Luis Nikiel, de Crystalis Consulting, analiza en esta nota los diferentes componentes informáticos de la inteligencia de negocios.
Business Intelligence es una herramienta que apunta a generar soluciones para la toma de decisiones. En los años 90 el problema era sistematizar los procedimientos internos hasta llegar a un registro contable, con información sobre qué pedía el cliente, cuando, si se facturaba, si se cobraba, si se registraba... es decir, todas necesidades de producción y ventas.
Así, se dispararon proyectos en los cuales las empresas instalaron sus ERP para dominar el mundo de las transacciones. Pero el mundo de las transacciones permite trabajar sobre las operaciones cotidianas: ¿puedo vender? ¿Qué tengo en stock? ¿Cuál es el límite de crédito de este cliente? ¿Ya me pagó? Todas estas preguntas tienen que ver con el desarrollo del trabajo día a día, es información des-agregada y perecedera, muy específica, llamada de "alta granularidad". Como resultado voy a tener registradas cantidades de pedidos, números, costos, indicadores al detalle.
Esta información es de suma utilidad en el nivel operacional, pero para ir al siguiente nivel de decisiones, hay que mirar un escalón arriba, donde el nivel de detalle ya no es tan importante sino que se necesita información más agregad o con un nivel de agregamiento superior. En este nivel no nos preocupa tanto cuánto compró el cliente, sino el análisis.
Por ejemplo cómo funciona una línea de productos, una marca, una zona. Nos importa generar una información comparativa e histórica para analizar tendencias y proyecciones. Es la misma información sumarizada o agregada, pero en ambientes diferentes. El primero es transaccional, de detalle, y otro es aquel donde voy a
almacenar información para conocerla. Ese almacenamiento de datos es lo que llamamos "DataWarehouse".
Qué es el DW
"DataWarehouse" contendrá toda la información del mundo transaccional, y además se sumarán datos de la web, de empresas proveedoras de análisis de mercado, o que puedan generar sistemas paralelos internos o externos de la compañía. Esto permitirá que se pueda comparar mis operaciones, y trasladarlas a un tipo de cambio según una pizarra determinada a la que accedo por Internet, por ejemplo Es importante que en cada empresa haya un solo centro de almacenamiento de datos, un solo DataWarehouse, porque este será el repositorio de una cantidad de información que deberá compartir toda la empresa, y no debe haber dos fuentes diferentes. Si hay un solo DataWarehouse, no habrá múltiples orígenes para la toma de decisiones.
Es que aunque a priori no lo parezca, en nuestra experiencia hay una cantidad de términos que deben definirse previamente para toda la empresa, ya que una libre interpretación podría producir una serie de trastornos. Esto tiene que ver con que en distintas áreas de una misma empresa, puede haber áreas con criterios e intereses diferentes.Tomemos como ejemplo el término "ventas". Supongamos que la mercadería fu encargada y ya está embalada y lista para su envío, en el camión de la empresa proveedora. Para el sector "ventas", la venta ya se realizó en la medida en que el cliente confirmó el pedido. Pero para el sector cobranzas, la operación no está concluida hasta que se acredita el pago.
Por eso, en el DataWarehouse se deberá establecer un discurso y un criterio para determinar cuándo es una venta, para todos. A medida que se sube en la pirámide organizacional, cada vez es menor la cantidad de usuarios y se incrementa el nivel de sumarización. Es decir que se necesita un menor detalle de información, e indicadores
resumidos.Una aclaración: es importante definir cómo se va a trabajar con los indicadores. En B.I. se trata de definir cuáles serán los indicadores que va a utilizar la compañía, que varían en su concepto, y establecer una metodología para resolverlos siempre, de modo que sean comparables. La idea es que cada responsable de sector defina sus
indicadores claves.
La conjunción de distintos indicadores reunidos en un determinado contexto, brinda información muy rica para generar una acción. La secuencia entonces es comenzar una operación, medir resultados, establecer desvíos, generar acciones correctivas, y comenzar de nuevo.
