Tres cosas que usted debe saber acerca de los grandes datos y análisis

Los términos "grandes datos" y "análisis" son ampliamente utilizados, pero a menudo no están claramente definidos. Las explicaciones que se presentan aquí ayudarán a los administradores a comprender lo que estos conceptos significan realmente y cómo pueden utilizarlos para mejorar sus cadenas de suministro.

Donde quiera que hayas observado en los últimos tiempos, los conceptos de análisis y "grandes datos" están siendo promocionado por los medios de comunicación, consultores y proveedores de software. Parte de esto se justifica, ya que algunas empresas están realmente utilizando análisis y grandes datos para transformar sus negocios. Pero la mayoría de los administradores de la cadena de suministro no están recibiendo una definición clara de lo que "análisis" y "grandes datos" realmente significan. O bien están escuchando esos términos utilizados por los proveedores que están tratando de vender una solución específica, o que están viendo los términos utilizados sin ser claramente definidos en los diarios de negocios. E incluso si las propias definiciones son claras, puede que no sea evidente para el gerente de la cadena de suministro de qué valor ofrecen esos conceptos.

Sin una comprensión completa de lo que el campo de la analítica es, los directivos de la cadena de suministro puede estar perdiendo muchas oportunidades -tanto para sus empresas como para ellos mismos. Por un lado, cada vez más empresas están descubriendo que pueden obtener una ventaja competitiva mediante un mejor uso de los datos y análisis para la toma de decisiones. Por otra parte, más empresas están exigiendo a que sus gerentes comprendan los datos y análisis. Antes, gerentes de la cadena de suministro podían comprender cómo el análisis y los grandes datos se pueden aplicar en su propio mundo, sin embargo, primero tienen que entender no sólo lo que realmente significan esos conceptos, sino también que pueden hacer la diferencia. Con eso en mente, aquí hay tres datos que gerentes de la cadena de suministro deben saber.

1.    Grandes datos no son sólo para el departamento de TI.

 
Aunque ampliamente utilizado, el término "Big Data" no está bien definido. Esta falta de una definición clara puede ser la razón por la que algunos gerentes de la cadena de suministro cometan el error de pensar que los grandes datos tienen poca relevancia en su trabajo y sólo es la preocupación del departamento de tecnología de la información (IT). Si se limitan a la visualización de datos grandes como sólo un problema de almacenamiento de TI, los administradores de la cadena de suministro pueden pasar por alto el valor económico de los datos que están recolectando. Así las cosas, muchos de ellos no están tomando el máximo provecho de los datos que ya se tienen a la mano, ni están pensando creativamente sobre cómo podrían utilizarlos.

En realidad, hay tres definiciones de los grandes datos actualmente en uso. Cada uno es válido, de diferentes maneras, para gerentes de cadenas de suministro.

La primera definición, y más "TI-céntrica", se refiere a una cantidad de datos que son demasiado grandes o complejos para los sistemas de almacenamiento de datos corrientes establecidos y sistemas de recuperación. En otras palabras, no se puede simplemente almacenar "big data" en una base de datos estándar y ejecutar una consulta. Los ejemplos más comunes de este punto de vista de los grandes datos incluyen las cantidades masivas de datos generados por sensores (que llenan las bases de datos de forma rápida) o texto de forma libre o datos de vídeo (que no caben en una base de datos normal muy bien). Esta es una vista de TI centrada ya que se centra en la tecnología de almacenamiento y recuperación de datos y en la necesidad de utilizar nuevos tipos de servidores y software. Por ejemplo, si usted tiene miles de sensores en su fabricación, almacenamiento, o equipo de transporte por carretera, ahora hay maneras de analizar los datos que los sensores recogen. Podría, por ejemplo, utilizar esa información para predecir mejor cuando se producirá un error en las máquinas o para mejorar la eficiencia de combustible de camiones. O si su equipo de atención al cliente registra los mensajes de voz de los clientes y correos electrónicos, puede analizar estos datos para ayudar a su empresa ofrecer un mejor servicio.

La comunidad de TI tiende a pensar que esto es donde la definición de grandes datos termina. En realidad, desde el punto de vista de un administrador, las dos definiciones siguientes son igual de interesante.

La segunda definición de grandes datos proviene de Viktor Mayer-Schönberger y el libro Big Data de Kenneth Cukier: Una revolución que transformará Cómo vivimos, trabajamos, y que en este libro, que definen los grandes datos como el "universo" de los datos para un determinado tema. Ellos no están diciendo si la cantidad de datos es demasiado grande para que las tecnologías convencionales actuales, lo que están diciendo es que ahora es posible tener todos los datos. Los autores sostienen que hay dos implicaciones importantes de tener (o la posibilidad de obtener) este universo de datos. En primer lugar, una vez que tenga todos los datos, es posible buscar correlaciones y obtener conocimientos que no se han visto antes. Por ejemplo, si usted tiene datos sobre todo lo que un camión estaba haciendo antes de que estuvo involucrado en un accidente, puede determinar mejor lo que condujo al accidente y utilizar esta información para prevenir futuros accidentes. Puesto que los accidentes son eventos raros, esperemos, el muestreo de datos normal no habría dado la información necesaria para encontrar las correlaciones adecuadas.

