporales. El análisis original de datos se realizaba manualmente, esto producía que el tiempo de resolución de un problema fuese 20 veces más lento que el sistema actual de análisis. Esto se daba porque se usaba un sistema de múltiples herramientas de análisis en las que todas estas requerían un script especial para implementar algoritmos, por ello nunca se logró estandarizar nada, incluso los metadatos y los nombres de canales. Este proceso permitía analizar únicamente el 10% de datos de los vehículos producidos, lo que producía ineficiencia en el proceso de diseño.

Jaguar Land Rover decidió construir su solución en base al software DIAdem y DataFinder Server Edition, debido a que estos pueden indexar metadatos para poder generar consultas y proporcionar resultados de pruebas específicas. Así mismo DIAdem permite cargar más de 1000 formatos de archivos, esto proporciona cierta tranquilidad al cambiar el proceso de adquisición de datos, ya que, no existe problema con la compatibilidad del programa de análisis de datos utilizado en el momento, de igual manera se pueden producir panales de análisis de forma interactiva sin necesidad de un programador. La recopilación de datos se obtiene de diferentes formas, mediante registradores de datos, que capturan datos de sensores durante una prueba de manejo o conectando un dispositivo portátil al vehículo para recolectar datos de red, protocolos CAN, MOST, FlexRay, CCP, XCP, ETK, todos estos son datos que le sirven al ingeniero para poder determinar problemas en determinadas partes del vehículo. Esto permite que cualquier ingeniero de Jaguar Land Rover pueda consultar y realizar un análisis en todas las pruebas y generar mejoras en el caso que sea necesario. Es de esta manera que Jaguar Land Rover ha conseguido analizar un 95% de todos los datos obtenidos reduciendo sus costos de pruebas y el tiempo en realizar estas, de esta manera este método ha permitido resolver los problemas de los vehículos antes de producirlos en masa y entregar el producto final a los clientes.

El mejoramiento en el sistema de análisis de datos en la compañía Jaguar Land Rover ha producido reducción en costes de pruebas y tiempo en la ejecución de estas, esto se debe a que anteriormente se corría el riesgo de repetir la misma prueba por la falta de datos certeros. Esto producía cierta incertidumbre e inseguridad entre los clientes, debido a que no se sabía con certeza cuales eran los errores que tenía el vehículo. Con esto podemos darnos cuenta cuán importante es el uso correcto del análisis de datos en las empresas que buscan mejoras en sus productos, reducción de costes de producción, investigación, entre otros.

Bibliografía

Anónimo. (2017, May 24). Historia de la marca de coches Jaguar. Autobild.es. https://www.autobild.es/coches/jaguar/historia#:~:text=La%20marca%20es%20fundada%20por,ya%20moldean%20carrocer%C3%ADas%20para%20autom%C3%B3viles.&text=En%201931%20se%20lanza%20el,que%20ser%C3%A1%20el%20primer%20Jaguar.

Anónimo. (2017, May 24). Historia de la marca de coches Land Rover. Autobild.es. https://www.autobild.es/coches/land-rover/historia

Jaguar Land Rover Analyzes Up to 95 Percent of Data Using NI Big Analog Data Solution. (2021). Ni.com. https://www.ni.com/en-gb/innovations/case-studies/19/jaguar-land-rover-analyzes-up-to-95-percent-of-data-using-ni-big-analog-data-solution.html

El papel de los Datos en Fórmula 1

El primer gran Campeonato de fórmula 1 se originó en 1950 en el circuito de Silverstone en el Reino Unido quedando campeón el piloto Giuseppe Farina a bordo de un alfa Romeo, escoltado por el piloto argentino Juan Manuel Fangio, su compañero de escudería. En la primera década de la Fórmula Uno, Fangio conquistó el primer gran récord de la categoría y ganó cinco campeonatos del mundo, una marca que romperá Michael Schumacher casi medio siglo después.

El primer gran salto tecnológico comenzó a tomar forma, cuando el motor que avanzaba se ubicó detrás del piloto. Ya en la década de 1960, Lotus dio el siguiente gran salto, cuando lanzó su primer chasis de aluminio, que, junto con el rendimiento aerodinámico consolidado de la década de 1970, permitió a la Fórmula 1 alcanzar velocidades sin precedentes. Las lamentables muertes de Ayrton Senna y Roland Ratzenberger en la década de 1990 obligaron a la Federación Internacional del Automóvil (FIA) a realizar cambios drásticos para mejorar la seguridad de los vehículos. En la actualidad la Fórmula 1 se convirtió en un espectáculo mundial, con la participación de más de 500 millones de personas. Es la categoría automovilística internacional más cotizada de la historia. Ha provocado una respuesta inusual en América Latina, y la afición no se vió afectada por ella. Crece a pasos agigantados.

El progreso tecnológico y el análisis de datos han llegado al mundo del automovilismo. La Fórmula Uno es uno de los deportes que requiere de innovación y tecnología. Se estima que un monoplaza genera 300 GB de información en cada carrera. Esto da al equipo infinidad de posibilidades de analizar posibles errores o puntos fuertes. El director de TI de Mercedes-AMG Petronas, aseguró que “los coches son el Internet de las cosas”. Mercedes-AMG Petronas ha equipado los vehículos con aproximadamente 200 sensores. Recolecta datos durante todo el fin de semana. Aproximadamente el 80% se tomó antes del juego (viernes y sábado).

Mercedes-AMG Petronas coopera con varias empresas en los campos de las telecomunicaciones y los datos, a través de las cuales puede maximizar el rendimiento y reducir el tiempo. Cuando un equipo de ingenieros está trabajando en boxes, un segundo equipo en su base también analiza datos y recopila información. La empresa Tibco, experto en software de análisis e integración de datos, trabaja de la mano con Mercedes-AMG Petronas para crear un modelo que pueda analizar y crear diferentes escenarios para que puedan superar a sus competidores de la manera más segura. Qualcomm una empresa que comercializa y diseña productos y servicios de comunicación inalámbrica y también es su socio. Mercedes utiliza el procesador Snapdragon de Qualcomm, que recopila información y la transmite a la caja a través de una conexión Wifi.

En cuanto al contacto con la pista, el neumático es el único punto de contacto entre el conductor y el asfalto, y los neumáticos son fundamentales para ganar o perder tiempo. Los neumáticos más blandos proporcionan un mayor agarre en el asfalto, pero deben cambiarse con más frecuencia, lo que significa más paradas en boxes. Los neumáticos rígidos son más duraderos, pero tienen menos agarre. Los pilotos a menudo tienen que tomar decisiones instantáneas (fracciones de segundo). ¿Completar las vueltas con el mismo par de neumáticos o detenerse y cambiar por neumáticos nuevos? La elección incorrecta puede costarles tiempo, y en la Fórmula Uno, el tiempo es un factor muy importante.

Es importante realizar un seguimiento del rendimiento de cada tipo de neumático en cada vuelta y controlar su temperatura para verificar qué neumático es el mejor para cada equipo. Pirelli lanzó recientemente dos nuevos neumáticos, Hypersoft (rosa) y Superhard (naranja). Hypersoft es adecuado para velocidades más bajas y es adecuado para pavimentos de asfalto débilmente abrasivos como en los circuitos de Mónaco o Canadá. Aunque el rendimiento del coche es fundamental, lo más importante es la salud del conductor. Con este fin, se han desarrollado guantes biométricos que pueden medir la frecuencia cardíaca y los niveles de oxígeno, lo que le permite monitorear los signos vitales durante, antes y después de una colisión. Esto es importante porque al rastrear de forma remota los signos vitales, el personal médico puede conocer el estado del conductor cuando llega al lugar del accidente. Lo mismo ocurre con el seguimiento de los signos vitales del personal en boxes.

En la actualidad estos datos recogidos en la fórmula uno ha hecho que grandes empresas fabricantes de automóviles como Mercedes Benz puedan implementar en sus autos una mecánica diferente para la vida en la ciudad, y un claro ejemplo es la caja de cambios con levas en el volante, ya que este método fue utilizado en un inicio en os autos de fórmula uno y ahora podemos encontrar este mecanismo en varios autos que vemos en las calles dando así al conductor más comodidad al momento de aumentar o reducir la marcha.

En conclusión, el uso de big data en la fórmula uno ha hecho que las escuderías puedan tener un pronóstico más real en cuanto al desempeño del carro y también poder tener un control saludable del piloto, en la actualidad es bastante interesante como grandes fabricantes de automóviles usan el estudio y análisis de las ingenierías de los monoplazas de fórmula uno para poder implementar en los carros en nuestra vida cotidiana.

34 ideas de Senna | fórmula 1, ayrton senna, carreras de autos

Autor: Hugo Iza

¿Cómo el Big Data y Machine Learning transformaron a American Express?

American Express o AmEx es una institución financiera fundada el 25 de marzo de 1850 en New York por Henry Wells, William Fargo y John Warren Butterfield; la cual es rankeada dentro de las 100 empresas más grandes del mundo según la revista Forbes. (Forbes) La empresa comercializa globalmente servicios brindando a sus clientes tarjetas de crédito o de cargo y servicios relacionados con viajes. (American Express, 2015)

Todo comenzó cuando un empleado de la empresa, Marcellus Berry, creó el “money order” o giro postal en 1882 el cual es un cheque en papel prepagado para realizar pagos a terceros y; como consecuencia se originó el Cheque de Viajero para resolver las necesidades de aquellos que deseaban tener una forma fácil y confiable de transferir fondos internacionalmente. (American Express, 2021) Posteriormente, se lanzó la Tarjeta American Express en 1958 en Estados Unidos y Canadá con una gran acogida por su “fortaleza de marca, su excelente servicio al cliente y sus oficinas alrededor del mundo.” (American Express, 2021) Actualmente, la empresa cuenta con más de 2200 oficinas en más de 140 países focalizada en un papel de “proveedor global” de los servicios mencionados anteriormente. (American Express, 2021)

Sin embargo, mantenerse en esta alta posición en el mercado no ha sido fácil. AmEx, como muchas otras empresas, se ha visto amenazada por los avances rápidos en la tecnología que ocurren actualmente; pero ha sido una de las pocas compañías que ha sabido aprovecharlos para mejorar su negocio. Por lo que American Express ha logrado dar valor a sus clientes en el espacio de pagos y comercio utilizando el Big Data juntamente con el Machine Learning. La empresa vio su vasta base de datos como una ventaja sobre las demás instituciones financieras ya que gracias al “bucle cerrado”, AmEx puede analizar las transacciones de los clientes y del lado comerciante, mientras que Visa o MasterCard tienen un acceso limitado a los datos de los clientes porque los bancos contratantes son cerrados en compartir información. (Manglani, 2017)

Al tener esta ventaja competitiva, el grupo de “American Express´ Risk and Information Managment” con el de “Technology”, decidieron construir habilidades de Big Data de clase mundial. Logran mejorar su dinámica de negocio transformando su modelo de comercialización por ser capaces de analizar tendencias e información de gastos de los clientes y así crear algoritmos que proporcionen ofertas personalizadas para atraer y retener a sus clientes y además, aprovechar esta ventaja para mantener relaciones con los comerciales utilizando marketing dirigido. (Manglani, 2017)

Por lo tanto, gracias al análisis de datos, AmEx cambia su modelo de comercialización ya que se aleja de lo tradicional de dar crédito a los clientes y servicios al comerciante por realizar transacciones y se acerca más a los clientes de una manera especializada por lo que gana mayor clientela; pero en lo que se destaca la empresa y está definido en su visión: “Brindar la mejor experiencia a nuestros clientes, todos los días, en todo el mundo.” (American Express, s.f.); es generar confianza en el cliente para que este los prefiera, aumentando sus ventas.

Como consecuencia, gracias al acceso al Big Data, AmEx ha empleado modelos de “Machine Learning” para incrementar la seguridad de sus clientes y atraer a nuevos por lo que generan mayores ingresos. Por ejemplo, logran detectar transacciones fraudulentas comparando la información de la tarjeta con un patrón creado por un algoritmo de posible fraude y así, la empresa minimiza sus pérdidas y mantiene su imagen. También, el uso del internet y del marketing dirigido ha aumentado un 40% de nuevas adquisiciones por este medio, lo que igualmente reduce los costos y aumenta sus ventas. (Manglani, 2017)

Sin embargo, aunque AmEx ha logrado mucho al cambiar su manera de comercialización con el análisis de datos, aún se enfrenta a equilibrar la inversión en el Big Data con las necesidades inmediatas, y la investigación que se tendrá que llevar a cabo con los siguientes avances tecnológicos.

En conclusión, a pesar de que American Express tenga el anterior desafío, ha creado una empresa poderosa por su transformación en su comercialización por el uso del Big Data y Machine Learning que caracteriza a la empresa en seguridad y transacciones personalizadas, brindándole un valor distintivo a la marca que puede siempre aprovechar mientras se adapta a nuevos cambios.

Bibliografía

American Express. (2015). Acerca de American Express. Obtenido de https://www.americanexpress.com/ve/network/content/about-the-company.html

American Express. (2021). American Express Company. Obtenido de https://www.americanexpress.com/argentina/about/historia.shtml#:~:text=Informe%20de%20RSE&text=American%20Express%20Company%20nace%20en,transporte%20de%20cargas%20y%20valores.&text=Emitida%20en%201958%20por%20primera%20vez%20en%20EE.

American Express. (s.f.). Acerca de la Compañía. Obtenido de https://www.americanexpress.com/mx/about-the-company.html#:~:text=VISI%C3%93N%3A%20Brindar%20la%20mejor%20experiencia,CUMPLIMOS%20CON%20NUESTROS%20CLIENTES.

Forbes. (s.f.). American Express (AXP). Obtenido de https://www.forbes.com/companies/american-express/?sh=6e06b7144669

Manglani, C. (02 de abril de 2017). American Express: Using data analytics to redefine traditional banking. Obtenido de https://digital.hbs.edu/platform-digit/submission/american-express-using-data-analytics-to-redefine-traditional-banking/

La importancia del análisis de datos para McLaren F1 Team

McLaren Racing Limited, conocida más comúnmente como McLaren F1 Team, es un equipo de Fórmula 1 que se dedica a construir autos de Fórmula 1 para poder correr y competir en los Grandes Premios que componen el Mundial de la Fórmula 1. McLaren F1 Team pertenece al Grupo McLaren, la función principal de este grupo se basa en la industria productiva de automóviles de alta gama. La sede principal de McLaren se encuentra en Woking, Reino Unido. Esta escudería fue fundada en 1963 y consta con una historia muy amplia y reconocida en el campo de los deportes automovilísticos. Es por eso que está considerado dentro de los 4 grandes equipos de la Fórmula 1 junto con Mercedes, Williams y Ferrari.

McLaren ha sido parte de la Fórmula 1 desde el año 1966, en este año la escudería británica hizo parte, por primera vez, de un Gran Premio de Fórmula 1. Solamente 3 años después de su fundación McLaren logró entrar a la máxima competencia automovilística. A partir de este año, McLaren comienza a hacer historia en el automovilismo y se gana un puesto dentro de los 4 grandes. A la fecha, McLaren cuenta con 8 campeonatos Mundiales, 182 victorias, junto con 155 pole positions y 158 vueltas rápidas. Asimismo, McLaren se ha hecho acreedor al título “Donde las leyendas nacen”, ya que en este equipo muchos pilotos han marcado épocas dentro del deporte como: Alan Prost, Niki Lauda, Kimi Raikkonen, etc.; o pilotos han comenzado una carrera exitosa en la escudería británico como es el caso de Lewis Hamilton (7 veces campeón mundial – 1 vez con McLaren).

McLaren tuvo un rendimiento muy notorio a lo largo de los años destacando entre los mejores equipos del deporte automovilístico más grande del planeta. Desde el año 2007 al 2012 tuvieron un rendimiento estable y con poca variación. En el año 2013 comienza su declive, y en el 2015 caen a penúltimo lugar del campeonato de constructores. Por lo que a partir del 2016 McLaren decide hacer alianzas con empresas tecnológicas para poder mejorar su rendimiento en la pista, asimismo lo hizo en el año 2018. A partir de estas alianzas que consolidó McLaren, lograron tener un mejor rendimiento en los últimos años y escalar posiciones en el campeonato mundial. Ha sido notable la mejora ya que McLaren pasó del penúltimo puesto (9°) al segundo lugar en 3 años.

