Tag: Analitica de datos
El análisis de los datos nos conduce a elaborar estrategias más eficientes y alcanzar nuevas oportunidades de negocio. Es una de las ventajas que se han obtenido en los últimos años gracias a los avances tecnológicos. Además, un correcto análisis de los datos, tanto a nivel interno como externo, puede marcar la diferencia a la hora de tomar decisiones estratégicas. No obstante, a la hora de dar a conocer las conclusiones de los estudios, es necesario transmitirlos de una forma entendible por la audiencia. De poco sirve hallar grandes conclusiones si la audiencia a la que vamos a dirigirnos no entenderá o prestará la suficiente atención a la misma. En base a esto, surge el concepto de Data Storytelling.
¿Qué es el Data Storytelling?
El Data Storytelling consiste en exponer los resultados de un análisis de datos a través de una narración. Este concepto deja atrás la convencional forma de presentar datos ya que se logra presentar los datos mediante un contexto, una narrativa y unos personajes. Muchos autores comentan que, para lograr el Data Storytelling, son necesarios tres elementos fundamentales:
- Los datos
- Los elementos visuales
- La narrativa.
Además, en función de cómo se combinen estos tres elementos, el impacto de la representación obtendrá un resultado diferente.
- Si combinamos elementos visuales y datos, la presentación será más llamativa, clara y coherente. Se alcanzará el término “enlighten”, referido a iluminar. La audiencia logrará entender los conceptos expuestos a la vez que confían en los mismos.
- Si combinamos narrativa y datos, la presentación será clara para la audiencia, pero se precisará poner a la audiencia en un contexto para que pueda comprender qué ocurre y por qué es importante. Se alcanza, de este modo, el término “explicación”
- Si combinamos la narrativa y elementos visuales, se consigue alcanzar el llamado “compromiso o engagement”. Este término hace referencia a la consecución de la atención y la interacción por parte de la audiencia.
Sin embargo, ¿qué ocurre si combinamos los tres elementos anteriores? Si es así, se logrará persuadir a la audiencia hacia el cambio que se buscaba principalmente. Esta aplicación permite al orador convertir una presentación aburrida, en una historia con datos y matices persuasivos. Esta combinación afectará directamente a la toma de decisiones de una organización o, incluso, de los consumidores finales.
¿Por qué es importante el Data Storytelling?
Llegados a este punto podemos decir que el Data Storytelling se convierte en algo fundamental a la hora de presentar conclusiones tras un análisis de datos. Narrar una historia alrededor de los datos se convierte en algo vital. De hecho, a lo largo de la historia de la humanidad, a las personas siempre nos ha supuesto menor esfuerzo retener una historia en lugar de retener números expuestos aleatoriamente. Las historias logran que la audiencia se emocione y actúe en consecuencia. Además, diferentes estudios neurocientíficos afirman que el proceso de tomas de decisiones de las personas está estrechamente relacionado con las emociones.
Consejos para crear un Data Storytelling.
- SER PRECISOS. Es necesario centrarnos en qué vamos a transmitirle a la audiencia. No se debe crear una narrativa que sea poco específica o una historia demasiado liosa, se necesita saber qué queremos contar, qué información vamos a mostrar y a dónde queremos llegar.
- ESTUDIAR A LA AUDIENCIA. La narrativa y exposición de datos deben estar orientadas en todos los sentidos al tipo de audiencia que va a dirigirse. Se hará necesario conocer quién recibirá la interpretación y conclusiones de datos para amoldar la historia a su idiosincrasia.
- UTILIZAR EL MÉTODO DE NARRATIVA. La historia contada alrededor de los datos y los elementos visuales debe seguir una estructura. Como cualquier historia, debe tener comienzo, nudo y desenlace para que la narrativa en sí obtenga un mayor peso en la audiencia.
- UTILIZAR GRÁFICOS ADECUADOS. No debe abusarse constantemente de los mismos gráficos. Es aconsejable variar el tipo de gráfico de datos en función del tipo de dato. De no ser así, se podría caer en la monotonía y perder el interés de la audiencia.
Algunos ejemplos de Data Storytelling en la actualidad.
Para poder entender mejor en qué consiste el concepto de data storytelling, os enseñamos un par de ejemplos que se usan en la actualidad y que son percibidas positivamente por la audiencia.
Una de ellas es la campaña “Wrapped” que lanza Spotify cada año. Wrapped se basa en enviar a cada uno de los usuarios de Spotify un resumen de todas las canciones, artistas y podcast consumidas por el usuario a lo largo del año. De esa forma, logran transmitir los datos a sus clientes apoyados con una narrativa eficaz y una serie de imágenes que hacen a la historia aún más atractiva. Además, de conseguir engagement y que éstos compartan estos datos en sus redes sociales.
Otro ejemplo es la función “Historial de ubicaciones” de Google Maps. El historial de ubicaciones ayuda a obtener información útil, tal como predicciones automáticas de la duración de los desplazamientos como mejores resultados de búsquedas en base a los lugares que el usuario ha estado. De esta forma, se crea un mapa privado del usuario en base a los datos recopilados y analizados. Google Maps expone los datos mediante una historia que coloca al usuario en el centro, haciéndolo protagonista de la misma y ofreciéndole información útil y entendible.