Que es el DM
Desde los años 90, y con información ya almacenada en el DataWarehouse, aparece la "minería de datos" o DataMining (DM). La diferencia con el DataWarehouse es que el DataMining va a contestar preguntas que no están todavía realizadas. En el primero se respondía "qué compró el cliente", o "como me fue en las ventas respecto a las proyecciones que planeé"?. En el DataMining me meto dentro de esos datos, y mediante herramientas estadísticas y de análisis, busco patrones de comportamiento.
El área de marketing, la banca y los servicios públicos usan mucho el DM.
El CRM registra transacciones con el cliente: que compró, qué reclamó, qué pidió, cuando lo recibió. Esta es una visión histórica, que registra lo que pasó. En el DM se focaliza hacia el futuro. En función de la información almacenada y aplicando métodos estadísticos puedo establecer patrones de comportamiento para establecer - con un margen de errores bajo – que determinada situación se va a producir en un contexto dado.
El DataMining es una metodología de trabajo, ya hay un posgrado en el tema, y hay empresas que hace años lo utilizan en diversos sectores. Por ejemplo, la tarjeta Serviclub de YPF es una tarjeta de fidelización, pero que también permite a la empresa tener información sobre el consumo del cliente. Otro ejemplo: el reciente encuentro de un holandés que transportaba una gran cantidad de droga, es el resultado del análisis inteligente de información: los investigadores interpretan información estadística por la cual determinan que cuando un avión viene de Holanda, y trae a un pasajero de sexo masculino de determinada franja de edad, que viaja solo, hay altas probabilidades de que transporte drogas, y por ende conviene revisarlo.
Se podría argumentar que Sherlock Holmes o el sentido común funcionan de la misma manera. Es cierto, lo que hace el DM es minimizar, achicar, el margen de error, en base a una metodología estadística que no se basa en la intuición. En Estados Unidos se estableció a través de esta herramienta que en los conveniente stores, en determinada franja horaria vespertina, se adquirían en forma conjunta pañales y cerveza. La investigación determinó que las madres enviaban a los padres a comprar pañales, y éstos "de paso" llevaban la cerveza para su consumo. A partir de esta información, se replanteó la distribución de estos productos. Si bien ese ejemplo corresponde al marketing, la metodología también puede ser utilizada por las áreas contables, por ejemplo, en medir el nivel de riesgo de su cartera de clientes.
La tercera pata de la BI: La simulación dinámica.
En función de datos históricos y conocimiento de patrones de conducta, finalmente se llega a definir un escenario de supuestos para hacer una proyección en el tiempo.
A través de la BI se puede proyectar de acá a 10 años, incluso en escenarios complejos. Esta suma de psicología y estadística no garantiza, sino que reduce considerablemente la posibilidad de errores en la toma de decisiones, señalando que ante determinados factores la situación se disparará de tal o cual manera. Esto permitirá establecer un modelo de acá a 10 años, con un escenario donde el precio del dólar sube, en otro donde este precio baja, etc.
El modelo de simulación dinámica se aplicó en una clínica médica que debía determinar si ampliar su capacidad de internación, a través de la construcción de un ala nueva. Su nivel de ocupación ya era alto, y estaba perdiendo potenciales pacientes por falta de camas. El escenario tuvo en cuenta la población, el crecimiento vegetativo de la misma, las temporadas del año y las enfermedades características en cada una, la demanda a atender, y la infraestructura y personal necesario para atenderla. Se determinó que la inversión iba a ser demasiado alta para la rentabilidad que iba a generar, y en base a esta información los dueños decidieron no expandir la clínica.
En este modelo también se pueden incluir variables extremas. Por ejemplo, si en la realidad la zona se inunda una vez cada 7 años, se puede estimar qué pasaría si la zona se inunda y como impactaría esto en todas las otras variables. Estos escenarios son dinámicos, y su función es achicar la incertidumbre en la toma de decisiones.
Posts