Ilustración 1

En el año 2016 McLaren-Honda decide aliarse a la compañía tecnológica IBM. Gracias a este acuerdo, se decide colocarle al monoplaza de McLaren más de 160 sensores inteligentes que recopilen información en tiempo real y se tenga información de todas las partes del coche. Todos estos sensores le permitieron a McLaren hacer análisis en tiempo real con el fin de optimizar el rendimiento del coche en los Grandes Premios. “De esta forma podrán tener mucha más información durante la carrera para optimizar ajustes del coche y programar las paradas en boxes.” (Valero, 2016).  Para poder realizar todo esto IBM introduce su plataforma analítica de Big Data llamada IBM Watson Internet of Things, todo el flujo de datos que los sensores y las demás aplicaciones que recopilen datos envían dichos datos a través de esta plataforma hacia la central de Honda en Japón y la de McLaren en Woking. Después, usando IBM Streams la información se envía a la nube donde los mecánicos e ingenieros de McLaren con sus tablets y computadores tienen acceso en tiempo real a toda la información que se recopile acerca de todos los componentes del auto.

Esto es importante porque todos los mecánicos de McLaren Honda que veas con un tablet es probable que estén consultando parte de esta información para poder tomar decisiones en tiempo real para ajustar la presión, la energía eléctrica o los niveles de temperatura de los sistemas para poder mejorar el rendimiento del monoplaza. Son solo algunos datos, pero pueden suponer la diferencia entre ganar o perder. El resto de información se queda en los data centers de las empresas para su análisis post carrera y que sirvan para plantear mejoras en los monoplazas. (Valero, 2016).

“El que tenga más datos es más probable que pueda mejorar”.

En el año 2018, McLaren hace uno de sus mejores acuerdos para la analítica de datos con la multinacional estadounidense Dell. Dentro de este acuerdo se hace participe a las filiales de McLaren: McLaren Racing y McLaren Applied Technologies. Gracias a este acuerdo, todas las ramas de McLaren y la misma compañía McLaren son acreedores para utilizar el portafolio de soluciones, que proporciona Dell, para asistir en el diseño y fabricación de los McLaren, optimizar el rendimiento de las operaciones en pista y el almacenamiento de dichos datos. (Expansión, 2019). Una de las funciones principales que tiene este acuerdo va de la mano con la división de McLaren IT, donde se ofrece y analiza los datos con el fin de realizar un diseño y fabricación óptimos para cada fin de semana de competición. Por ende, se recopilan alrededor de 100 gigabytes de información en cada fin de semana que se corra una carrera de Fórmula 1; con esto, los ingenieros y mecánicos tienen acceso en tiempo real a la información recopilada para conseguir mejores resultados en pista.

Gracias a todas estas plataformas de análisis de datos se pueden realizar proyecciones, comparaciones e incluso simulaciones de como se comportarán los autos, las llantas y el ritmo de carrera de los monoplazas de las distintas escuderías. Por ejemplo, en la Ilustración 2 se muestra una simulación del promedio de carrera y rendimiento de llantas de un piloto de McLaren del año 2018. Por otro lado, en la Ilustración 3 I se muestra la comparación del ritmo de las diferentes escuderías entre los años 2019 y 2020.

Cuadro de texto: Ilustración 3 I
Ilustración 3

Podemos concluir que la analítica de datos juega un papel muy importante en el deporte automovilístico debido a que es una herramienta de gran importancia que permite a los equipos analizar sus fallas o puntos débiles y realizar proyecciones o mejoras en los mismos monoplazas para garantizar un mejor rendimiento y mejores resultados en los Grandes Premios. El caso McLaren ha sido realmente notorio ya que, gracias a las plataformas de IBM, Dell y McLaren IT, han logrado escalar posiciones en los últimos años y conseguir el histórico tercer lugar en el año 2020.

BIBLIOGRAFIA:

-Así es la tecnología detrás de la F1. (2019). Expansión. Recuperado de: https://expansion.mx/tecnologia/2019/10/24/asi-es-la-tecnologia-detras-de-la-f1

-McLaren. (2021). Wikipedia. Recuperado de: https://es.wikipedia.org/wiki/McLaren

-Molina R. (2018). ANÁLISIS: El ritmo de carrera de los equipos de F1 en la semana 2 de pretemporada. SoyMotor. Recuperado de: https://soymotor.com/articulos/analisis-el-ritmo-de-carrera-de-los-equipos-de-f1-en-la-semana-2-de-pretemporada-94673

-Valero, J. (2016). Big Data en la Fórmula 1, el caso del equipo McLaren Honda. Hipertextual. Recuperado de: https://hipertextual.com/2016/03/big-data-en-la-formula-1 (Ilustración 2).

-Muñoz, J. (2019). McLaren establece su mayor prioridad: mejorar su ritmo en curva lenta. Motor. Recuperado de: https://www.motor.es/formula-1/mclaren-establece-mayor-prioridad-mejorar-ritmo-curva-lenta-201959279.html

-Ramírez, L. (2021). El orden de los equipos en 2021, según la propia F1. Motorsport. Recuperado de: https://es.motorsport.com/f1/news/orden-equipos-2021-formula1-valoracion/5775173/?nrt=54

La BIG DATA en los bancos: BBVA

BBVA son las siglas de Banco Bilbao Vizcaya Argentaria. Es un banco español con sede en Bilbao que en la actualidad se le considera una de las empresas financieras más grandes e importantes en el mundo. Sus mercados principales se encuentran en España, Hispanoamérica, Estados Unidos y Turquía donde tiene sus filiales.

La historia de este banco inicia en 1857, en la ciudad española de Bilbao, donde la Junta de Comercio promueve que se cree esta entidad como banco de emisión y descuento (entidad que pone en circulación cheques, créditos documentarios, bonos y otros títulos valores, así como con los fondos obtenidos, se invierte en operaciones de activos como descuentos en títulos de valores y letras de cambio) el cual también imprimía billetes. En 1878 pierde la facultad de emitir billetes por lo que se reorganiza como banco de préstamos y descuento. Banco Vizcaya se funda 1901, el cual se extiende a través del país e interviene en la creación y desarrollo de una parte de la industria española. Un año después, en 1902, se fusiona Banco Bilbao con el Banco del Comercio. En 1920, se crea un consorcio de banqueros e industriales, el BCI, con el objetivo de impulsar la instalación y consolidación industrial, del cual forman parte Banco Bilbao y Banco Vizcaya. A través de la década de 1960, los dos bancos crecen a pasos acelerados, ya que mientras Banco Bilbao va integrando otros bancos y comienza a crear todo un grupo financiero, el Banco Vizcaya se consolida como banco universal moderno, el cual amplía su red comercial. En 1980, Banco Bilbao comienza una estrategia para acceder a nuevos negocios financieros que surgen con el avance tecnológico en el mundo. A su vez, Banco Vizcaya contribuye al reflote de bancos afectados así como desarrolla una política de crecimiento por adquisiciones. En 1998, es cuando se integra en una sola marca como Argentaria a la Corporación Bancaria de España, el Banco Exterior de España (que se fusionó con el BCI), el Banco Hipotecario y la entidad de Caja Postal. Un año después es cuando finalmente se anuncia la unión de BBV con Argentaria y se crea lo que conocemos actualmente como BBVA.

Creemos que el conocimiento derivado de los datos financieros puede transformar la industria bancaria, su relación con los clientes y su papel en el mundo.

BBVA Al Factory

Esta frase es la presentación de BBVA Al Factory, este es un grupo de científicos de datos y profesionales tecnológicos que son los encargados de desarrollar y crear nuevos servicios y productos de datos que tienen como objetivo situar a BBVA como protagonistas en la banca en la sociedad. Para BBVA, es importante generar una cultura que se base en los datos y lo que estos representan para sus clientes; pensando en esto, se han creado nuevas propuestas que tienen como objetivo ayudar a sus clientes con su servicio y así mismos utilizando los datos para mejorar y expandir su negocio.

            Uno de sus productos más conocidos es Commerce 360, es una herramienta tecnológica que ofrece una serie de indicadores importantes para un negocio, como la hora a la que gente produce más compras, los días que se producen más compras, la fidelidad de los clientes, el perfil de clientes extranjeros, etc. Es importante resaltar que esta herramienta agrega los datos a un conjunto y los anonimiza para evitar detectar comportamientos individuales que afecten la confidencialidad de sus clientes. Este producto es ofrecido para sus clientes comerciales, es decir, aquellos que tienen negocios o desean iniciar uno, además también tienen herramientas que los ayuda a gestionar los datos financieros de sus negocios para que tengan una vista de cómo les está yendo. Además, Commerce 360 tiene varios artículos y páginas informativas para negocios con varias categorías, como marketing, redes sociales, creadores web, entre otros.

            Otras aplicaciones del análisis de datos es la de crear una cuenta inteligente que permita predecir gastos futuros, el análisis del comportamiento del cliente en base a sus gastos generados, la categorización automática de movimientos, la capacidad de comparar gastos con otros clientes de forma anónima y la de recomendar al cliente varias herramientas o productos de acuerdo a su estilo de vida. Es decir, según los datos de cada cliente, con una actividad económica distinta, se podrán detectar patrones y comportamientos para ofrecerles productos financieros personalizados que logren una mayor satisfacción.

Además, BBVA puede también generar recomendaciones de servicios o productos financieros según los gustos de cada cliente. Con el análisis de datos del ambiente externo, como las tendencias en redes sociales o el comportamiento en internet, permite que el ecosistema de datos que rodea a cada cliente se enriquezca lo cual da nuevas oportunidades de negocio al banco, por ejemplo, si un cliente expresa por redes sociales su deseo de un carro, el banco puede generar un crédito especial para él. O este análisis de todos sus clientes, también puede resultar en un estudio sobre dónde deberían ubicar su siguiente oficina física o el siguiente cajero automático según sus usuarios lo necesiten más y cuánto dinero cargar a este, lo cual permite obtener más beneficios y evitar un gasto innecesario.

Así mismo, permite predecir cuándo un usuario planea dejar el banco según sus movimientos o datos externos, de esta forma, el banco puede comunicarse o recomendarle nuevas herramientas o productos para retener al cliente que se adapten a su actividad. En esta misma línea de gestión de clientes, también está el de decidir cuál es la vía más adecuada para comunicarse; por ejemplo, si para el cliente es mejor las notificaciones por mensaje o por email, cuál sería el canal prioritario y de facilidad para el usuario; de esta forma también evita que el banco invierta en canales innecesarios.

En conclusión, el análisis de datos en el sector bancario y específicamente en BBVA, ha permitido la optimización de muchos de sus procesos y sus recursos, a través de la gestión de los datos incluso les ha permitido desarrollar herramientas innovadoras que buscan siempre la felicidad y satisfacción del cliente, al igual que les ha permitido ver nuevas oportunidades de negocio y la de evitar gastos innecesarios o minimizarlos. Además, ha permitido que sus clientes se sientan seguros e importantes debido al nivel de personalización de las recomendaciones y ayudas que el banco les brinda. Para esta entidad financiera es notoria la importancia que le da a los datos ya que desde hace algunos años han creado el departamento de analítica de datos que actualmente lleva el nombre de Al Factory y también tiene un departamento de investigación y búsqueda de datos.

Uso de datos en Coca-Cola Company

Coca-Cola es la empresa líder de bebidas en el mundo. Su oficina matriz se encuentra en Atlanta, Georgia y tiene operaciones en más de 200 países. Esta empresa lleva operando en el mercado desde 1886 y tiene más de 134 años de trayectoria. Coca-Cola Company dispone de diferentes líneas de productos muy conocidos en todo el mundo, como son: Powerade, Schweppes, Ades, Fanta, Frugos, Dasani, Kin, Sprite, Aquarius, Crush, Tropical, Coca-Cola, Smartwater, Minute Maid, Fuze Tea, entre otras. Esta empresa se caracteriza por tener un sistema que opera a través de múltiples canales locales y socios embotelladores que a la vez trabajan con tiendas, restaurantes, vendedores ambulantes, cines, parques, etc., para así llegar a cada rincón del mundo.  Su visión se basa en refrescar el cuerpo y espíritu de las personas de manera sustentable para un mejor futuro que marque la diferencia en la vida de las personas, comunidades y nuestro planeta (Coca-Cola Company, 2021).  

Todo empieza un 8 de mayo de 1886 en Atlanta, Georgia cuando el farmacéutico John S. Pemberton intentaba crear un medicamento que aporte energía y trate los problemas digestivos (se dice que la formula inicial llevaba cocaína, pero hasta la actualidad la empresa lo niega). La farmacia Jacobs fue la primera en vender la bebida a 5 centavos. Al darse cuenta de que la bebida era un éxito, Frank Robinson ideo la marca y el logotipo. En 1897, la bebida salió al mercado por primera vez con el nombre de Coca-Cola. En 1899, se firma el acuerdo para embotellar Coca-Cola en Estados Unidos, aquí empieza su modelo de negocio: la empresa les daba la mezcla y los embotelladores hacían la bebida y se encargaban de distribuirla y venderla. A inicios del siglo 20 ya existían más de 400 plantas en Estados Unidos, Cuba, Canadá y Panamá. Tras experimentar problemas con las botellas que eran diferentes y que confundían a los consumidores, en 1915 se hace un concurso para decidir la botella oficial. El ganador del concurso fue Alexander Samuelson con una botella única que podía reconocerse aún si no tenía la etiqueta o si estaba rota (Santamaría, 2019). 

En 1919, Ernest Woodruff compró todas las acciones de la empresa a los Candler. En 1920 aparece por primera vez papa Noel en su publicidad con una Coca-Cola en la mano. En los años 20 ya se creó el six pack de la bebida que permitía transportarla de manera más fácil. En la segunda guerra mundial la bebida adquiere popularidad gracias a los soldados estadounidenses quienes la consumían. En este mismo momento se cambió el envase a una lata para que sea más fácil transportar la bebida. La palabra Coke fue registrada como marca en 1945, ya que se popularizo este nombre (TIk Tak Draw, 2017). En 1984 presentan su primera bebida sin calorías la Diet Coke. En 2006, la empresa hace un lanzamiento muy importante y es de su famosa bebida Coca-Cola Zero, resultando todo un éxito. En el 2013 lanzan la Coca-Cola Life con Stevia (Coca-Cola Argentina, 2019). Coca- Cola ha sido una empresa de rápido crecimiento, en la actualidad cuenta con 24 millones de puntos de venta en más de 200 países. Además, tiene más de 500 marcas y 3500 productos adaptados para cada mercado y país. La empresa da empleo a más de 71.000 personas y vende más de 1.900 millones de bebidas al día. Actualmente es considerada la marca más valiosa y reconocida del mundo (TIk Tak Draw, 2017).  

Según Forbes, Coca-Cola es la primera marca reconocida fuera del sector de tecnología en hablar de Big Data. Al ser una de las empresas más exitosas del mundo, Coca-Cola ha implementado el análisis de datos en varios campos de la empresa. Como ejemplo, el lanzamiento de sus nuevas bebidas, que son pensadas a través de los datos recolectados por medio del self-service. La información recolectada por estas permite conocer las preferencias de los consumidores, ya que se pueden hacer bebidas ajustadas a cada gusto, lo que genera muchos datos que permiten estudiar el mercado. Un ejemplo de uso de la información de máquinas self-service es el lanzamiento del sabor Cherry Sprite en 2017. Coca-Cola también usa realidad aumentada en atención a clientes y en sus plantas de embotellado por medio de gafas, cascos o audífonos, los técnicos pueden recibir información de la gestión en los servicios, procesos de embotellado y obtener respaldo de expertos (Arcángel, 2017). 

Otra forma muy popular de uso de datos en la empresa es en su publicidad y campañas. Existen innumerables campañas exitosas que se han hecho en base a datos recolectados de los consumidores en todo el mundo. Algunas de las más interesantes se nombrar a continuación. La campaña I love you hater de su bebida Sprite que celebra la actitud de los jóvenes frente a las críticas (Journey Paraguay, 2019). La campaña Share a Coke que se inició en el 2014 con las icónicas botellas con nombres, que fue creada gracias a datos recolectados en Australia enfocados en los aspectos que provocan felicidad y emoción en las personas. Esta campaña es hasta ahora la más exitosa de la empresa (Moye, 2014). En 2021 fue mejorada gracias a la recolección de datos de experiencias pasadas pero esta vez con un enfoque diferente por la pandemia, esta campaña usa como elemento las Coca-Colas con palabras como respeto y solidaridad y también con letras para formas palabras como amar (Compañía Coca-Cola, 2021). Sus máquinas expendedoras interactivas no se pueden quedar atrás como la máquina de la felicidad, que consistía en una maquina alta para que las personas junto a su amigo alcanzaran el botón para obtener dos Coca-Colas. Generalmente estas máquinas tienen cámaras para que expertos puedan estudiar el comportamiento al usarlas (Cabrera, 2015). 

