Perdiendo Dinero con Analytics Amigos y enemigos de la rentabilidad en los proyectos analíticos 1

Inversiones

Vida promedio de analista en empresa X: 9m Y no podemos hacer análisis que vemos en las noticias. El modelo fue el mismo tras un año de data- warehousing.

Lock In Value Pricing ¿Celulares?  Accesorios llegan a sumar entre 20 y 60% del valor. ¿Software?  Re-Entrenamiento lleva 1 sem de curso ó 1 año de práctica. ¿Computadora Personal?  Incompatibilidades: 10 y 75% ¿Tablets?  50% más cara si es de trabajo. ¿Software?  Meses de información confidencial antes de oír un precio. ¿Laptop?  40% más cara si es de tipo empresarial. Pasamos del software AAA al BBB: Modelos mejoraron X% su ROI. Se producían N estudios al mes y ahora subimos a M. No podíamos hacer modelos ZZZ y ahora ya los tenemos. Enemigos del valor.

Un analista fue a un curso de AAA: Sus modelos mejoraron. Es más veloz. Hizo un modelo nuevo. Point and Click Perspectiva del proveedor ¡ Click ! Datos Uso

Contratamos analista experto y pudimos: Lanzar familias de estudios nuevos. Anticipar necesidades y hallar más aplicaciones. Entrenar al equipo de casa. Vocación diferente Crisis académica Sobreestimar consulta externa

Documentamos actividades del área-cliente y: El analista formó mejores métricas. Hicimos análisis oportunos acorde al flujo de trabajo. Las responsabilidades son precisas. Sin flujos de trabajo Sin control de calidad

Recopilamos información mediante sensores: Sabemos cuando el cliente viene y no compra. Registramos clientes únicos, aún cuando no nos lo dice. Caducidad de información Retrasos

Las actividades quedan registradas y descritas: Los datos son fiel reflejo del negocio. El cliente se interesa por corregir y actualizar su información. Podemos ver, decidir y actuar en tiempo real. Captura manual Auditabilidad Juntas sin documentos

Proyecto perfecto: campañas marketing

Proyecto perfecto: recommender system

Proyecto perfecto: prevención de fraude

¿Qué pérdida anual se puede alcanzar? Plataforma / cursos equivocados: Provocó lock-in, y hay que migrar un año de programas. MXN 400k Colocó más componentes que los que realmente usamos. MXN 18M No podemos hacer los estudios que vemos en libros, revistas. MXN 20M Plataforma:M MXN 18.

¿Qué pérdida anual se puede alcanzar? Fallas en equipo analista: Sus estimaciones de ganancia no son alcanzadas en la práctica. MXN 2M No inician o tardan mucho en hacer análisis. MXN 20M Se requirió más tiempo de consulta externa. MXN 400k Plataforma:M MXN 18. Analistas:M MXN 20.

¿Qué pérdida anual se puede alcanzar? Fallas en definición del negocio: Se entregó el análisis, pero el equipo receptor no sabía cómo aprovecharlo. MXN 16M La caducidad de datos añadió un factor de merma. MXN 2M Plataforma:M MXN 18. Analistas:M MXN 20. Negocio:M MXN 16.

¿Qué podemos hacer? Prototipos Prueba la utilidad para el negocio. Cómo entregar el resultado. Evita Lock-In: pego a estándares. Mejora Value Pricing: mejor posición.

¿Qué podemos hacer? Mediciones incrementales. Identifican dónde crecer la inversión y dónde dejar de perder. Atraen interés a través de rendimientos claros. Prototipos

¿Qué podemos hacer? Invertir en capacidades. Entrenamiento acorde a plan de trabajo, no acorde a herramienta. Consulta combinada con entrenamiento. Prototipos Mediciones incrementales

¿Qué podemos hacer? Prototipos Mediciones incrementales Invertir en capacidades

Mitos Reduce empleos La optimización conserva negocios en México. Call center. Manufactura. Análisis. Turismo. Reduce empleos Optimización sólo es una función; también hay estrategia y perfilado. Ventas y Marketing. Prevención de fraude. Evasión. Arriesga datos Los controles que debe llevar un contrato de minería de datos deberían estar siempre, con todos. Anonimización. Incompatibilidad. Respaldos. Invade privacía Cierto, pero depende más de tendencias actuales que de la técncia de DM. Login + Cookies + Red + Score. Incompatibilidad. Respaldos.

Contacto IPE SA de CV San Francisco , Colonia Del Valle, México DF. Teléfono: al 89. ipe.mx José Antonio Padrós Escalante Director de Servicios Analíticos. MSc. Advanced Computer Science. 25 © 2016