La segunda implicación importante es que puede haber una gran cantidad de valor en tener el universo de datos. Por ejemplo, en este momento hay un debate animado pasando en la industria agrícola. Fabricantes de semillas grandes dicen que pueden ayudar a impulsar al alza los rendimientos de los cultivos si los agricultores envían datos detallados sobre la calidad del suelo en algo así como un cuadrado por pies cuadrados base. (Si bien esto puede parecer una gran cantidad de datos para recoger, en realidad es fácil de hacer con los tractores de alta tecnología de hoy en día). Obviamente, un aumento en los rendimientos es una buena cosa, pero los agricultores reconocen que si las empresas de semillas habían detallado los datos alrededor de cada granja, se podría utilizar esos datos para otros fines, tales como el comercio de futuros de productos básicos agrícolas. Es comprensible que los agricultores quieren asegurarse de que poseen estos valiosos datos.

Hay dos lecciones importantes aquí para gerentes de la cadena de suministro. En primer lugar, usted puede tener acceso a un "universo" de datos que tiene un valor económico exterior de su propósito original. En segundo lugar, usted debe tener cuidado acerca de regalar sus datos a otras organizaciones que podrían cosechar su valor económico.

La tercera definición de grandes datos se deriva de cómo se utiliza el término en la prensa popularmente. La prensa tiende a etiquetar algún uso interesante o creativo de los datos como "big data". Al leer el artículo, sin embargo, se da cuenta rápidamente de que el conjunto de datos que se discute no es "el universo de datos sobre un tema en particular." De hecho, el conjunto de datos típicamente no es aún muy grande. Por el contrario, en la mayoría de los casos, el conjunto de datos se está utilizando de forma creativa.

Sería un error para ignorar esta definición como un simple caso de la prensa de mal uso de una palabra de moda. En su lugar, esta definición señala algo significativo: Es importante pensar creativamente-sobre el uso de los datos que tiene acceso sobre la combinación de los datos que tiene de una forma única, y de buscar nuevos conjuntos de datos, fácilmente disponibles, externos (como el clima, las viviendas iniciadas, o la demografía) que le ayudan a tomar mejores decisiones.

En pocas palabras, los administradores de la cadena de suministro pueden beneficiarse de saber las tres definiciones de datos grandes. Es importante entender que sus colegas de TI están encontrando maneras de trabajar con grandes conjuntos de datos y no estructurados; lo que hace años parecía técnicamente imposible, puede ser posible ahora. También es importante entender los datos grandes en términos del "universo de datos", ya que puede ser capaz de encontrar las causas de los eventos raros que eran imposibles de determinar antes, o los datos que tienen puede tener valor económico. Por último, ahora que tiene esta riqueza de datos-compras a proveedores, los envíos a los clientes, y el rendimiento de sus activos, por nombrar sólo algunas posibilidades, es necesario empezar a pensar creativamente sobre cómo usarlo.

2. Hay más de un tipo de análisis. 

A veces el término "análisis" se usa indistintamente con el término "Big Data". Pero realmente son conceptos distintos. Al más alto nivel, el análisis es "la capacidad de recopilar, analizar y actuar sobre los datos."  Como vimos, grandes datos dice algo interesante sobre el tamaño de los datos, el universo de los datos, o el uso creativo de los datos. Sobre la base de nuestra definición de alto nivel, está claro que el análisis se puede utilizar con conjuntos de datos antiguos, ordinarias, y pequeños, así como con conjuntos de datos nuevos, creativos y grandes.

Nuestra definición de alto nivel de análisis, sin embargo, no nos da suficientes detalles para ver lo que es único o nuevo sobre el campo de la analítica. Los gerentes no han siempre recogido, analizado y actuado basado en los datos? Para añadir a la confusión, con demasiada frecuencia una organización o un proveedor utilizará los análisis de plazos para hacer referencia a un solo tipo de análisis en general el uso de una inteligencia de negocios o el sistema de presentación de informes. O, si usted lee sobre las empresas de comercio electrónico, la analítica se referirá a seguimiento y análisis de los usuarios que hacen “clic” en una página web.

Pero el campo de la analítica es mucho más grande que sólo un sistema de información o análisis de clics en la Web. (De lo contrario, no habría captado la atención de la comunidad empresarial, y las empresas a través de una amplia gama de industrias no sería informar sobre sus beneficios.) Serios pensadores y la comunidad académica han identificado tres tipos diferentes de análisis.