Otro uso de esta información es empleada para el análisis de problemas en las máquinas expendedoras en ciertas localizaciones lejanas o difíciles de alcanzar. Un proyecto muy interesante que lanzo Coca-Cola con goPuff, basado en big data, fue los pedidos por aplicación en campus universitarios. Aprovechando el crecimiento del comercio electrónico, la empresa pensó en una manera de llevar las bebidas en poco tiempo a los jóvenes y personas que trabajan. Por esto se alió con goPuff para llevar bebidas a los estudiantes en el campus en pocos minutos. En otro proyecto, Coca-Cola sacó el dispensador Freestyle con Bluetooth. Esto permite a los consumidores conectarse con la aplicación y ver información nutricional, la combinación de bebidas de su preferencia y mucho más, lo que ayuda a Coca-Cola a recolectar datos desde la aplicación. Existen muchos otros proyectos enfocados a la tecnología digital y preferencias del consumidor como es el uso de Sip &Scan. Esto permite a los consumidores escanear con su celular los logos de su bebida favorita de Coca-Cola y así ganar premios y crear nuevas experiencias. Esto resultó un gran éxito y permitió a la empresa obtener datos sobre que bebidas se escaneaban más y quienes eran los que las consumían (Coca-Cola Paraguay, 2018). 

Otra manera en la que Coca-Cola aplica los datos es por medio de las redes sociales. En el 2015, la empresa seguía las menciones a sus productos lo que les permitió sacar estadísticas y saber que cada dos segundos se habla en redes de sus productos. Actualmente, miden la presencia de sus productos en redes en comparación con los de sus competidores por medio de las publicaciones. Además, por medio del logaritmo, determinan que anuncios le interesan a quien y así tienen 4 veces más probabilidad de que la publicidad reciba un clic. Gracias a todas estas interacciones que reciben por redes, han podido identificar quien es su cliente, sus características y gustos. Coca-Cola también usa los datos para la creación de bebidas saludables, debido a que los consumidores se preocupan más por su salud y son conscientes de las consecuencias de ingerir ciertos alimentos y bebidas azucaradas. Por esto, ha creado Minute Maid que es un zumo de naranja natural. Parte de los datos que se usaron para el desarrollo y producción de Minute Maid salieron de datos meteorológicos, calificaciones de dulzura y acidez, rendimiento de cultivos, imágenes por satélite, oscilación de precios, entre otras para mantener el sabor de la naranja y que sea saludable al mismo tiempo (Management Society, 2017).  

Minute Maid no es el único producto que ha sido creado a base de datos de los consumidores, Coca-Cola ha usado los datos locales para crear productos de acuerdo con un segmento especifico. Por ejemplo, el High Mountain Oolong, un té que fue creado en base a datos recolectados en China que es una de las ciudades que más consume esta bebida. Coca-Cola se dio cuenta de que el té Oolong es el segmento más importante dentro del mercado del té y creo High Mountain Oolong que se prepara con hojas cosechadas en las montañas dándole el sabor preferido por los consumidores, un sabor agridulce pero no astringente. Igualmente, en Coca- Cola China, se introdujo en 2009 el primer producto lácteo llamado Minute Maid Pulpy. Esta también creada en base a datos de las preferencias del consumidor en China y a la lista de bebidas más populares, inspirado por el consumo de té con leche. Esta bebida es con crema y pedazos de coco.  Otro producto muy exitoso creado a base de datos e investigación es Fanta Limón +C. Esta bebida se la hizo en base a un estudio realizado en Japón en el que se descubrió que las personas toman vitamina C durante el invierno porque les permite enfermarse menos. La bebida tiene una gran concentración de vitamina C equivalente a 80 limones. Como último ejemplo del uso de datos en creación de productos tenemos a Mojito Finley enfocado en los gustos de adultos que, como se descubrió, les gustaba las bebidas carbonatadas que no tengan muchas calorías. Coca-Cola saco Mojito Finley con un empaque sofisticado enfocado al buyer persona al que querían llegar, viene en diferentes sabores. Por medio de las redes sociales se pudo recolectar información del éxito y acogida de estos productos en el mercado (Equipo Editorial Journey, 2017). 

En conclusión, Coca-Cola es una empresa que usa los datos para muchos de sus procesos como creación de nuevos productos, mejoramiento de empaque y eficiencia. Así como el uso de los datos recolectados de sus clientes para acercarse más a ellos y entender sus necesidades y deseos. Además, aplica estos conocimientos sobre sus consumidores en inteligencia artificial y máquinas expendedoras para mejorar la experiencia. Sin duda, Coca-Cola sabe aprovechar muy bien la información y es por esto por lo que es una de las empresas más exitosas del mundo.  

Referencias Bibliográficas

Arcángel, J. (03 de 10 de 2017). Big Data Magazine. Obtenido de https://bigdatamagazine.es/coca-cola-se-apoya-en-el-big-data-para-impulsar-aun-mas-su-exito

Coca-Cola Argentina. (2019). Coca-Cola Journey. Obtenido de https://www.cocacoladeargentina.com.ar/historias/bienestar-linea-de-tiempo-recorre-la-historia-de-coca-cola-en-la-argentina

Coca-Cola Company. (2021). Coca-Cola Company. Obtenido de https://www.coca-colacompany.com/company/purpose-and-vision

Santamaría, P. (07 de 05 de 2019). ABC Gastronomía. Obtenido de https://www.abc.es/viajar/gastronomia/abci-historia-coca-cola-nacio-farmacia-201805080832_noticia.html

TIk Tak Draw. (19 de 01 de 2017). Obtenido de https://www.youtube.com/watch?v=wF2seiqVDaM

Arcángel, J. (03 de 10 de 2017). Big Data Magazine. Obtenido de https://bigdatamagazine.es/coca-cola-se-apoya-en-el-big-data-para-impulsar-aun-mas-su-exito

Coca-Cola Paraguay. (23 de 07 de 2018). Coca-Cola Journey. Obtenido de https://www.coca-coladeparaguay.com.py/historias/innovacion-tecnologia-digital-y-big-data-aceleran-la-estrategia-de-innovaci

Management Society. (21 de 09 de 2017). Management Society. Obtenido de https://www.managementsociety.net/2017/09/21/como-utiliza-coca-cola-los-millones-de-datos-que-obtiene/#:~:text=Concretamente%2C%20la%20compa%C3%B1%C3%ADa%20combina%20datos,as%C3%AD%20mantener%20un%20sabor%20consistente.

Equipo Editorial Journey. (11 de 07 de 2017). Coca-Cola Journey. Obtenido de https://journey.coca-cola.com/historias/innovacion–17-productos-nuevos-de-coca-cola-refrescan-a-consumi

Journey Paraguay. (04 de 02 de 2019). Coca-Cola Journey. Obtenido de https://www.coca-coladeparaguay.com.py/historias/i-love-you-hater–la-campana-de-sprite-que-celebra-la-autenticid

Moye, J. (25 de 09 de 2014). Coca-Cola Journey. Obtenido de https://journey.coca-cola.com/historias/comparte-una-coca-cola-como-la-innovadora-campana-empezo-en-australia-y-nueva-zelanda

Coca-Cola, C. (18 de 01 de 2021). Coca-Cola Journey. Obtenido de https://journey.coca-cola.com/historias/comparte-una-coca-cola-comparte-sentimientos-positivos

Cabrera, M. (2015). Marianocabrera.com. Obtenido de https://www.marianocabrera.com/10-creativas-campanas-btl-de-coca-cola-por-sus-100-anos/

Crunchyroll

Crunchyroll es la empresa con mayores licencias para distribución de anime alrededor del mundo, considerada como la marca más reconocida para el streaming del anime, su objetivo es llegar a ser la empresa más reconocida y legal, con la mayor amplitud de catálogos, y poder rivalizar con grandes empresas de streaming, esta empresa toma en cuenta a cada uno de sus consumidores, conteniendo animes, mangas, juegos, de igual forma comercializa productos físicos tales como figuras de acción, además de realizar eventos para promocionar las nuevas inclusiones de material dentro de la plataforma, Crunchyroll busca crear experiencias para su consumidor, a fin de afianzar su vinculo con el mismo, y de este modo aumentar la fidelidad hacia la página web por encima de otras, cabe destacar de la misma que ha logrado tener más de 190 eventos en vivo patrocinados, principalmente en Francia y Alemania.

Crunchyroll nace en el año 2006 como un sitio web de streaming ilegal, y aunque eliminaba una gran cantidad de sus contenidos por el copyright, de cierto modo incluía otros, en 2008 realiza una inversión de 4 millones de dólares, de esta forma comenzaría a asociarse con empresas de anime japonesas populares, tales como TV Tokyo y Gonzo, este es el punto desde el cual empieza a verse la determinación de la empresa por solo almacenar contenido legal dentro de su sitio web, su expansión continuaría de forma local hasta 2012 donde llega por primera vez a Latinoamérica, y de igual forma a España en 2013, a pesar de sus intentos por tener todo el contenido posible e intentar a habilitar todo su catálogo en todas las partes del mundo, esto no se ha logrado, aunque entre sus logros se encuentra el aumento en la tasa de visualizaciones de anime alrededor del mundo, convirtiéndose en un fuerte competidor para Netflix.

Crunchyroll es de las empresas más reconocidas alrededor del mundo en la distribución del entretenimiento japonés, en el año 2012 esta empresa tendría la opción de priorizar el contenido que le gustaría ver a cada uno de sus usuarios, de esta forma empezaría a ver los gustos personales y poder generar recomendaciones de contenido a partir del mismo, además generaría encuestas enviadas por correo electrónico, o generando spam dentro de ciertas plataformas para llegar a una audiencia más alta, de esta forma podría ver los intereses de consumidores potenciales para la aplicación, debido a esta actividad Crunchyroll tiene un gran incremento del 172%, además dentro de sus eventos los objetivos de la empresa es ser originales en todo momento, a fin de destacar, de cierto modo alimentan la pasión de cada uno de sus espectadores, esto mediante sus mensajes de inclusión hacia todo el mundo, en sí atribuyen en el crecimiento del anime, buscando la manera de diversificarse y llegar a ser más fuerte que sus competencias, en la actualidad a logrado asociarse con Cartoon Network para la distribución limitada de su contenido y de cierto modo lograr publicitarse por un medio más conocido, así ampliando su publico objetivo, de este  modo logra generar confianza no solo en sus clientes, sino también en sus accionistas.

Anime News Network (ANN) publicó en 2015 sobre cómo Crunchyroll estableció su contenido de manera personalizada para sus usuarios. Los datos se adquirían en base a la forma de registro, puesto que se pedía especificar géneros de anime con los cuales le gustaría interactuar, además para aquellos que todavía no formaban parte de la comunidad, se realizaron eventos conjuntos, como por ejemplo en el anime expo de 2014 donde anunció la salida de un nuevo anime conocido como “Los 7 pecados capitales”, después de la exposición pidió opiniones al público a fin de afianzar la confianza que se tenía generada con los mismos, de la misma forma se les pidió rellenar una forma a cada uno de los invitados, con el fin de conocer sus tendencias relacionadas con el anime, se estaba dando el incremento del entretenimiento del anime en Japón con TV Tokyo, puesto que esta empresa estaba incrementando sus visualizaciones con animes nuevos y populares como Pokémon, de esta forma Crunchyroll vería a su primer socio a fin de ganar el derecho de reproducir el contenido del cual era parte TV Tokyo, de este modo incremento sus ganancias, de igual forma modifica su modelo de negocios basándose en los datos de popularidad de contenido, pasando de ser un sitio web con animes solo para menores de edad a aumentarlo, esto gracias a sus alianzas y colaboraciones con programas de televisión de Japón y a fin de no aumentar el riesgo de ventas en el mercado mundial, Crunchyroll en base a sus estadísticas obtuvo un promedio de visualización por persona de 85 minutos al día en el cual consumían el contenido de la página, entonces esta plataforma de streaming monitoreando sus alcances y tiempo de visualización por cada consumidor contrata una reserva de bando de ancha promedio con el fin de poder ejercer cierta autoridad sobre sus consumidores donde ofrece una velocidad de conexión superior durante los primeros 60 minutos de cada consumidor, de ahí este se reduce a fin de pasar esta gran capacidad de conexión hacia nuevos usuarios, el nombre de estas interconexiones son Cogent, Crunchyroll lo mantiene en constante actualización, de tal forma que generar ralentización en ciertos programas para que sus usuarios exploren dentro de otras categorías, es de esta forma que el porcentaje de visualizaciones de sus usuarios fuera de su zona de confort va en aumento con un 40% aproximadamente, Las subdivisiones de este programa ayudan cuando existe tráfico en las redes ISP, entonces para poder aplicar el programa de la manera correcta necesitaban pedir de manera casi obligatoria una forma con los análisis de las visualizaciones de cada anime con el cual adquiría sus derechos, esta forma tan detallada de generar vínculos con distintas plataformas generaba una confianza hacia la plataforma muy alta y esto la beneficiaba,  a fin de que otros admiradores del entretenimiento japonés se unieran a su comunidad, regresando un poco en el tiempo, en el año 2012 tras el lanzamiento de la nueva serie de Pokémon, Crunchyroll empezaría a promocionar figuras de acción de los personajes favoritos, comenzó como una idea que se vio afianzada tras la arrasadora popularidad de los animes estrenados en aquella época, se calculaba las visualizaciones por anime, a fin de tener un estimado sobre los que sobresalían en popularidad, a fin de que lograran sacar las figuras de acción con un riesgo de inestabilidad en el mercado muy inferior. Se modificó sus elementos de comercialización, de esta forma el nicho de mercado cambiaria a fin de aumentar a sus clientes y afianzar a otros que desconocían sobre esta faceta de la aplicación, es de este modo que se vería el abismal incremento de entretenimiento japonés en países ajenos al mismo en el año 2013.

Crunchyroll con el pasar del tiempo para ir adquiriendo los derechos de animes poco conocidos para ayudarlos en su desarrollo, realizaba primero un análisis de visualizaciones de las plataformas que contaban con estos animes para ver si podían ser atractivos al público, una vez realizado esto; Crunchyroll analizaba las tendencias de visualización de cada uno de sus usuarios, con el fin de al finalizar un anime poder recomendarle un con poco reconocimiento que podría llamar la atención de su consumidor, esto variaba dependiendo los gustos de los usuarios. De esta forma su crecimiento en su nicho de mercado iría en incremento, esta tendencia de aumento se siguió dando en los años venideros, tal es así que en el año 2015 se vuelve a registrar un incremento del 10%, a partir del 2016 Crunchyroll empieza a generar encuestas a sus usuarios para poder modificar su contenido dependiendo las recomendaciones que le brindaban sus usuarios, generando así un trato más personal y personalizado, además de proporcionar mejores actualizaciones a su página, es así como la plataforma para la conformidad de sus consumidores genera ciertas aplicaciones dentro de Crunchyroll, como la implementación del segmento de noticias, para que sus clientes se mantuvieran actualizados con los contenidos y modificaciones que se iban a generar dentro de la misma.