La Analítica Empresarial (AE) comprende los métodos y las técnicas que se utilizan para recopilar, analizar e investigar el conjunto de datos de una organización, lo cual genera conocimiento que se transforma en oportunidades de negocio y mejora la estrategia empresarial. AE permite una mejora en la toma de decisiones ya que éstas se basan en la obtención de datos reales y tiempo real y permite conseguir objetivos empresariales a partir del análisis de estos datos
Algunos factores como el aumento en la obtención de datos big data, los diversos cabales para relacionarse con los clientes-usuarios-consumidores y el crecimiento de la demanda para obtener mejores servicios; hacen que los responsables de comunicación y marketing deban ser innovadores y efectivo en la toma de decisiones ya que la AE puede ser muy útil para dar apoyo a la estrategia de marketing de la empresa.
¿Qué podemos hacer con la Analítica Empresarial?
La AE permite:
- Detectar tendencias
- Realizar diagnósticos a partir de modelos predictivos
- Utilizar estos modelos para optimizar los procesos de negocios
- Enriquecer los datos internos de la empresa para diferenciarse de la competencia.
Clasificación de la Analitica Empresarial:
- Analítica Descriptiva. Utiliza los datos para explicar el pasado. Consiste en preparar y analizar datos históricos para identificar patrones y tendencias. Técnicas como modelos de regresión, el modelado de datos y visualización suelen ser usados en la Analítica Descriptiva.
- Analítica Predictiva. Utiliza los datos para determinar que puede pasar en elfuturo. La Analítica Predictiva permite determinar la probabilidad asociada a eventos futuros a partir del análisis de la información disponible (presente y pasada), además permite descubrir relaciones entre los datos que normalmente no es detectada con un análisis menos sofisticado. Técnicas como la minería de datos (data mining) y los modelos predictivos son utilizados.
- Analítica Prescriptiva. Utiliza los datos para prescribir aquellas accionesque incrementen nuestras posibilidades de obtener los mejores resultados. La Analítica Prescriptiva determina nuevos forma de operar que permitan alcanzar nuestros objetivos de negocio. Técnicas como la optimización o la simulación son utilizadas, aunque normalmente se requiere la creación de un modelo predictivo previo.
Business Analytics vs Business Intelligence
Internet ha generado un fenómeno completamente nuevo, en el que el mercado realiza sus propios análisis comparando ofertas, intercambiando experiencias y, en esencia, tomando el control de las marcas. Es por ello que los responsables de marketing deban tener en cuenta: ¿qué es la Inteligencia Empresarial?
Otro concepto relacionado con la AE es la Inteligencia Empresarial (IE) centrada en el uso de los datos de una empresa para facilitar también la toma de decisiones y anticipar acciones empresariales.
La diferencia con la AE es que la IE es un concepto más amplio, no solo se centra en el análisis de datos sino que éste es un área dentro de la IE. Es decir, la IE se trata de un conjunto de estrategias, aplicaciones, datos, tecnología y arquitectura técnica entre las que se encuentra la AE; y todo ello, enfocado a la creación de nuevo conocimiento a través de los datos existentes de la empresa.
Cada vez es más común encontrar datos geolocalizados (Ej. redes sociales, móviles, Google, INE, etc.), estos datos añaden nuevas oportunidades de información monetizable que desgraciadamente, en la mayor parte de los casos no se aprovechan. La falta de aprovechamiento se debe a que se suelen utilizar modelos clásicos, que no tienen en cuenta la geolocalización, para intentar explicar e intentar monetizar estos datos.
En este post vamos a mostrar un claro ejemplo de cómo una técnica clásica, no geolocalizada (no tiene en cuenta la localización del dato), puede llevar a una predicción insatisfactoria de los datos geolocalizados, mientras que una tecnica geolocalizada (tiene en cuenta la localización del dato) mejora en gran medida los resultados, permitiendo “insights” que el modelo no localizado no obtendría y como consecuencia, el modelo geolocalizado, permite una mejor monetización de los resultados
A título de ejemplo hemos realizado un análisis predictivo de la ubicación de segundas viviendas en el sur de España, los resultados son los que se muestran en la Figura-1 y que a continuación se explican.
En la parte superior de la figura 1 pueden observarse los resultados de la aplicación de las técnicas no geolocalizada (parte superior de la figura) y geocalizadas (parte inferior de la figura) para predecir el número de viviendas secundarias en las diferentes secciones censales (zonas en las que se dividen los municipios de las comunidades autónomas españolas) de las comunidades de Andalucía, Extremadura, Murcia y Castilla La Mancha.
Figura 1. Contraste de técnicas geolocalizadas y no geolocalizadas en las diferentes secciones censales de Andalucía, Extremadura, Murcia y Castilla La Mancha
Es claro que en la parte inferior de la figura 1 el color de los puntos es bastante más pronunciado que en la superior, detectándose además algunos puntos coloreados para la parte inferior que para la superior carecen de color, (comunidad de Murcia) y por ello se deduce que el modelo geolocalizado es más sensible que el no geolocalizado, ya que éste es capaz de detectar más secciones censales en las que existe un número de viviendas secundarias elevado y lo que denota que el modelo geolocalizado es mucho más efectivo.
Básicamente el modelo geolocalizado da mayor importancia a la información de las zonas más próximas por lo que al incorporar esta información permite identificar mejor las áreas de segundas viviendas ya que estás tienden a situarse en zonas geográficas reducidas.
Aviso Legal | Política de Cookies | Política de Privacidad