Académique Documents
Professionnel Documents
Culture Documents
RESUMEN
SUMMARY
the irruption of the digital age and the data inherent to its nature and architecture, have
led to the generation of large volumes of data, in many places and expressed in a very hete-
rogeneous way. to this paradigm, we called as “big data” in 2012. it generated a lot of
interest from the very beginning for its contribution to understand better the business pro-
cesses, to improve the decision making process and the performance in many dimensions.
neither the technology, nor the availability of data nor the economic factor are a constraint.
What we need are data entrepreneurs, who know how to ask the right questions, and can
thus contribute to the management and business strategy through the extraction of intelli-
gence and value from raw data. in consequence, many economic activities have seen new
opportunities in this “data economy”.
Keywords: data, business intelligence, algorithms, analytical models, big data.
2. Marco conceptual
1
maps.google.com/locationhistory
el PARAdiGmA del biG dAtA y su APoRtAción A lA Gestión y estRAteGiA ... 513
2
http://www.expansion.com/economia-digital/companias/2016/02/29/56d49fcf268e3e521f
8b463b.html.
el PARAdiGmA del biG dAtA y su APoRtAción A lA Gestión y estRAteGiA ... 515
cómo se relacionan mis clientes entre ellos, qué opiniones son las
que han sido clave para la toma de decisión de compra, etc.
– ¿Qué pasaría si cambio el precio de mis productos/servicios?
disponer de un análisis de sensibilidad de una variable (precio) res-
pecto a su impacto en otra (ventas totales de ese producto o sobre
otros), de manera que puedo ver la relación entre las mismas.
– ¿Cómo puedo reducir la tasa de abandono de mis clientes?
construir un modelo de propensión a la fuga, para saber qué puntos
o acciones son las que pueden llevar a un cliente a abandonar la
empresa. de esta manera, a futuro, tendría más probabilidad de
encontrar clientes que pudieran no marcharse de la compañía.
– ¿Cómo puedo identificar a los clientes más rentables? no desde el
punto de vista de las ventas totales, sino del valor que extraigo de
cada uno de ellos (entendiendo valor como margen de beneficio).
– ¿Cómo puedo detectar fraude? Analizando el histórico de valores
que van tomando las variables para los casos de éxito (no hay frau-
de, se paga a tiempo, no hay insolvencias, etc.) y los de fracaso
(fraudes, impagos, etc.), se pueden construir modelos que relacio-
nen las variables que frecuentemente están asociados a los casos de
fracaso, y así poder anticiparse a futuro.
– etc.
Preguntas donde aparecen esos emprendedores de datos que comen-
tábamos al inicio de este artículo. no hay un conjunto cerrado de pregun-
tas a hacer a los datos. y más desde una mirada a los datos de gestión y
estrategia empresarial, donde cada organización tiene su propia realidad
y contexto. Por ello, las organizaciones suelen requerir de una clasifica-
ción de “posibles utilidades a extraer del big data”. los “para qué”
poder interesarse por el big data y las grandes promesas que se han
introducido en torno a ello.
la web especializada “Applied Enterprise Architecture”3, ofrece un
framework de posibles utilidades que clasificadas en torno al nivel de
ventaja competitiva que adquiere una empresa. A continuación, y con
objeto de ilustrar las posibilidades que abre el big data para las diferen-
tes organizaciones, se presentan las mismas:
1. Modelos estadísticos y algorítmicos: crear modelos que permitan
descubrir tendencias, patrones, relaciones, etc. anteriormente des-
3
pragmaticarchitect.wordpress.com
el PARAdiGmA del biG dAtA y su APoRtAción A lA Gestión y estRAteGiA ... 519
Fuente: “big data: using smARt big data, analytics and metrics to make better decisions and
improve performance”, bernard marr, 2015 [27]
5. Conclusiones
miradas sobre “¿Qué se puede hacer con los datos?” o “¿Qué puede
aportar a mi empresa?”. sin embargo, no debemos dejar de lado la pers-
pectiva legal y ética. en ella, destacan tres elementos: la propiedad inte-
lectual de los datos (consentir el empleo de los datos que cedemos sin
explicarnos con más detalle qué harán con ellos debe ser un elemento de
reflexión); la privacidad (que no solo es garantizar anonimato, sino tam-
bién reconocer la naturaleza temporal y cambiante de los datos); y, las
discriminaciones positivas y negativas (que un algoritmo no tome deci-
siones sin el valor social que aporta la perspectiva humana).
con estos retos éticos y legales encima de la mesa, Jack balkin, pro-
fesor de la facultad de derecho de yale, sugiere que las empresas en
internet que traten con datos personales y de preferencias debieran ser
“fiduciarias de información“. Algo similar a lo que ya hacen los doctores
y los abogados, que no pueden utilizar los datos para otros propósitos
que no sean la defensa de sus intereses y necesidades.
la utilización de la tecnología nunca es neutra. siempre hay personas
diseñando y definiendo aspectos de la misma. los datos, tampoco son
objetivos per se. son creaciones del ser humano. damos sentido y signi-
ficado a los mismos a través de nuestras interpretaciones, por lo que creo
deberíamos complementar las capacidades computacionales con las
nuestras cognitivas. Por eso las máquinas nunca debieran trabajar de
manera autónoma en todos los campos de la vida, dado que carecen de
algunas capacidades básicas que sí tenemos los humanos. el libro “The
Black Box Society: The Secret Algorithms That Control Money and
Information” [28] de Frank Pasquale trata estos aspectos para considerar
que los algoritmos se están apoderando de la economía pero no siempre
considerando unos mínimos éticos.
esta nueva economía digital en la que pagamos con datos personales
el uso de productos y servicios, ha hecho que los gobiernos -quizás
tarde- comiencen a regular algunas cuestiones. la confianza de los ciu-
dadanos en el mundo digital es crucial para que las empresas puedan
aprovechar el potencial económico de la información que da el big data.