Crunchyroll a partir del 2019 debe tratar con problemas como la saturación de multi suscripciones por parte de sus usuarios con el aumento de plataformas de streaming tales como Amazon Prime Video, Disney+, HBO Max, etc. Además el churn empieza a ser un problema de cierto modo determinante para la solvencia de la empresa, ya que cerca de un 70% de sus consumidores cancelan sus suscripciones a fin de regresar cuando uno de sus shows vuelva a estar al aire con nuevas temporadas. Toma en cuenta la migración de la televisión tradicional y la publicidad al ámbito digital, como la publicidad en línea, además se da cuenta que un 80% de ciertos videos comienzan su visualización en dispositivos inteligentes como celulares, El churn se convirtió dentro de Crunchyroll en un comportamiento cíclico dependiendo la popularidad de los animes que se encuentren en emisión, a fin de evitar el churn Crunchyroll utiliza su análisis de datos para brindar recomendaciones a fin de mantener a sus consumidores ligados a la plataforma de una forma más amplia. Es entonces cuando Crunchyroll da un giro total en su modelo de negocios, ya que al ver cuan factible es el público al cual se dirige, ya que su competencia aumentaba y se encontraba tratando de atraer al público otaku, Crunchyroll modifica su propuesta de valor pasándola a ser traer un pack completo sobre lo que involucra un anime (Manga, anime, figura de acción), además sus canales de distribución se ven en la necesidad de aumentar, es de esta forma que se vincula con empresas como Sony, Apple, Samsung, de este modo sus socios claves también cambian, a fin de ejercer más presión sobre su competencia, ya que sus nuevos socios lo ayudaron a posicionarse en nuevas plataformas, como consolas de videojuegos o Smart TV, de este modo sus vínculos con sus consumidores se vieron fortalecidos, esto viene a contrarrestar el “churn” hasta cierto grado, ya que tomando en cuenta los datos tomados por cada consumidor por medio de encuestas el hecho de encontrarse en plataformas de videojuegos como consolas le da un plus a la plataforma, ya que por el momento tratándose de la época de la pandemia esta plataforma es una de las más utilizadas en casi un 70% de los hogares cuentan con una y además de este porcentaje casi un 90% de los mismos se encuentran en constante uso, Crunchyroll basándose en estos datos brinda ciertos beneficios a quienes cuentan con esta plataforma, a fin de una gama amplia de animes y ciertos descuentos por vinculación de cuentas, además de ciertos aportes dentro de videojuegos populares como Fortnite, Resident evil y hasta casos como FIFA donde te brinda ciertos equipamientos visuales dentro de los mismo, de este modo afianzando la confianza de sus consumidores.

En conclusión, Crunchyroll es un emprendimiento en constante crecimiento, que supo apuntar de manera eficaz a su nicho de mercado logrando anteponerse ante grandes entidades tales como Netflix o Amazon Prime Video, ya que basó su contenido en uno de los públicos mas fieles dentro del ámbito del entretenimiento, además de continuar generando vínculos de confianza con cada uno de sus consumidores, intentando en todo momento buscar asociaciones a fin de cubrir sus necesidades y tapar sus debilidades, es así que en este año llegó a superar los 4 millones de usuarios nuevos, entonces así puede de igual forma afianzar sus vínculos con socios, de este modo se puede asumir que Crunchyroll es una excelente inversión para futuros proyectos, además nos damos cuenta como la plataforma utiliza el análisis de datos para mantenerse estable dentro del mercado del entretenimiento, esto basándose en sus encuestas privadas hacia sus consumidores y basándose en cómo son los movimientos de visualizaciones por parte de sus asociados y de sus competidores, Este emprendimiento utiliza su base de datos para varias cosas tales como saber el bando de ancho aplicado para cada usuario tomando como foco principal su contenido principal y además para combatir el “Churn”, puesto que este punto se ha convertido en una problemática no solo de esta plataforma sino de varias tales como Netflix o Amazon Prime Video con la aparición de nuevas plataformas de streaming.

Referencias

Crunchyroll. (25 de Enero de 2021). Crunchyroll Official. Obtenido de https://www.crunchyroll.com/about/es/what/index.html

Jiménez, A. (07 de Julio de 2019). Crunchyroll: cómo funciona el Netflix del anime. Obtenido de https://www.espinof.com/animacion/crunchyroll-como-funciona-netflix-anime-siete-recomendaciones-para-empezar-a-disfrutar-plataforma

Pérez, C. (03 de Mayo de 2018). Un estudio revela que el anime crece más allá de las fronteras de Japón. Obtenido de https://vandal.elespanol.com/noticia/r1250/un-estudio-revela-que-el-anime-crece-mas-alla-de-las-fronteras-de-japon

Ressler, K., & Hodgkins, C. (30 de Abril de 2018). Anime Industry Report Shows Continued Growth in Overseas Market. Obtenido de https://www.animenewsnetwork.com/news/2018-04-30/anime-industry-report-shows-continued-growth-in-overseas-market/.130302

Airbnb

Airbnb es una plataforma destinada al alquiler de alojamientos en cualquier lugar del mundo, de manera virtual.  

Esta aplicación consta de dos tipos de sujetos; los anfitriones y los huéspedes. Los anfitriones son los dueños de las propiedades que se ofertan en la aplicación. Los huéspedes son las personas que alquilan las propiedades. Ambos tienen la opción de evaluarse y dejar comentarios, sobre el otro. Esto es con el fin de que tanto huéspedes, como anfitriones futuros, puedan guiarse para sus próximas decisiones. 

  •  Actualmente ofrece millones de alojamientos en más de 191 países.  
  • Esta empresa nace en San Fransisco, California. Fue fundada por Brian Chesky, Joe Gebbia y Nathan Blechar, en el año 2008.  
  • La historia empieza en el año 2008, con los fundadores teniendo problemas para pagar el alquiler de su departamento, con ello llegaron a la conclusión de crear una página web, que llevaba el nombre de “Air bed and breakfast”. En esta página se ofrecía el alquiler de cuartos de su casa con camas inflables, incluyendo el desayuno por las mañanas. 
  •  Con esto, en el 2009 deciden incrementar la calidad de la página web, y obtienen una inversión de 20 000 dólares, por la empresa Combinator, en el año 2009.  
  • En 2010, obtienen una inversión aún más grande de alrededor de 600 000 dólares por parte de Sequoia Capitals y Greylock Partners.  
  • Airbnb, ha utilizado la herramienta de análisis de datos desde su comienzo, esto es lo que lleva a esta empresa a ser tan exitosa. Actualmente, cuentan con una gran cantidad de expertos en la ciencia del análisis de datos, en cada departamento. La razón por la que esta empresa usa estas herramientas es para tomar decisiones, tomando en cuenta las opiniones de las personas que utilizan esta plataforma. Recolectan los datos de las interacciones de las personas y buscando la manera de implementar ciertas cosas que ayudarían al mejoramiento de la aplicación. Todo esto lo logran siguiendo una organización que consta de tres áreas; insights del producto, experimentación y modelado predictivo.  

Primero, el área de insights del producto consta de analizar la información del producto de Airbnb, en este caso sería la aplicación para smartphones y la página web. Esta área estudia el comportamiento de los usuarios, para así lograr la experimentación de nuevas ideas referentes al producto. Toda la información desde el ingreso a la plataforma es recolectada y grabada en la base de datos que utiliza la empresa. Permite acceder de manera rápida y precisa a los datos que queremos analizar. Para esta etapa se utilizarla herramienta de Exploratory data analysis.  

Segundo, en el área de experimentación se realiza el testeado de una idea, para descartarla o implementarla. En esta etapa, cuando se validan las propuestas, se realiza experimentos asignados aleatoriamente. Se utiliza la herramienta de “magrittr pipes” que permite facilitar la creación y el análisis de estadísticas, para tener una predicción de su impacto. Logra la interacción con los datos y la construcción de modelos. Esto logro una gran mejora en la experimentación, ya que antes se utilizaban tecnologías que no eran tan precisas y tomaban más tiempo para analizarlas.  

Tercero, en la etapa del moldeado predictivo se utiliza Machine Learning y Predictive Analytics, en el que se construyen modelos predictivos como prototipos para probar si, las características más inteligentes implementadas, son una buena inversión antes de ponerlas en el sistema de producción. Se crean diferentes conexiones a partir de las preferencias y ciertas características del usuario; un ejemplo es el moldeado predictivo en el precio. Este puede variar dependiendo del subtotal a pagar, mientas mas alto el valor, más bajo es el porcentaje de servicio que se cobra. 

Finalmente, Airbnb ha implementado este tipo de tecnologías para incrementar el funcionamiento de su producto y mejorar la manera de analizar sus datos. Esta empresa se ha mantenido en constante intento de mejorar e implementar la calidad de sus plataformas para lograr que el usuario tenga una interacción personalizada y fácil al usarlas. Permite que los expertos sean más precisos en él testeo del producto y logra que se tengan más ideas viables y no solo hipótesis.  

Chipotle Mexican Grill – Business Intelligence

Chipotle Mexican Grill es una cadena de restaurantes famosa, la cual fue fundada por Steve Ells en 1993 en Denver, es reconocida por ser una de las primeras empresas en aplicar el modelo de locales de comida rápida. Esta empresa se dedica principalmente a la venta de comida mexicana como burritos, tacos, fajitas, quesadillas y otros productos similares. Chipotle Mexican Gril aprovechò la fama que tiene la comida mexicana en  todo el mundo para promocionar su cadena de restaurantes la cual cuenta con locales ubicados en EEUU, Canadá y en Europa, además tiene como eslogan el uso de ingredientes orgánicos en todos los alimentos que ofrecen  y también priorizan el cuidado del medio ambiental, utilizando productos renovables.

El origen de Chipotle Mexican Grill comienza cuando Steve Ells tiene la idea de montar su propio negocio de comida, dicho proyecto tuvo el apoyo por sus  padres los cuales le dieron un capital de 85 mil dólares para poder empezar. Steven inicio con el proyecto de su restaurante comprando un local cerca de la Universidad de Denver, el éxito que tuvo fue casi inmediato consiguiendo superar su meta de vender más de 1000 burritos diarios. Además, gracias a su éxito inmediato Steven logra abrir un segundo local en 1995, pero uno de los mayores cambios que tuvo fue en 1998 cuando la empresa de McDonald’s decidió invertir en Chipotle Mexican Grill comparando una pequeña cantidad de las acciones de la empresa lo que influyo en el crecimiento de la misma, pero McDonald’s al ver el gran éxito que tuvo la cadena, decidió ampliar su participación en la misma comprando el 90% de la empresa y para el 2003 la empresa ya disponía de 300 locales distribuidos en Estados Unidos.

Chipotle Mexican Grill después de vivir bajo la sombra de McDonald’s durante ocho años, decido separarse definitivamente de la misma, pero gracias a la fama que consiguió durante todo ese tiempo, fue rápidamente aceptado en el mercado de la comida rápido. Después de su independización la empresa sufrió grande cambias tanto en la parte administrativa como en sus productos. La empresa comenzó con una nueva campaña llamada “comida con integridad” la cual proponía que todo sus productos usaban productos orgánicos para cuidar la salud de sus clientes, mientras que en la parte administrativa decidió implementar estrategias como Business intelligence.

Después de su separación con McDonald’s, la empresa decidió implementar una nueva campaña publicitaria llamada “comida con integridad”, esto con el fin de recuperar la confianza de sus clientes y cambiar la mala imagen que se tiene sobre la comida rápida. Esta campaña consisten en cambiar todos los ingredientes de sus productos por ingredientes orgánicos para así fomentar la alimentación saludable, he incluso para poder llegar a nuevos segmentos del mercado, su objetivo era llegar clientes que se preocupan por su salud y les interesa tener una la alimentación saludable, también implementaron mejoras en sus instalaciones, implementando la opción de comer sus productos dentro de los locales y la opción de pedir para llevar.

De igual manera, gracias a la influencia y experiencia que adquirió durante el tiempo que paso bajo el manto de McDonald’s, logro obtener tener acceso a los mejores sistemas de distribución de suministros, disponer de un gran número de clientes leales y conocimiento de las operaciones de crear los productos. A diferencia de sus competidores como Burger King que se enfocan en satisfacer las necesidades de las familias, Chipotle Mexican Grill tiene un segmento más grande la cual se encuentra entre personas  de 18 a 49 años, esto se debe también gracias a la arquitectura y el diseño de los interiores de sus locales ya que poseen una estética moderna y urbana.

Después de su separación de McDonald’s,Chipotle Mexican Grill toma la decisión de implementar Business intelligence, el cual consistes en el análisis de datos para tomar decisiones estrategias que ayudan al crecimiento e innovación de la empresa como añadir o quitar nuevos productos del menú y también en saber qué locales se deben cerrar.  Una de las herramientas que implemento fue “MicroStrategy” el cual es una compañía de software de Business intelligence el cual ofrece servicios como análisis de datos, informes de rendimiento, tendencia de ventas diarias, y el impacto que tienen campañas publicitarias de la empresa. MicroStrategy es herramienta es muy útil para conseguir información importante de la empresa de manera fácil y rápida, lo que ayuda a identificar la procesos ineficiencia durante las operaciones diarias, los datos recolectados pueden utilizar para obtener mejores resultados.

Otra herramienta que implementaron es Tableau, la cual también es un sistema de análisis de datos más moderno con una gran capacidad de recopilar y analizar enormes cantidades de datos. Tableau estuvo en un periodo de prueba durante 3 meses, los líderes de la empresa al ver su gran utilidad que  tenía esta herramienta la adoptaron rápidamente sustituyendo a “MicroStrategy” y así eliminando cientos informes en Excel innecesarios. Gracias a la gran velocidad que tiene Tableau para entregar los informes operativos, ayuda a los líderes a establecer proyecto estratégicos dependiendo de los resultados obtenidos. Al adoptar esta herramienta los beneficios se notaron inmediatamente, ya que el personal ahorro miles de dólares en un poco meses ya que ahora pueden acceder y compartir información de manera fácil y rápida. Chipotle está desarrollando  mejoras constantes a su marca para poder tener una gran ventaja que la diferencia de su competencia.

En conclusión, Chipotle fue acogido rápidamente en el mercado de comida rápida, principalmente porque sus productos se basan en ingredientes orgánicos y su gran responsabilidad ambiental. McDonald’s ayudo considerablemente en el crecimiento de la cadena, pero al independizarse Chipotle tomo las decisiones correctas para continuar creciendo, implementado una cultura basada en el análisis de datos para desarrollar mejoras en la empresa tanto en la producción como en la administración de esta. Esto se convierte en una gran ventaja ya que Chipotle cuenta con más de 2400 locales, por lo que se vuelve indispensable mantener la eficiencia operativa de todos los locales y para esto se necesita recolectar y analizar enormes cantidades de datos.

Bibliografías

Calvo, M. (6 de octubre de 2020). Business Intelligence: ¿Por qué lo necesitas en tu empresa?. Emburse Captio. https://www.captio.net/blog/algunos-ejemplos-practicos-de-uso-de-business-intelligence#captio

Chipotle Mexican Grill. (2021), Sustainability. https://www.chipotle.com/about-us/sustainability

MicroStrategy Incorporated. (21 de agosto de 2012). Chipotle elige a MicroStrategy como su solución de inteligencia empresarial empresarial. CISION PR Newswire. https://www.prnewswire.com/news-releases/chipotle-selects-microstrategy-as-its-enterprise-business-intelligence-solution-166871346.html

Tableau. (2021). Chipotle crea una vista unificada de las operaciones en 2400 restaurantes y ahorra 10 000 horas por mes. Tableau. https://www.tableau.com/es-es/solutions/customer/chipotle-creates-unified-view-operations-across-2400-restaurants-saving-10000

El éxito de ZARA

Zara es una empresa del grupo Inditex que cuenta con una de las cadenas más grandes del mundo. Zara es una de las empresas de ropa y moda más grande y conocidas alrededor del mundo textil y del mundo, además de ser una de las empresas que más comercializa y vende a través de sus paginas web y sus miles de tiendas por todo el mundo, por sus métodos innovadores, los cuales le han traído un gran éxito. Zara cuenta con más de 2000 tiendas alrededor de 86 países donde vende y comercializa ropa de moda de diferentes materiales como, algodón, poli algodón, polyester, nylon, etc. Además, que una gran parte de sus prendas maquilan en varios países donde la mano de obra es barata y las distribuye por países seleccionados estratégicamente.

         Zara comenzó como una empresa española, creada por Amancio Ortega y su esposa el 24 de mayo de 1974 en la ciudad de Coruña en España.  El nombre de la tienda inicialmente no se llamaba Zara, empezó con el nombre de Zorba, la cual se basó en una película clásica de ese entonces, pero al enterarse de locales llamados con el mismo nombre lo cambiaron al nombre que conocemos hoy. El éxito de Zara comenzó tempranamente ya que, impuso una estrategia, la cual era vender productos que se asimilaban a las marcas de ropa de alta gama, y lo que hacía era venderlas a un menor precio. La década de los 80, Amancio Ortega cambio las reglas de juego creando lo que popularmente se llama como “moda instantánea”, en lo que básicamente era crear colecciones de ropa que no se repitan y sacarlas cada semana. En el año de 1988 comenzó su primera tienda fuera de España, en la ciudad de Oporto en el país de Portugal. Poco a poco fue expandiendo más y más su mercado gracias a su novedosa estrategia. Y, por último, en 2010, Zara creo y lanzo su página web en varios países de Europa donde se podría adquirir sus prendas por el internet y al igualmente que sus tiendas físicas, empezó a comercializar en más países de poco a poco, hasta que en el 2015 era consideras como una de las mejores marcas del mundo.

         Zara hoy en día ha alcanzado el éxito mundial, y es reconocido mundialmente por casi todo el mundo, pero este éxito se debió a varios factores y estrategias de marketing, como de logística, para que hoy en día sea lo que es Zara, como el grupo Inditex. Las estrategias que se propuso Zara fueron primeramente en el uso del tiempo y de brindar un mejor servicio y diferente. Zara es una de las empresas que más invierte en tecnología, logística y transporte, por lo que es una clave esencial detrás de su éxito. Debido a esto han podido diferenciarse de los demás, como en su inicio con la que es la moda rápida, además de nuevas tecnologías, como es el Big data en el uso de RFID, o servicios de pagos que sean más sencillos para la clientela como “checkout”, o “Inwallet” e incorporar cientos de páginas web para casi cada local físico que existe y una página web general para el país en el cual se encuentre.

         La moda rápida dentro de Zara fue uno de los grandes inicios que le dio a la marca. Fue el análisis que tuvo la empresa en sus inicios que los hizo darse cuenta de que, al tener una mayor rotación de colecciones, provocaría que la gente se atraiga a que compre más productos de la marca en un corto plazo de periodo, esto lo logro al obtener una base datos donde puedan detectar las diferentes tendencias del momento. Al incorporar una moda rabiosa, básicos de moda y además de básicos simples haría que la gente compre inmediatamente. Anteriormente se basaban en una colección de alrededor de 3 meses y lo cambiaron a 1 semana, gracias a su tecnología en transporte y logística. Zara gracias a su análisis ha ido incorporando nuevas estrategias de marketing, empezando por la ropa barata, después con el implemento de la ropa rápida, “fast fashion”, y posteriormente con la moda flexible.

            Mediante un análisis en los años 2010, Zara pudo darse cuenta sobre la popularidad del internet. Por lo que apareció la anteriormente dicho, que se le conoce como moda flexible, lo cual se basa en la omnicanalidad, en el caso de Zara se basa en la venta de sus productos mediante las diferentes plataformas digitales y tiendas físicas. Zara cuenta con varias paginas web y plataformas digitales para los diferentes países y en algunos casos para las diferentes tiendas de un mismo país. Zara como lo hacía anteriormente, se basa en el análisis de datos, donde pudo ver las tendencias de cada país, o detectar nuevas tendencias para desarrollar las prendas y enviarlas lo más rápido a las tiendas de los diferentes países. Además, usan el análisis de datos para tomar decisiones en cuestiones de que maquilador transporta la mercancía a la tienda más conveniente, por un uso de opiniones, o de cuestiones de inventario.

            Los métodos que desarrollo Zara para su big data, fueron el uso de tecnología RFID, la cual es básicamente un sistema de almacenamiento y recuperación de datos mediante etiquetas, o como lo realiza Zara mediante código de barras o tarjetas inteligentes que acompañan a los productos. Esta tecnología permite que la empresa puede observar cuanto tiempo una prenda puede estar en stock hasta su venta, además de recopilar datos como que tipo de prenda se vende más, al igual que la tela con la que se usa, y colores. Además, esta tecnología puede detectar cuento tiempo se espera hasta que un cargamento con la nueva colección llegue y así mejorar las rutas hacia las tiendas. Las desventajas de esta tecnologia vienen siendo cuando se trata de productos online, donde no se puede observar la experiencia del cliente con la prenda.

            Como se ha hablado, el tiempo es crucial para Zara por lo cual, siempre mediante un análisis de dato en la cuestión de tiempo, piensan en innovar para que la compra hacia el cliente se más rápida. Zara lanza alrededor de 12000 nuevos diseños cada año y tiene una política de no invertir mucho en publicidad de sus prendas, ya que su fuerte es la tienda física y que la gente vaya a su local a ver las nuevas prendas y así crear una experiencia, por lo que ha implementado servicios para que además su tiempo en el pago sea menos. Mediante análisis de datos pudieron observar que el tiempo de cobra era muy largo por lo que se invirtió en sistemas como el checkout, el cual consiste en el que el cliente hace su pago mediante Inwallet una aplicación para pagar mediante el celular, igual creada por Inditex o sistemas de pagos sin dinero físico, y mientras el cliente realiza su pago, el empleado realiza el “packaging” del producto. Además de incentivar mediante realidad aumentada, donde las personas pueden visitar los locales y ver las prendas posadas por modelos. Todo esto gracias a la inversión en tecnologia para su base de datos y un análisis profundos de la empresa.

Como conclusión se a podido observar que el grupo Inditex, como su marca estrella Zara han implementado varios millones de dólares en tecnologia, para su logística y así almacenar datos, para crear mejores estrategias de marketing e laborales. El tiempo ha sido la clave del éxito de esta empresa y por donde ha salido todas sus invenciones. Se ha podido observar además que en la actualidad es una de las marcas más grandes del mundo, y esto se debe a las aplicaciones que ha ido innovando a lo largo de su historia. Por lo que Zara es un gran ejemplo del uso de análisis de datos, para obtener un éxito rotundo y que aplicarlo en otra industria podría acabar con el mismo resultado.

REFERENCIAS:

ABC.com (2019). Zara cambia el concepto de «moda rápida» por el de «flexible». Retrieved 31 March 2021, from https://www.abc.es/economia/abci-zara-cambia-concepto-moda-rapida-flexible-201901110217_noticia.html?ref=https:%2F%2Fwww.google.com%2F

Blasco, J. (2015). Zara y su Análisis Estratégico [Ebook] (pp. 3-30). Universitas. Retrieved from http://dspace.umh.es/bitstream/11000/2272/6/TFG%20Blasco%20S%C3%A1nchez%2C%20Jos%C3%A9%20Javier.pdf.

Camaño, J. (2010). ANALISIS CASO ZARA. Retrieved 31 March 2021, from https://www.xing.com/communities/posts/analisis-caso-zara-1003329635

Ceupe (2021)¿Qué es el RFID?. Retrieved 31 March 2021, from https://www.ceupe.com/blog/que-es-el-rfid.html

Inditex.com. (2021). Retrieved 31 March 2021, from https://www.inditex.com/es/quienes-somos/conocenos#:~:text=Somos%20una%20de%20las%20mayores,Oysho%2C%20Zara%20Home%20y%20Uterq%C3%BCe.

¿De dónde viene la ropa que compras en Zara? (2021). Retrieved 31 March 2021, from https://www.elespanol.com/invertia/economia/20160222/104239851_0.html

→, V. (2021). Zara, la historia de la marca que revolucionó la moda | Tentulogo. Retrieved 31 March 2021, from https://tentulogo.com/zara-la-historia-de-la-marca-que-revoluciono-la-moda/

ES, F. (2021). Zara cumple 25 años de internacionalización con presencia en 86 países. Retrieved 31 March 2021, from https://es.fashionnetwork.com/news/zara-cumple-25-anos-de-internacionalizacion-con-presencia-en-86-paises,373643.html

Marco, J. (2018). Zara y la tecnología RFID: Un paso más allá de la venta online. Retrieved 31 March 2021, from https://blogs.imf-formacion.com/blog/logistica/logistica/zara-rfid-online/

Self, S. (2021). Una solución de auto-checkout para tiendas especializadas y mini-supermercados | El cliente y el personal de checkout trabajan conjuntamente para hacer del checkout una operación ágil y limpia. | DIGI Imsispal. Retrieved 31 March 2021, from https://www.digisystem.com/es/solutions/SOL00070/

PayPal, y la prevención de fraudes mediante el análisis de datos

PayPal es una empresa estadounidense que ofrece servicios digitales para realizar pagos y transferencias como intermediario entre personas y negocios en cualquier parte del mundo. Siempre y cuando la empresa tiene implementado el portal de pago de PayPal, los compradores en línea pueden elegir esta forma de pago seguro; así mismo puede transferir dinero a otros contactos. Se conoce que el beneficio de usar PayPal está en la facilidad y velocidad de realizar transacciones en línea; una vez registrado las tarjetas de crédito, con tan solo un click se procesa cualquier pago sin necesidad de esperar la verificación y el largo proceso de ingresar información una y otra vez. El trabajo de PayPal es garantizar seguridad y velocidad en términos de conveniencia al mismo tiempo para satisfacer a sus clientes de varios segmentos, así como usuarios del día a día, comerciantes pequeños hasta multinacionales. Este proceso lo hacen a través de un profundo análisis y entendimiento de sus consumidores. 

Apenas tiene dos décadas, fue fundada en 1998 en Mountain View, California, con el nombre “Confinity” por Peter Thiel y Max Levchin. Más tarde fusiona con X.com empresa de Elon Musk y cambia el nombre a PayPal. En los primeros tres años llegó a manejar más de $3 billones de pagos de 12.8 millones de usuarios individuales y negocios. En el año 2000 eBay empieza a aceptar pagos a través de PayPal. (PYMNTS, 2015) Su crecimiento se refleja en 2002 cuando transa en la bolsa de valores de Nueva York por primera vez, culminando el primer día con un poco más de $20 por acción y un 50% de crecimiento. A finales del mismo año, eBay anuncia su adquisición por un valor de $1.5 billones. Continúa siendo líder en el mercado, en 2006 pasa de 100 millones de usuarios y desarrolla PayPal Mobile; plataforma de transacciones desde el móvil. La relación de eBay y PayPal termina en 2015 con la separación de estas; la tecnológica de pagos en línea vuelve a ser empresa independiente cotizado en bolsa. En 2017 PayPal lanza su servicio de P2P Payment que básicamente permite a las personas generar un link para realizar cobros entre conocidos y pequeños comercios. En cuanto 2019, se expande al mercado de India, firma contrato con Facebook Marketplace y hace una inversión de $500 millones en Uber. (O’Connell, 2020)

Así como cualquier otro servicio financiero o identidad bancaria, PayPal siempre fue susceptible de ataques cibernéticos y fraudes que debilitan el sistema para resguardar la seguridad de los usuarios. Ha sido victima de hackers y estafadores que intentan entrar al sistema para robar datos personales. Además, también ha sido un medio empleado por mafias y grupos de crimen organizado para lavado de activos. Simultáneamente, al tiempo que se preparaba para cotizar en bolsa fue demandado por reguladores federales. Según Forbes, se llevan a cabo aproximadamente 27 millones de transacciones por día y a partir de ello recolectan datos sobre patrones de consumo, comportamientos, ubicaciones, etc. de los que emplean esta plataforma. Esta data es utilizada para autentificar la identidad de los usuarios reduciendo el tiempo de verificación cada vez que realiza una compra. Acerca de los fraudes, el objetivo principal del equipo es mitigar el número de falsa alarmas que pueden cegar/obstruir el sistema para solucionar problemas financieros relevantes. Y en el proceso evitar bloquear cuentas de usuarios genuinos. Las tecnologías que emplea para desarrollar herramientas de seguridad son inteligencia artificial, cifrado de datos, “deep learning” que se explicará más adelante y entre otros. Como resultado de integrar inteligencia artificial en los procesos operados por humanos, la tasa de falsa alarmas redujo 50%. (Burns, 2016)

PayPal reduce los casos de fraude mediante análisis de datos y la toma de decisiones a partir de insights. En estos casos, la utilidad de la data es extremadamente importante para proteger el dinero de los usuarios y evitar delitos cibernéticos que arriesgan la seguridad de todos. Para diferenciar estas predicciones desacertadas de los verdaderos fraudes y detectar anomalías interviene los modelos de inteligencia artificial que PayPal ha desarrollado continuamente. Dentro de una transacción de dos segundos, PayPal logra desde cientos a miles de controles de riesgos. En este punto es cuando toma relevancia los conceptos y tecnologías de inteligencia artificial que tienen capacidad de procesar hasta dos décadas de información sobre patrones y comportamientos de consumo en esta empresa. Como se mencionó anteriormente, los fraudes son identificados con algoritmos avanzados de “Machine Learning” y “Deep Learning” en milisegundos antes, durante y después del proceso de transacción. (Aggarwal, 2020) Ambos términos son parte del amplio espectro de la inteligencia artificial. El primero genera predicciones a partir del continuo aprendizaje y alimentación de datos y experiencias pasadas para mejorar su modelo. El segundo concepto viene como una herramienta más sofisticada y avanzada que el machine learning; involucra el uso de redes neuronales compuesto de múltiples capas para detectar patrones. Permite solucionar problemas más complejos con mejor precisión; es menos propenso a ser afectado por data irrelevante y es más robusto lidiando con información de múltiples fuentes. (Kureishy A., 2018) Estas técnicas de aprendizaje y predicción pueden ser entrenadas para distinguir entre lo que es fraude y comportamiento normal de un usuario. 

En un principio, PayPal empleaba modelos simples, fue evolucionando a través de los años integrando técnicas de machine learning, así como deep learning replicando procesos del cerebro. El equipo humano encargado del área se entrena para actuar y pensar como estafadores mientras estudian casos sospechosos fraudulentos de la vida real. Adicional a la data sobre cantidad de transacción, ubicación, etc., desarrollan todo tipo de escenarios de usuarios para alimentar el sistema de inteligencia artificial. (Kureishy A., 2018) El enfoque de su innovación es complementar la analítica de datos con las habilidades humanas para aprovechar el máximo de la tecnología. Para Sri Shivananda, vicepresidente de PayPal, es más adecuado atribuirle el nombre “inteligencia aumentada” ya que el valor verdadero está en la combinación “humano-máquina”. (Insights Contributor, 2019) Lo cual permite acelerar transacciones de usuarios verídicos y detener los que son sospechosos. Para ejemplificar, si un sistema tradicional identifica un patrón en el que la misma cuenta ha sido accedido en cinco diferentes ubicaciones en cinco días, el sistema lo determina sospechoso. Sin embargo, el modelo de inteligencia artificial de PayPal examina detenidamente cada situación, que en realidad resulta ser un piloto comprando mientras trabajaba. Se puede lograr eso debido a la información antes mencionada que se alimenta al modelo y que provee de soluciones dinámicas.

Acerca de velocidad y seguridad, PayPal tiene una innovación llamada “One Touch” que permite al usuario ahorrar el paso de registrarse al ingresar al sitio siempre y cuando esté autentificado a través de varios parámetros sobre la persona tales como: el aparato que esté utilizando, la ubicación o los comercios donde generalmente compra. (Insights Contributor, 2019) El algoritmo de deep learning de la compañía asiste en el manejo del paquete de data que un pago contiene; analiza este para buscar actividades sospechosos. De igual forma, si detecta cambios en los patrones de los factores listados en vista de intento de fraude, el algoritmo detiene y previene la transacción que se iba a generar. Con el tiempo, los datos históricos de los clientes ayudan a pulir el modelo que recorre en cada transacción. Para garantizar la seguridad y protección de información personal, PayPal aplica cifrado y encriptado de los datos; constantemente escanea mediante servidores de data, buscadores de los usuarios para asegurar que están empleando tecnología de cifrado más actualizado. Además, la información de cada consumidor se guardan en un base de datos seguros para impertir que sea interceptado en el proceso (Burns, 2016)

Ahora bien, el big data optimiza procesos en varias áreas de la empresa, personalización es uno de ellos; el objetivo es hacer que las transacciones sean simples y fáciles para cada una de las personas. A partir de insights recolectados de las experiencias, el equipo examina si sus innovaciones diarias funcionan con sus consumidores. Otra optimización se da en el tema de cumplimiento y obligaciones, donde PayPal se asegura de cumplir con las políticas monetarias y fiscales que se manejan distintamente en los 200 mercados y con más de 200 monedas. Minimiza el riesgo de cada transacción con la ayuda de una serie de parámetros que van calificando dentro de los dos segundos del proceso; es aún más importante para un sistema de pago en línea controlar este factor. 

Para concluir todo lo hablado anteriormente, es importante destacar que la solución para mitigar exitosamente los fraudes cibernéticos no basta simplemente invertir más dinero en analítica sino, invertir en un adecuado administración de data y analítica predictiva que tengan la habilidad de descifrar algo complejo para sugerir respuestas que solucionen un problema. No obstante, entendiendo mejor a los usuarios les permite llegar a mejores decisiones para satisfacer sus necesidades y optimizar muchos aspectos en la operación de la empresa así como servicio al cliente, seguridad, velocidad y cumplimientos de las políticas tanto fiscales como monetarias de todos los países con los que se dan transacciones.  