Referencias
[1] deAn, JeFFRey, and sAnJAy GHemAWAt (2008): “mapReduce: simplified data
processing on large clusters”, Communications of the ACM 51.1. 107-113.
[2] PAGe, lAWRence, et al. (1999): The PageRank citation ranking: bringing order
to the web.
el PARAdiGmA del biG dAtA y su APoRtAción A lA Gestión y estRAteGiA ... 525
[3] Von neumAnn, J. & GodFRey, m. d. (1993): “First draft of a Report on the
edVAc”, IEEE Annals of the History of Computing, 15(4), 27-75.
[4] ziKoPoulos, P. & eAton, c. (2011): Understanding big data: Analytics for
enterprise class hadoop and streaming data. mcGraw-Hill osborne media.
[5] dAVenPoRt, t. H. & PAtil, d. J. (2012): “data scientist”, Harvard business
review, 90, 70-76.
[6] mAyeR-scHönbeRGeR, ViKtoR, and KennetH cuKieR (2013): Big data: A revo-
lution that will transform how we live, work, and think. Houghton mifflin
Harcourt.
[7] sinteF (2013, may 22): “big data, for better or worse: 90% of world’s data
generated over last two years”, ScienceDaily. Retrieved november 13, 2016
from www.sciencedaily.com/releases/2013/05/130522085217.htm
[8] scHWAb, KlAus, et al. (2011): Personal data: The emergence of a new asset
class. An initiative of the World economic Forum.
[9] mcAFee, AndReW, et al. (2012): “‘big data’. the management revolution”,
Harvard Bus Rev., 90.10 - 61-67.
[10] RiFKin, JeRemy (2014): La sociedad de coste marginal cero. Paidas, españa:
barcelona.
[11] cAstells, mAnuel (2009): “el poder en la sociedad red”, Comunicación y
poder, 33-85.
[12] dRucKeR, PeteR F. (1993): “We need to measure, not count”, Wall street jour-
nal, 13, A18.
[13] dolAn, e. G. (1971): “tAnstAAFl (there Ain’t no such thing As A Free
lunch)” the economic strategy for environmental crisis, new york, chicago,
san Francisco, Atlanta, dauas, montreal, toronto, london, sydney.
[14] sAVAGe, scott, and donAld m. WAldmAn (2013): “the value of online pri-
vacy”, Available at SSRN 2341311.
[15] PReibuscH, söRen (2013): The value of privacy in Web search, the twelfth
Workshop on the economics of information security (Weis).
[16] stRAHileVitz, lioR JAcob, and mAttHeW b. KuGleR (2016): Is Privacy Policy
Language Irrelevant to Consumers?.
[17] KAPlAn, RobeRt s. and dAVid P. noRton (1996): The balanced scorecard:
translating strategy into action. Harvard business Press.
[18] beRGeR, PAul d. and nAdA i. nAsR (1998): “customer lifetime value:
marketing models and applications”, Journal of interactive marketing, 12.1 -
17-30.
[19] ARRoW, KennetH J. (1987): “Planning and uncertainty.” International Journal
of Development Planning Literature, 2.2.
[20] FisHeR, RonAld A. (1957): Statistical method and scientific inference, 64-66.
[21] lAPlAce, PieRRe simon, and PieRRe simon (1951): A philosophical essay on
probabilities, translated from the 6th French edition by Frederick Wilson
truscott and Frederick lincoln emory.
526 AleX RAyón JeRez
[22] bReimAn, leo (2001): “statistical modeling: the two cultures (with comments
and a rejoinder by the author)”, Statistical Science, 16.3 - 199-231.
[23] RAnsbotHAm, sAm, dAVid KiRon, and PAmelA KiRK PRentice (2015): “the
talent dividend”, MIT Sloan Management Review, 56.4 - 1.
[24] cHAKRAboRty, GoutAm, and muRAli KRisHnA (2014): Analysis of unstructu-
red data: Applications of text analytics and sentiment mining. sAs global forum.
[25] AnAlytics mAtuRity Quotient FRAmeWoRK (2013): [online]. uRl:
http://www.aryng.com/whitepaper/bgft/Aryng_AnalyticsmaturityQuotient_Whi
tepaper.pdf
[26] tHe diGitAl uniVeRse oF oPPoRtunities (2014): Rich Data and the Increasing
Value of the Internet of Things.
[27] mARR, beRnARd (2015): Big Data: Using SMART big data, analytics and
metrics to make better decisions and improve performance. John Wiley & sons.
[28] PAsQuAle, FRAnK (2015): The black box society: The secret algorithms that
control money and information. Harvard university Press.