Bibliografía

Aggarwal, N. (2020, noviembre 24). Here’s how VISA, Mastercard and PayPal are fighting cyber frauds with AI. Retrieved from ETCIO: https://cio.economictimes.indiatimes.com/news/digital-security/heres-how-visa-mastercard-and-paypal-are-fighting-cyber-frauds-with-ai/79381050

Burns, E. (2016, enero 26). How PayPal fights fraud with predictive data analysis. Retrieved from TechTarget: https://searchbusinessanalytics.techtarget.com/feature/How-PayPal-fights-fraud-with-predictive-data-analysis

Insights Contributor. (2019, mayo). How paypal turns customer data into smoother safer commerce . Retrieved from Forbes: https://www.forbes.com/sites/insights-teradata/2019/05/06/how-paypal-turns-customer-data-into-smoother-safer-commerce/?sh=1aa62046ed1d

Kureishy A., M. C. (2018). Praise for Achieving Real Business Outcomes from Artificial Intelligence. Sebastopol, United States of America: O’Reilly Media, Inc.

O’Connell, B. (2020, enero 2). History of PayPal: Timeline and Facts. Retrieved from The Street: https://www.thestreet.com/technology/history-of-paypal-15062744

PYMNTS. (2015, julio 2). Throwback Thursday: PayPal’s Biggest Days In History. Retrieved from https://www.pymnts.com/in-depth/2015/throwback-thursday-paypals-biggest-days-in-history/

Análisis de datos en Heineken

Heineken es la marca cervecera número uno en Europa y segunda a nivel mundial. Hoy por hoy cuenta con más de trecientas marcas de cerveza y sidra en todo el mundo. Su nombre esta presente en ciento noventa países y cuenta con alrededor de ciento setenta fabricas alrededor del mundo, junto con la ayuda de más de ochenta y cuatro mil empleados. La idea de la empresa es impulsar la innovación, aumentar las ventas y minimizar los costos con el objetivo de elaborar la mejor cerveza del mundo.

Sus inicios surgen en Países Bajos en el año de 1864 cuando Gerard Heineken convence a su madre para comprar una cervecería local de Ámsterdam, cinco años después lanza su primera cerveza fina de calidad que tuvo grande acogida por el público. En 1874 Heineken adquirió otra fábrica cervecera en Rotterdam para aumentar la capacidad de producción, para ese entonces, su producto era exportado a países como Francia, Bélgica y Reino Unido. Para 1933 con el fin de la ley seca en Estados Unidos, Heineken se convierte en la primera cerveza importada en ese país. Principalmente en los años 70 hasta los años 80 la empresa hizo nuevas adquisiciones como la cerveza Amstel en Holanda, El Águila en España, entre otros. En 1991 la empresa abrió las puertas de su fábrica como museo “Heineken Experience” ubicada en la cuidad de Ámsterdam, que actualmente recibe 1.18 millones de visitantes al año.  

Durante más de un siglo la cerveza Heineken no ha cambiado su fórmula. Innovar en la industria de la cerveza es complicado por lo que la empresa ha tenido que buscar otras formas de innovarse y adelantarse a la competencia. En este ensayo, se hablará como Heineken utiliza el análisis de datos para reducir su huella de carbono en la cadena de valor.

Heineken cuenta con varios equipos dedicados a garantizar un acceso fácil y confiable a datos,

“usamos herramientas basadas en Microsoft Sharepoint y Power BI para consolidar datos para todos los indicadores y para monitorear el desempeño sostenible contra los objetivos en todos los niveles de la organización. A partir de este año, HeiCF (en OutSystems y Power BI) se utiliza para recopilar datos y calcular e informar sobre la huella de carbono de HEINEKEN.” (HEINEKEN, 2020, p.152)

La empresa más allá de ser un negocio rentable, desea tener un impacto positivo y por ello la sostenibilidad es parte de su estrategia empresarial. Heineken recopila datos para mejorar la precisión de sus emisiones de CO2 y con ello probar el impacto de nuevos procesos para reducir su huella de carbono.

Según datos del 2019, la empresa informa que “en promedio, emitimos 69,9 kg de CO2-e por hl de bebida de volumen vendido, lo que equivale a un total de 19,8 millones de toneladas de CO2-e” (HEINEKEN, 2019). De los cuales, el 10% de sus emisiones totales provienen del área de producción, por lo que una de las estrategias tomadas por la empresa fue la mejora en la eficiencia energética “La cervecería Monterrey en México logró una reducción del 25% en la electricidad y un 46% reducción del consumo de energía térmica, evitando más de 1.000 toneladas de CO2” (HEINEKEN, 2020, p.132), asimismo han venido implementado distintas fuentes de energía renovable. Logrando así que, en 2020, las emisiones de CO2 en el área de producción disminuyeron un 40% en comparación con 2008.  

El área de logística corresponde al 11% de las emisiones totales de dióxido de carbono en el 2019. Por lo que la empresa ha optado por optimizar las rutas terrestres y marítimas, el cambio a un trasporte de bajo consumo e implementar tecnologías bajas en carbono para los proveedores. De igual manera, todas las refrigeradoras compradas en el 2020 tenían características como uso de refrigerantes de hidrocarburos, iluminación LED y uso de energía mediante ventiladores eficientes, logrando una reducción del 55% de emisiones de CO2 que en el 2010.

Por último, el área de empaquetado emite un 30% del total de CO2 de la empresa. La empresa depende del vidro, metal, platico y papel para empaquetar la cerveza. Por lo que la solución esta en rediseñar y cambiar el empaque, por ejemplo, en las fábricas Heineken en Asia se ha implementado el uso de “aluminio verde” denominado de esta manera por su inferior huella de carbono, gracias a una producción más limpia en los procesos de fabricación. El paso al aluminio verde a reducir las emisiones de carbono de los envases en más del 30%. Adicionalmente, otra de las estrategias implementadas por la empresa es el uso de botellas retornables, lo que permite reducir un 80% la emisión de carbono.

En conclusión, el producto de Heineken no es solo una bebida alcohólica, sino un conjunto de valores, historia y recopilación de datos que la marca ha tenido que trabajar para que los consumidores lo prefieran. El objetivo con esto es que los consumidores sientan que Heineken no es una simple cerveza, sino que es el resultado de un extenso análisis de datos. Si bien muchas empresas utilizan esta herramienta para maximizar sus ingresos, el caso de Heineken es digno de admirar ya que mantiene una responsabilidad social junto con su excelente calidad lo que lo ha permitido mantenerse a través de los años.

REFERENCIAS

Bruno, DM (2005). Un caso di ricerca Applicata metaprogettuale: Heineken Experience_Business Intelligent (HE2). Recuperado de: https://re.public.polimi.it/retrieve/handle/11311/507967/272505/Design%20e%20Metaprogetto.pdf

HEINEKEN. (2020). Heineken N.V. Reporte anual 2020. Recuperado de: https://www.theheinekencompany.com/sites/theheinekencompany/files/Investors/financial-information/results-reports-presentations/heineken-nv-annual-report-2020.pdf

HEINEKEN. (s. f.). Suelta la C: reduciendo nuestras emisiones de CO2. Recuperado de: https://www.theheinekencompany.com/our-sustainability-story/our-strategy-and-achievements/drop-c-reducing-our-co2-emissions

Amazon, el gigante del análisis de datos

Cuando se habla de comercio online, es imposible obviar a “Amazon”. Pues esta compañía representa la mitad de todo el e-commerce en varias potencias mundiales. Amazon fue fundada por Jeff Bezos en 1995 y hoy en día es la empresa más grande del mundo. Esto lo ha logrado por varios puntos importantes pero la principal cosa que caracteriza a esta empresa es su enfoque en el cliente; pues Amazon afirma que es la compañía más centrada en el consumidor en el mundo. A lo largo de este ensayo se analizarán diferentes temas los cuales ayudarán a entender la trayectoria de la compañía y los hitos más importantes en los cuales destaca su originalidad y compromiso con el cliente.

Amazon empezó su trayectoria en Seattle, Washington. Desde ahí, Jeff Bezos creo una plataforma con el objetivo de vender libros online. Nunca se imaginó que 20 años después estaría en el top de las empresas mundiales. Amazon tuvo un comienzo prometedor y antes del 2000 expandió su portafolio a otros productos además de libros. Parte del éxito de Amazon empezó con la rápida adquisición de empresas como Zappos, Audible o Whole Foods en las cuales incorporó su modelo de negocio. Productos propios como Amazon Prime, Amazon Alexa o Amazon Kindle han ayudado a Amazon a expandirse a diferentes mercados con mucho éxito permitiendo un crecimiento importante. Hoy en día la compañía tiene 25 años y factura más de 200 mil millones de dólares al año.

El análisis de datos es una herramienta indispensable en los mercados actuales y más aún cuando se trata de e-commerce. El éxito de las grandes empresas se debe a decisiones que se toman día a día y la especulación a futuro se vuelve cada vez más fácil con un buen análisis de la información que se genera. Amazon es un muy buen ejemplo de esto y lo ha venido demostrando por un largo tiempo. Al ser una tienda online es indispensable tener un buen manejo de datos no solo para las decisiones internas de la empresa si no igualmente para entender al cliente y aún más con una visión centrada en el consumidor. En el siguiente contenido se incluirán diferentes ejemplos de cómo Amazon ha usado el análisis de datos para expandirse interna y externamente.

Amazon ha realizado un trabajo admirable al momento de generar conclusiones con la información que sus sistemas le proporcionan. Esta compañía ha sido capaz, como muchas otras en generar predicciones de compra. Amazon gracias a la información que su misma plataforma genera, ha logrado interpretar como y en que gastan sus usuarios. Gracias a esta información ha sido capaz de lanzar diferentes campañas de marketing que generan fidelidad a la marca y así mayores ventas. En Amazon hay más de 150 millones de cuentas activas hoy en día, esto quiere decir que la cantidad de información a interpretar es inimaginable y al analizarla se ha podido generar un motor de recomendaciones el cual según Amazon genera más del 30% de sus ventas hasta hoy. Con esta herramienta de predicción y recomendación, Amazon ha sido una de las empresas pioneras en el buen análisis de datos en su mercado.

Como se planteó anteriormente, Amazon fue capaz de utilizar el análisis de su información para generar mejor servicio y más ventas en su plataforma. No conforme con esto, hoy en día Amazon ayuda a diferentes empresas mundialmente a generar los mismos resultados usando sus análisis de datos. Esto funciona como un producto extra con el que se trabaja B2B. Amazon Web Services o AWS es una plataforma en la nube que tiene capacidades increíbles de análisis de datos. Gracias a AWS Amazon ha logrado posicionarse como una empresa innovadora y en el presente esta plataforma genera más de $10.000 millones para Amazon. Muchas empresas internacionalmente conocidas principalmente en mercados de consumo masivo trabajan con los servidores de Amazon para generar su análisis de información propia. Por esta razón se podría decir que Amazon tiene uno de los mejores análisis hoy en día ya que no importa el ámbito en el que se implemente, igual producirá información y análisis acertados.

            Otra razón por la cual el buen manejo e interpretación de información ha hecho de Amazon un ejemplo a seguir es la historia de su marca privada. En el 2007 Jeff Bezos lanzó al mercado su primera marca privada, en este momento la marca privada de Amazon genera alrededor de 7.500 millones de dólares al año y el siguiente año se espera que este valor ascienda a 25.000 mdd. Al llegar a ser exitosos vendiendo cosas ajenas, Amazon lanza sus propios productos embarcándose en un proyecto prometedor. El saber interpretar datos te lleva no solo a ver lo que se hace bien si no a descubrir que se está haciendo mal y encontrar oportunidades; esto es lo que se está haciendo con la marca privada de Amazon. Con la ayuda de su propia plataforma, la compañía intenta recomendar a sus clientes sus propios productos, así creciendo rápidamente las ventas y generando una impresionante línea de productos propios.

La ayuda que proporciona la herramienta de análisis de datos a diferentes empresas es inimaginable. Sin embargo el provecho que sacan estas diferentes compañías de la información que generan es muy variado. Es por eso que el entendimiento al consumidor se ha vuelto cada vez más importante pero no todos pueden llegar a entender y compartir con sus clientes como lo hacen las empresas con procesamiento avanzado. Amazon ha logrado entender a su cliente de manera casi perfecta y ha usado sus procesadores para generar ayuda y otra rama de negocio en otras empresas. Estos procesadores son considerados como de los mejores de todo el mundo ya que ha ayudado a una empresa centrada completamente en el cliente a generar servicios impecables y hacerlos con un crecimiento exponencial.

Documentos Citados

Mateos, Susana Maria Urbano. “Amazon: Qué Es y Cuál Es La Historia Que Esconde Detrás.” Actualidad ECommerce, Actualidad ECommerce, 26 Oct. 2018, http://www.actualidadecommerce.com/que-es-amazon/.

“Acerca De Amazon – Descubre Nuestra Empresa y Nuestra Tecnología.” Amazon.es: Acerca De Amazon, http://www.amazon.es/Acerca-Amazon-Descubre-Nuestra-Empresa-Nuestra-Tecnologia/b?ie=UTF8&node=1323175031#:~:text=Amazon%20es%20una%20de%20las,global%20en%20el%20comercio%20electr%C3%B3nico.&text=En%20la%20actualidad%2C%20Amazon%20ofrece,raquetas%20de%20tenis%20o%20diamantes.

“Amazon’s Secret of Success: Doing Crazy Things.” Yahoo! Finance, Yahoo!, finance.yahoo.com/news/amazons-secret-success-doing-crazy-215217907.html.

Emaz, Antoine, and Pérez-Ruiz Una. “AWS.” Amazon, UAP, 1998, aws.amazon.com/es/what-is-aws/.

CNN @expansionMx, et al. “La Estrategia De Amazon Para Ganar a La Competencia.” Expansión, 10 Oct. 2018, expansion.mx/tecnologia/2018/10/10/la-estrategia-de-amazon-para-ganar-a-la-competencia.

El Análisis de Datos, y su uso para responder a desastres naturales

Federal Emergency Management Agency

En la actualidad, se escucha distintas problemáticas siendo no menos importante las emergencias naturales, políticas y humanas. Desde los varios desastres como erupciones volcánicas, incendios, inundaciones, huracanes, tsunamis y terremotos, hasta la reciente pandemia de COVID-19 y sin olvidar el ataque terrorista del 9/11 o el atentado violento de la maratón de Boston. En el país de los sueños, específicamente, Estados Unidos ha logrado responder a estas emergencias de una manera muy particular a la que otros países del continente e incluso del mundo habrían podido. No obstante, debemos preguntarnos, al ser Estados Unidos un país tan grande y con estados políticamente independientes ¿Cómo es posible que este reaccione efectivamente ante una emergencia? Esto se debe gracias a la Agencia Federal de Manejo de Emergencias (FEMA por sus siglas en inglés), se caracteriza por ser la organización que se encarga de actuar inmediatamente en caso de desastres naturales o a gran escala en Estados Unidos de América. Según la página de la agencia su objetivo principal es: “Ayudar a la gente, antes, durante y después de los desastres” (FEMA, 2020). Este objetivo es logrado bajo la acción conjunta de distintas agencias federales. Su finalidad no solo es manejar situaciones de desastres, sino crear políticas públicas que permitan prevenir.   

Helping people before, during and after disasters”

-FEMA

FEMA fue creada en 1978 por la presidencia de Jimmy Carter y desde entonces ha sido la encargada de lidiar en caso de emergencia. Es conocida su respuesta después de los atentados del 11 de septiembre del 2001 y cómo se adaptó a la situación de un desastre de ese tipo, y millones de dólares fueron invertidos para la preparación ante ataques terroristas. Por otro lado, su respuesta ante el Huracán Katrina que azotó Nueva Orleans fue deficiente y muchas dudas respecto al desempeño de la Agencia crecieron (2010). El propósito final de la agencia es la de tomar decisiones rápidas ante situaciones límites para la toma de decisiones es primordial contar con la mayor cantidad de datos y evidencia posibles. Datos geográficos, meteorológicos e incluso demográficos ayudan a tomar decisiones. Es por lo tanto natural pensar que las técnicas usadas en data analysis pueden ser útiles. 

Podemos hablar del caso específico que sucedió en el estado de California con los incendios forestales. Es usual todos los años escuchar que el verano inclemente provoca la pérdida de varias hectáreas de bosques afectando no solo la vida silvestre sino incluso a la gente. Históricamente los incendios forestales en el área de San Diego han crecido cada vez más con el pasar de los años (Curran, 2019). En 2010, se quemaron 108,000 acres de bosque, mientras que en 2018 fueron 1,823,000. En términos monetarios los incendios le costaron al estado alrededor de 400 mil millones de dólares, y 85 personas murieron. No obstante es evidente que desde la perspectiva de vista del manejo de emergencias estas situaciones pueden ser prevenidas o mitigadas con políticas públicas, en otras palabras es en este contexto el análisis de datos y la toma de decisiones orientadas pueden marcar la diferencia.   

Analistas de datos independientes y asociados a FEMA llegaron a una solución usando las herramientas modernas disponibles para recopilar datos, los cuales en principio no son usados en emergencias. Las redes sociales actualmente recopilan gran cantidad de datos que de otra manera sería difícil de obtenerlos. Los datos recopilados fueron usados por un grupo de investigadores para ayudar a la toma de decisiones de FEMA en caso de emergencia. Los datos que usan provienen de sitios web como Yelp, una aplicación para calificar negocios, o Google. Los datos usados son: ubicación geográfica de los negocios, tipo de negocio, recursos disponibles para mitigar la emergencia. Por otro lado, también se usaron datos históricos sobre el tipo y recurrencia de desastres.  Estos datos permiten localizar donde se encuentran los recursos, o cuales son las zonas más propensas a sufrir en caso de emergencia (2020). El análisis de datos permite tomar decisiones sobre cómo enviar recursos y que zonas o negocios los requieren de forma inmediata. En este caso en particular los analistas de datos crearon un mapa interactivo que permitía a las agencias federales ubicar a los distintos negocios que puedan aportar con recursos en caso de emergencia, o por el otro lado, aquellos que necesiten de atención prioritaria (2020). El mapa sirve para prevenir con la creación de planes de evacuación y rutas óptimas de asignación de recursos, y en momento de emergencia para toma de decisiones inmediatas.

En cuanto a la respuesta de emergencias en la pandemia el uso de análisis de datos puede ser muy beneficioso. Las características principales de estos eventos son lo súbito, peligroso e incierto que se desarrollan. El uso de análisis datos puede ayudar a tomar decisiones para aliviar la sanidad pública y regresar a la normalidad lo más rápido posible. Actualmente se producen gran cantidad de datos de todo tipo, y el reto de los analistas es recopilarlos y procesarlos de la manera más óptima posible. En particular para la situación de la pandemia los datos médicos de pacientes, ubicación, diagnóstico y muchos más, son realmente importantes para cada una de la toma de decisiones. Una de las principales ayudas del análisis de datos ha sido el rastreo de contactos y la delimitación de áreas con mayor riesgo de contagio (Jia, 2020). Con los datos recopilados se crean árboles de las personas, con el contagiado y los contactos que provee. De esta forma es posible rastrear los contactos y clasificar zonas geográficas con mayor incidencia de contagios.

En conclusión, los desastres naturales son eventos que ocurren de manera improvista y pueden causar no sólo pérdidas económicas, sino humanitarias. El manejo de emergencias tiene dos propósitos importantes: Crear planes que previenen y mitigan los daños durante una emergencia y responder de manera inmediata y óptima cuando ocurre una. En el segundo aspecto es fundamental tomar decisiones rápidas, para lo cual el análisis de datos, la visualización de los datos en tiempo real y demás técnicas del Big Data son muy útiles en los casos descritos previamente. Esto demuestra que los gobiernos deben enfocarse e invertir más en técnicas de este tipo para mejorar su respuesta ante emergencias.  

Referencias

Curran, L. (2019). How Data Scientists can help Government Agencies Effectively Respond to Natural Disasters. https://towardsdatascience.com/how-data-scientists-can-help-government-agencies-effectively-respond-to-natural-disasters-c2978da932ee

FEMA (2020). Misión. https://www.fema.gov/about/mission

FEMA (2010). The Federal Emergency Management Agency Publication I. https://www.fema.gov/sites/default/files/2020-03/publication-one_english_2010.pdf

Jia, Q., Guo, Y., Wang, G., & Barnes, S. (2020). Big Data Analytics in the Fight against Major Public Health Incidents (Including COVID-19): A Conceptual Framework. International Journal of Environmental Research and Public Health, 17(17), 6161. doi: 10.3390/ijerph17176161. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7503476/

El Big Data en Twitter

Twitter es una red social que permite compartir enlaces, gifts, pensamientos, fotografías, videos, encuestas e información. Los usuarios pueden comunicarse de forma privada y pública con otros usuarios y así compartir sus intereses en común sobre temas de economía, política, música, noticias, eventos, entre otros. Está es considerada como una red de microblogging porque una de sus características es que el texto que se publica no puede exceder de 280 caracteres con el objetivo de narrar lo que se está pensando o viviendo de forma concreta.

Se originó como un proyecto de investigación de la empresa Obvious en San Francisco y en Julio de 2006 Jack Dorsey, Biz Stone y Evan Williams crearon la empresa Twitter Inc. para poder conseguir inversores. Para finales del 2009  disponen de versiones en francés, alemán, italiano y español.  En 2010 crea el servicio de tweets promocionados los cuales son tweets comprados por anunciantes para llegar a un grupo de usuarios específico. Para inicios del 2015 Twitter anuncia su nueva aplicación Periscope la que permite transmitir eventos en tiempo real, un año después esta aplicación ya contaba con más de 215 millones de emisiones en directo.

Big Data es un término utilizado para la recopilación de un conjunto de datos grandes y complejos, que no pueden ser manipulados con herramientas convencionales de administración de bases de datos. Esta informacion es utilizada para conocer los patrones y tendencias de las personas y así mejorar las operaciones comerciales de una empresa. Cabe destacar que, en 2016, Twitter compró Magic Pony Technology con el propósito de implementar inteligencia artificial en la plataforma y aplicar algoritmos mejores y más complejos para el análisis de los usuarios en la aplicación.

Actualmente, twitter tiene grandes requisitos de almacenamiento y tratamiento de datos, por lo que uno de los programas utilizados para recopilar los tweets es Hadoop de acuerdo con  (Kevin Weil, 2010). Este programa se usa para almacenar y procesar datos a gran escala como los tweets, por lo que se lo ha considerado un software eficaz utilizado actualmente por grandes empresas y corporaciones, como Google y Facebook.  Hadoop incluye diferentes herramientas y componentes para distribuir el procesamiento una de ellas es el “MapReduce”. De acuerdo con (Shilpi Taneja & Manish Taneja, 2014) Twitter utiliza este componente para las tendencias, analizando tweets individuales y filtrar las palabras clave que estén siendo utilizadas por muchos usuarios. Esto proporciona una perspectiva de cuales son los temas relevantes o claves en ese momento. Además, se implementa también para el análisis de sentimiento, por ejemplo, un usuario al momento de buscar una palabra clave sobre alguna marca, esto es analizado para calcular el sentimiento o puntuación por esa marca.

De acuerdo con (Bernard Marr, s. f.) la aplicación utiliza la información de los usuarios: a quién siguen, sus tweets, retweets e interacciones con otras cuentas para personalizar los anuncios. Así mismo, la información del perfil, la ubicación del dispositivo y las aplicaciones instaladas en el celular para identificar los anuncios locales y los anuncios que podría preferir el usuario. De esta misma forma los algoritmos escanean y clasifican los tweets para mostrar en el feed de cada usuario, determina los más relevantes según sus interacciones y sugiere cuentas y videos que les podrían interesar, anteriormente, Twitter solo mostraba los tweets en orden cronológico inverso.

Por otro lado, los hashtags clasifican las publicaciones y permiten conocer los temas más populares del momento. Las tendencias se determinan mediante un algoritmo y si se relacionan con un mismo tema el algoritmo las agrupa. Estas son personalizadas, sin embargo, también incluyen temas locales y globales. Actualmente las tendencias tienen una categoría, se puede ver si es de política, música, entretenimiento, etc.  De igual manera, existe un nuevo algoritmo denominado “por si te lo perdiste”, si un usuario no revisa esta red social en mucho tiempo entonces Twitter junta una serie de tweets que pueden ser importantes para ese usuario y los muestra en una sección especifica. Este algoritmo logró atraer a más usuarios, en 2017 el crecimiento de los usuarios en esta red social fue más de 18 millones.

Twitter también les da la oportunidad a los usuarios de analizar los datos e interacciones de sus publicaciones, esto se implementó en 2014 y se denomina Twitter Analytics. De esta forma se puede conocer el número de impresiones e interacciones de personas con el tweet, con esto se puede saber cuántos usuarios le dan clic a la publicación, a la imagen, al perfil, entre otras. Esto es una función interesante e importante para los negocios ya que les ayuda a identificar que tipo de publicaciones están generando más conexión con los usuarios y cuales funcionan mejor.

Se puede observar claramente como Twitter utiliza análisis de datos para ofrecer una mejor experiencia a sus usuarios y facilitar el uso de la aplicación mediante algoritmos y clasificación personalizada de tweets con la ayuda del Big Data. Así mismo, los usuarios pueden analizar las interacciones de sus publicaciones permitiendoles conocer su alcance y así mejorar. Estas funciones han logrado captar a más usuarios en la red social y así mismo a más empresas, generando un nuevo método de marketing dentro de Twitter.

REFERENCIAS

Bernard Marr. (s. f.). How Twitter Uses Big Data And Artificial Intelligence (AI). Bernard Marr & Co. https://www.bernardmarr.com/default.asp?contentID=1373#:~:text=Twitter’s%20ranking%20algorithm%20has%20taken,that%20content%20in%20their%20feed

CNN en Español. (2013). 23 momentos claves en la historia de Twitter. CNN. https://cnnespanol.cnn.com/2013/09/16/23-momentos-clave-en-la-historia-de-twitter/

Joel Lunenfeld. (2016). 10 maneras en las que el Marketing ha cambiado con Twitter. Twitter. https://blog.twitter.com/es_es/a/es/2016/10-maneras-en-las-que-el-marketing-ha-cambiado-con-twitter.html

José Antonio carballar Falcón. (2011). Twitter—Marketing personal y profesional. RC Libros. https://books.google.es/books?hl=es&lr=&id=BQnyfWCUjOcC&oi=fnd&pg=PA1&dq=twitter+negocio+&ots=Xy3h9qj4cM&sig=xh46m6bqpIU2czE8h-foVd3m3rQ#v=onepage&q=twitter%20negocio&f=false

Kevin Weil. (2010). Hadoop at Twitter. Twitter. https://blog.twitter.com/engineering/en_us/a/2010/hadoop-at-twitter.html

Shilpi Taneja & Manish Taneja. (2014, mayo). BIG DATA AND TWITTER. https://www.ijrcar.com/Volume_2_Issue_5/v2i540.pdf

Twitter. (s. f.). Preguntas frecuentes sobre las tendencias de Twitter. https://help.twitter.com/es/using-twitter/twitter-trending-faqs

El uso de Big Data en Nike

“A medida que la demanda crece, debemos saber reconducir optimizando los datos para hiper focalizarlos en los comportamientos del consumidor” explicó el director de operaciones Eric Sprunk en una entrevista. Muchas empresas han optado por el uso del Big data analytics ya que les trae varios beneficios comerciales permitiendo obtener nuevos conocimientos, llevándonos a realizar una administración eficiente y eficaz. Esta información nos ayuda a tomar decisiones acertadas y mejores. Nike es una empresa que constantemente se encuentra innovando tanto en sus productos como en sus estrategias corporativas, por lo que también ha incluido el big data en su corporación.

            El big data nos ayuda a manipular grandes cantidades de datos, que se enfoca principalmente en el almacenamiento, búsqueda y sobre todo análisis de datos. Si se usa de una manera adecuada, sabiendo descomponer correctamente la información, puede pasar de presentar datos a presentar oportunidades de negocio. También, otra de las funcionalidades es el poder estimar lo que pasará en un futuro, basado en la información obtenida. Se puede conocer fechas en las que se pueda realizar las compras, que productos son más comercializados, cuales podrían comprar nuestros clientes basado en su comportamiento, qué tipo de promoción de producto puede ser más eficaz en cierta audiencia. En conclusión, aumenta la eficacia en la toma de decisiones y por ende de los negocios, ya que toda decisión estará basada en datos de los clientes. Además, permite ahorrar tiempo.

            Nike es una compañía que se enfoca en la fabricación, desarrollo y comercialización de todo tipo de equipamiento deportivo como: ropa, balones, accesorios, calzado, entre más. Hoy en día varias empresas le han apostado al análisis de datos y Nike no es la excepción. ̈ En 2019 y 2020 Nike adquirió firmas de análisis de datos del consumidor con el objetivo de acelerar la ¨Transformación digital¨ ¨(El economista. 2019). Se realizó una alianza estratégica entre Nike y una compañía llamada Celect, que se encarga de obtener y recopilar datos para analizar las tendencias de consumo. Celect también realiza predicciones de tendencia global y local.  

            A consecuencia de la alianza estratégica realizada. Se optó por integrar aplicaciones móviles llamada ¨Nike Fit¨ esta app permite realizar un escaneo 3D con la que se busca predecir con precisión el tamaño de las zapatillas que las personas desean comprar. Con esto, la empresa puede predecir los estilos de los zapatos o prendas de vestir que sean de interés para sus clientes, cuando lo quieren y donde van a comprar. Se busca estimar los patrones de comportamiento de las compras. Esta alianza estratégica ayudará a que Nike impulse el deseo de compra. Tiempo después se realiza otro lanzamiento de una app con el nombre de ¨Nike +¨ ¨Nike Run Club¨ ¨Nike Training Club¨ que tienen como objetivo el ser asistente de deporte, se vende a los usuarios estas apps como productos complementarios que llevan a potenciar su rendimiento.  Estas apps ´s interactúan constantemente con el usuario, facilitando la recolección de datos. A consecuencia de esto se realizan las estadísticas del deporte que practiques como: rastreo de carreras, desafíos semanales, planes de entrenamiento, calorías quemadas, saturación de oxígeno, competiciones en línea y más. Con toda esta información que se está obteniendo de sus clientes, la empresa podrá saber aspectos como el potencial, cuando ya tendrás la necesidad de obtener nuevos accesorios o zapatos de la marca ya que estará basado en la durabilidad de sus productos con el uso que tú le das. Además, podrá conocer tus intereses en algún deporte y te promocionará accesorios relacionado con este. Con toda esta información, se estima cuando realizaras la compra por lo que te mostrará una oferta de productos y servicios personalizados. “Tenemos que anticipar la demanda. No tenemos seis meses para hacerlo. Tenemos 30 minutos”. explicó el director de operaciones Eric Sprunk en una entrevista a CNBC.

            En conclusión, el uso del big data permite a Nike conocer mejor a sus clientes. Esto les permite tener un mayor margen de utilidad. También, la toma de decisiones le ha ayudado a que no tengan un alto nivel de inventario en su punto de ventas, reduciendo el gasto en almacenamiento. Y sobre todo, adelantándose a la necesidad de sus clientes en comprar productos deportivos, permitiéndole publicitar sus productos y que sea Nike quien compre. Después del uso del Big Data, las ventas de Nike aumentaron en un 12% que corresponde a un ingreso de $10 millones. Además, para el inicio del 2020 las acciones se elevaron en un 8%, llevando a una capitalización de mercado de $127000 millones.

Referencias bibliográficas

Pinazo, D. (Mayo 2017). La importancia del Big Data en la empresa. Comunidad IEBS. Recuperado de: https://comunidad.iebschool.com/davidpinazo/2017/05/importancia-big-data-empresa/

            Cediel, D. (2019). Big data imprescindible en el analisis de datos. Viewnext. Recuperado de: https://www.viewnext.com/importancia-del-big-data/#:~:text=Importancia%20de%20Big%20Data%20Analytics&text=El%20an%C3%A1lisis%20Big%20Data%20es,los%20problemas%20de%20los%20clientes

            Finsa, K (2019). Cinco ejemplos de empresas que usan big data. Connections. Recuperado de: https://www.connectionsbyfinsa.com/cinco-ejemplos-de-empresas-que-aplican-big-data-para-conocerte-mejor/             El economista (2019). Nike apuesta al big data para predecir compras y terminar con los mayoristas. El economista. Recuperado de: https://eleconomista.com.ar/2019-08-nike-compro-una-compania-de-big-data-para-predecir-mejor-al-consumidor/

Análisis de datos en Robinhood Markets Inc.

La popular empresa estadounidense “Robinhood Markets Inc.” fundada por Vladimir Tenev y Baiju Bhatt en 2013 y lanzada oficialmente en 2015 es una empresa con sede en Menlo Park, California que ofrece servicios financieros y es conocida por operar sin comisiones en mercados financieros a través de una aplicación móvil, lo cual permite a los 13 millones de usuarios registrados en esta plataforma invertir su dinero de forma rápida y sencilla.

Entre los principales logros y controversias de la empresa tenemos el rápido aumento en la valoración de la empresa gracias a las grandes rondas de financiación que recibió entre los años 2017 y 2019, mismas que valorizaron a Robinhood entre los $7 000 millones a los $10 mil millones. En cuanto a las controversias de Robinhood tenemos violaciones a la seguridad en 2019 donde se demostró que miles de contraseñas eran almacenadas por la empresa; también, afrontó una importante controversia debido al suicidio de Alexander E. Kearns quien dejo una carta acusando a Robinhood de haberle permitido correr muchos riesgos en su plataforma; finalmente, afrontó su controversia más reciente en 2021 donde se le acuso de restringir deliberadamente el comercio de ciertas acciones para evitar que inversores minoristas obtengan un beneficio de la situación.

A continuación, hablaremos un poco sobre como Robinhood utiliza el análisis de datos en su plataforma para ofrecer el servicio más adecuado a las personas al momento de invertir en la bolsa de valores. Abordaremos temas como la información personal que solicitan al momento de crear una cuenta, los datos agrupados que presentan sobre las empresas disponibles en su plataforma, las sugerencias basadas en análisis para los inversores minoristas y los datos agrupados que presentan a los inversores con relación a su portafolio de acciones bursátiles.

En primer lugar, tenemos toda la información que Robinhood recopila al momento de crear una cuenta en la plataforma. Por un lado, ellos reúnen información personal como nombre, fecha de nacimiento y dirección; por el otro, reúnen información bancaria para poder determinar si cuentas con ingresos que te permitan utilizar la plataforma y solventar los gastos. Adicionalmente, realizan preguntas para poder tener una idea del conocimiento que posees cuando de comercio de acciones se trata. Esto le sirve a Robinhood para saber a qué segmento de mercado debe dirigirse; actualmente la mayor parte de los usuarios de esta aplicación son millennials.

En segundo lugar, Robinhood publica diariamente las noticias más relevantes en el mundo y también de las empresas que investigamos. Junto con eso, la plataforma tiene registrados todos los precios de las acciones de las empresas desde el momento en que decidieron cotizar en bolsa para poder brindar razones financieras relevantes tales como su porcentaje de crecimiento, precio de apertura, precio de cierre, volumen de ventas, dividendos y capitalización en el mercado. Estos datos son muy utilizados por profesionales para realizar sugerencias a los inversores minoristas, la plataforma utiliza estas sugerencias y presenta a los usuarios los porcentajes para las opciones “Sell”, “Buy” o “Hold”, mismas que dan una idea a los inversionistas sobre qué acciones están tomando las personas sobre la empresa.

Finalmente, Robinhood lleva un registro de los portafolios y analiza sus datos para presentárselos a los inversionistas. Dentro de este análisis las personas pueden conocer el número exacto de acciones que poseen, su porcentaje de diversificación, el retorno sobre la inversión total, el costo total de la inversión y los dividendos que genera al momento. Esto es muy útil para las personas ya que evita confusiones y les permite acceder a todas sus inversiones de manera rápida y sencilla mientras que llevan un registro de su crecimiento o decrecimiento con el paso del tiempo.

En conclusión y como es de esperarse, Robinhood tal como cualquier plataforma de comercio de acciones utiliza mucho lo que es el análisis de datos para poder presentar información valida a las personas que quiere usar su plataforma para invertir su dinero, estos análisis que presentan deben ser extremadamente precisos debido a que las personas están confiando su dinero y en muchas ocasiones sus ahorros de vida, lo cual podría resultar en una catástrofe de no tener datos reales y agrupados. Es importante recalcar que a pesar de todas las controversias que Robinhood ha afrontado durante los últimos años, continúa siendo una de las plataformas de trading más populares en el mundo y la gente lo sigue prefiriendo gracias a la intuitiva interfaz que ofrece y a la facilidad para invertir que les brinda a los usuarios.

Referencias

Celine, T. (18 de junio de 2020). College Student Commits Suicide After Online Trading Platform Robinhood Showed His Negative $730,000 Debt. Obtenido de Tech Times: https://www.techtimes.com/amp/articles/250416/20200618/college-student-commits-suicide-after-online-trading-platform-robinhood-showed-his-negative-730-000-debt.htm

Marrón, M. (29 de enero de 2021). Quién está detrás de Robinhood, los dos amigos billonarios que han dado la vuelta a Wall Street. Obtenido de NIUS: https://www.niusdiario.es/vida/visto-oido/robinhood-quien-detras-app-trading-bolsa-foro-reddit-wall-street_18_3083070176.html

Plaza, A. (29 de enero de 2021). Robinhood, la app de trading ‘millennial’ que enganchó y dejó tirados a miles de pequeños inversores con GameStop. Obtenido de Eldiario.es: https://www.eldiario.es/economia/robinhood-app-trading-millennial-engancho-dejo-tirados-miles-pequenos-inversores_1_7178731.html

Royal, J. (s.f.). Robinhood® review 2021. Obtenido de Bankrate: https://www.bankrate.com/investing/brokerage-reviews/robinhood/

Disney y Big Data

The Walt Disney Company, o también conocida como Disney, es el conglomerado de medios de entretenimiento más grande del mundo. El público, en general, cataloga a Disney como el estudio con la cara del ratón Mickey que produce películas y series dirigidas hacia una demografía infantil; sin embargo, hay varios factores que se omiten tras esta generalización tan amplia y, en parte, errónea. La compañía no solo es productora de películas animadas por medio de Walt Disney Animation Studios y Pixar Animation Studios, sino que adicionalmente posee varios canales de televisión, tales como Disney Channel, Disney Junior, Disney XD, ESPN, y la American Broadcasting Company; y cuenta con un servicio de plataforma de streaming llamada Disney +.  Así mismo, adquirió otras propiedades intelectuales adicionales como Marvel Studios, Lucasfilm, 20th Century Studios, Searchlight Pictures, Fox, ABC News & Enternatiment, y National Geographic. Sin mencionar sus parques temáticos en Estados Unidos, China, Japón, Francia y Hong Kong; así como, su línea de cruceros Disney Cruise Line.

La compañía cuenta con aproximadamente 97 años de trayectoria, por lo que, para evitar explayarse en su historia, se tocará puntos clave desde su nacimiento y desarrollo de la compañía. En 1923, Walt Disney llegó a California tras la creación de su caricatura “Alice’s Wonderland”, decidido a usarla como piloto y venderla a un distribuidor como una serie. Debido al exitoso contrato con un distribuidor de Nueva York, M. J. Winkler; el 16 de octubre de ese mismo año, la compañía Disney Brother Cartoon Studio fue fundada junto con su hermano Roy (D23, s.f.). En 1928, el famoso personaje Mickey Mouse realizó su debut en la pantalla grande como personaje en el cortometraje animado “Steamboat Willie”. En la próxima década, la compañía estrenaría su primer largometraje animado a color, “Blanca Nieves y los Siete Enanitos”, la cual fue un éxito en taquilla. En 1955, Walt abre Disneyland en Anaheim, California. Gracias al gran éxito de Disneyland, en el año de 1971, Walt Disney World abre sus puertas en Orlando, Florida; lo que en un futuro causaría una gran expansión de parques temáticos. El 2006, Disney se hace de Pixar Studios, esta compra sería el inicio de otras futuras hacia compañías de entretenimiento. Disney adquirió Marvel Studios en el 2009, y Lucasfilm en el año 2012. Finalmente, en el año 2019 Disney compra Fox; lo que posicionaría a Disney como un posible monopolio en el mercado del entretenimiento.

Un conglomerado que posee una escala y alcance tan grande como The Walt Disney Company se ha mantenido a flote debido a su constante innovación creativa y tecnológica. Como se ha mencionado previamente, Disney no es solo una compañía que se dedica a la creación de películas, sino que gran parte de sus ingresos anuales se deben a la venta del “merchandising” y, como no, sus parques temáticos alrededor del mundo. Disney se ha propuesto en estos últimos 5 años, la evolución de la experiencia de los visitantes por medio del análisis y recolección de datos. Es decir, llevaron al cabo, una estrategia de Big Data.

Big Data define una situación en que los conjuntos de datos han crecido a tamaños tan grandes que las tecnologías para la recolección de información convencionales no pueden manejar eficazmente ni el tamaño del conjunto de datos, ni su crecimiento (Ohlhorst, 2012). En otras palabras, el conjunto de datos ha crecido a tal magnitud donde su administración es difícil, y obtener valores de estos es una labor en extremo complicada. Esta definición se acopla perfectamente a los 100 millones de personas que visitan anualmente los parques de Disney (Alharthi, 2017); individuos de los cuales Disney obtiene información por medio de la implementación de las pulseras RFID.

Las pulseras RFID o Disney’s Magic Bands, son pulseras impermeables, parecidas a un reloj, que vienen en una amplia gama de colores y diseños. Estas están diseñadas para realizar una recolección de datos más efectiva del usuario para la compañía, y a su vez, un mejor servicio al cliente por parte de la compañía al usuario; debido a que estas están interrelacionadas al sistema “My Magic+”. Los sensores RFID son pequeños dispositivos informáticos que pueden transmitir información digital sobre el objeto al que están conectados de forma automática e inalámbrica, a una distancia considerable y sin necesidad de línea de visión (Alharthi, 2017). Para el usuario, esta pulsera sirve como entrada a los parques de atracciones, llave del hotel, se puede relacionarla directamente a la tarjeta de crédito para pago en restaurantes y tiendas de merchandising; sin mencionar la facilidad para la reservación de fast-pass y el acceso a atracciones sin hacer cola. Lo que permite un viaje más ligero durante el periodo de vacaciones.

A su vez, la compañía obtiene un gran flujo de información que se almacena en bases de datos. Disney recibe informes de horas de entrada y salida de los parques, patrones dentro del uso de las atracciones, un historial de consumos y compras dentro del parque, y ubicación en tiempo real dentro del resort. Debido a la ayuda de las pulseras y la aplicación de “My Disney +”, la aplicación puede realizar acciones como presentar sugerencias o incentivos para redirigir a personas a las zonas menos congestionadas del área (Karp, 2016).  Esta gran afluencia de datos ha sido usada para diseñar campañas de marketing, basándose en el público objetivo de las pulseras, así como la planificación de actuaciones temáticas dentro del parque considerado que zonas se encuentran con un mayor grupo de personas. Debido a la implementación de estas tecnologías, Disney se ha permitido realizar una optimización más eficiente de los recursos dentro del parque, al grado que se ha reportado una disminución del 20% de costos internos del parque (Karp, 2016).   Esta función no solo recolecta datos, sino que a su vez produce una nueva experiencia para el visitante.

Bibliografía:

Alharthi, A. (2017). Addressing barriers to big data. ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0007681317300022

Big Data Behind Disney Magic. (2019, 13 noviembre). Digital Innovation and Transformation. https://digital.hbs.edu/platform-digit/submission/big-data-behind-disney-magic/

D23: The Official Disney Fan Club. (s. f.). Disney History. Walt Disney Archieves. Recuperado 26 de febrero de 2021, de https://d23.com/disney-history/

Karp, A. (2016, 28 marzo). Big Data y la experiencia Walt Disney. CulturaCRM. https://culturacrm.com/big-data/big-data-la-experiencia-walt-disney

Ohlhorst, F. (2012). Big Data Analytics: Turning Big Data Into Big Money [Libro electrónico]. John Wiley & Sons. https://books.google.es/books?hl=es&lr=&id=59jqanSN0mwC&oi=fnd&pg=PR9&dq=disney+and+big+data&ots=_G3MFLBFU9&sig=IpB2Hs_nYrghKqpgSZM-6h_Vm1E#v=onepage&q=disney&f=false

The Walt Disney Company. (s. f.). Disney – Leadership, History, Corporate Social Responsibility. Recuperado 25 de febrero de 2021, de https://thewaltdisneycompany.com/about/#-5

Michelangelo, la analítica de Uber

Durante toda la historia la movilización ha sido un factor muy importante para el ser humano. A lo largo del tiempo el servicio de taxis dominó el mercado en la mayoría de países. Sin embargo, en 2009 una idea transformó y revolucionó la forma de movilizarnos. Se creó una plataforma para solucionar el problema del servicio de transporte donde se buscaba que a través de tu teléfono tengas un vehículo en el lugar adecuado y en el momento preciso.

El generador de esta idea fue Travis Kalanick, el nació en Los Angeles, USA en 1976. Buscando innovar la movilización decidió implementar un plan de negocios basada en la economía colaborativa. Es decir, que él no quería tener empleados a quienes pagarles un sueldo, él simplemente quería unir conductores con consumidores a través de una aplicación. Así que en 2009 se fundó Ubercab, esta empresa se basaba en pedir un taxi desde una aplicación. Al tener una gran acogida en 2010 se lanzó la aplicación en San Francisco. Al tener bastante éxito muchos inversionistas decidieron invertir en la empresa y así fue como crecieron a diferentes ciudades. En 2012 se cambiaron de nombre a Uber y el resto ya es historia.

En un principio, al tener pocos consumidores, Uber manejaba toda la información manualmente. Pero en vista de que empezó a existir un crecimiento exponencial en la empresa teniendo más consumidores y más conductores, la aplicación necesitaba manejar mayor información. Esto provocó que la mayor parte de sus inversiones se vayan en plataformas para poder manejar los datos y lograr que la aplicación funcione correctamente. Como uber menciona “Uber Engineering está comprometida con el desarrollo de tecnologías que crean experiencias impactantes y fluidas para nuestros clientes. Estamos invirtiendo cada vez más en inteligencia artificial (IA) y aprendizaje automático (ML) para cumplir con esta visión” (Hermann, J. 2017).

Al tener el objetivo de tener una aplicación y una plataforma eficiente, Uber decidió contratar científicos de datos. Estos ayudaron a la empresa para crear algoritmos y para crear un mejor manejo de los datos y así poder tener un mejor manejo dentro de la aplicación. Lograron recopilar todos los datos en una misma plataforma. “Usaban una amplia variedad de herramientas para crear modelos predictivos (R, scikit-learn , algoritmos personalizados, etc.). Algunos científicos e ingenieros de datos podían construir en un corto período de tiempo con herramientas en su mayoría de código abierto.” (Holler. A, 2019). Como se menciona, existió mucha dificultad y muchas herramientas para poder manejar esa cantidad de datos.

Después de pasar por todos estos desafíos, Uber logró crear una plataforma revolucionaria llamada Michelangelo “En Uber, nuestra contribución a este espacio es Michelangelo, una plataforma interna de aprendizaje automático como servicio que democratiza el aprendizaje automático y hace que escalar la IA para satisfacer las necesidades de las empresas sea tan fácil como solicitar un viaje.” (Hermann, J. 2017). Esta plataforma fue diseñada para administrar datos, evaluar e implementar datos, hacer predicciones en tiempo real, monitoreo y aprendizaje automático. Generando herramientas escalables, confiables, reproducibles, fáciles de usar y automatizadas.

En conclusión, creo que Uber ha tenido que adaptarse rápidamente en el mundo digital y de datos. Esto ha sido su factor diferenciador y el punto clave de su éxito. Ya que esto le permite tener muchas predicciones en tiempo real y le ayuda a tomar mejores decisiones, también este gran manejo de datos hace que todo sea mucho más eficiente y funcione mejor. Por otro lado, esto funciona para tener un marketing digital mucho mejor por lo que se puede vender mucho más. Por esto considero que Uber es un gran ejemplo de cómo se debe manejar los datos para beneficiar a tu empresa.

Bibliografía:
Hermann, J. (2017, September 5). Meet Michelangelo: Uber’s Machine Learning Platform. Retrieved February 4, 2021, from Uber Engineering Blog website: https://eng.uber.com/michelangelo-machine-learning-platform/

Holler, A. (2019, October 16). Evolving Michelangelo Model Representation for Flexibility at Scale. Retrieved February 5, 2021, from Uber Engineering Blog website: https://eng.uber.com/michelangelo-machine-learning-model-representation/