En primer lugar, no hay “análisis descriptivos” que presenta sus datos de una manera que le ayuda a dar sentido a lo que está sucediendo en su cadena de suministro. Aquí es donde un sistema de inteligencia de negocios se sentará. Reúne datos de toda su cadena de suministro de la organización y la presenta a usted como cuadros de mando, y consultas ad hoc. Análisis descriptivos también incluye la visualización de los datos y la cartografía geográfica, que le ayuda a contar una historia con los datos en una forma que no podría hacer con un informe de tabla.

El segundo tipo es “el análisis predictivo”, que son todas las técnicas que le permiten tomar los datos que tiene disponibles (internos y externos) y tomar mejores predicciones. 

Por último, “el análisis preceptivos” refiere a la utilización de tus datos y tus predicciones para hacer recomendaciones sobre qué acción tomar. Análisis prescriptivos se asocia más con la tecnología de optimización. En las cadenas de suministro, la tecnología de optimización se usa comúnmente para ayudar a los gerentes a decidir cuestiones como cuántas instalaciones deberían tener y dónde deben estar ubicados, cómo mejores camiones de ruta, y cómo programar las operaciones de almacén o fábrica.

Cuando se presentan estas tres definiciones, a menudo se clasifican en función de su grado de complejidad e importancia estratégica. Análisis descriptivos usualmente se sienta en la parte inferior, ya que se considera que es la más fácil de implementar y proporcionar la menor cantidad de valor estratégico. El análisis predictivo está al lado, ya que es un poco más difícil de aplicar, pero trae más beneficios. Y análisis preceptivos usualmente se sienta en la parte superior, ya que es el más complicado de implementar y ofrece el mayor valor.

No todo el mundo está de acuerdo con este ranking. Un proyecto de análisis descriptivo puede ser muy complejo de implementar, puede ser difícil de describir claramente una grande y compleja definición en los negocios globales. Por otra parte, dando a un equipo de gestión de toda una imagen clara de la organización puede llevar a un cambio significativo y estratégico. Por el contrario, puede ser muy fácil de implementar análisis preceptivos para el enrutamiento de camiones, por ejemplo, y si bien los ahorros pueden ser agradables, no va a dar lugar a un cambio de estrategia significativa. En lugar de la clasificación de los tipos de análisis, usted debe pensar de cada uno como tener su propio lugar y darse cuenta de que cada empresa u organización valorarán diferentes tipos de análisis en diferentes momentos y lugares.

Como gerente de la cadena de suministro, es importante que usted entienda las tres áreas de análisis para que pueda asegurarse de que está abordando adecuadamente cada uno de ellos. En lugar de tener una estrategia para un solo tipo de análisis, es necesario contar con una estrategia para cada uno. Por ejemplo: tiene buenos análisis descriptivos en lugar de entender su cadena de suministro? Está utilizando el análisis predictivo para pronosticar fallas de la demanda y de la máquinaria? Está utilizando análisis preceptivos para determinar dónde hacer los productos, dónde ubicar las instalaciones, y la forma de programar los recursos?

Conocer estas tres definiciones también le ayudará a evaluar las propuestas de proyectos de análisis. Las personas que presentan estos proyectos pueden no definir completamente el tipo de análisis que están promoviendo. Las definiciones explicadas aquí le darán un marco para determinar exactamente lo que va a hacer el proyecto y cómo encaja en su estrategia global de análisis.

3. Aprendizaje automático tiene muchas aplicaciones potenciales en la cadena de suministro. 

Gerentes de la cadena de suministro deben poseer un conocimiento básico no sólo de análisis, sino también de aprendizaje automático. El aprendizaje automático se refiere a la colección de algoritmos que se han desarrollado a lo largo de las últimas décadas en una variedad de campos, como las estadísticas, minería de datos, y la inteligencia artificial. Estos algoritmos representan el "cerebro" detrás de mucho de lo que es nuevo en el análisis predictivo.

En el sentido más simple, los algoritmos de aprendizaje automático toman un conjunto de datos de entrada y luego crean un modelo basado en los datos que ya sea predecir resultados futuros o será descubrir patrones en los datos. Puede parecer menos intimidante una vez que se reconoce que el análisis de regresión (proceso estadístico para estimar las relaciones entre las variables) se clasifica como un tipo de un algoritmo de aprendizaje automático.

Puede parecer extraño que los directivos de la cadena de suministro deben necesitar saber acerca de la máquina de aprendizaje; suena como algo que pertenece a la informática o la robótica. Pero así como gerentes de la cadena de suministro de hoy deben saber sobre el análisis de regresión, también deben saber sobre aprendizaje automático. Saber cómo los algoritmos de aprendizaje automático funcionan y lo que pueden lograr lo ayudarán a entender mejor lo que es ahora posible con el análisis predictivo. Es decir, se le dará nuevas ideas que se pueden aplicar en su organización a obtener más valor de sus datos.

Una vez que empiece a ver el poder de los diferentes algoritmos de aprendizaje automático, se dará cuenta de que se pueden combinar de manera interesante para resolver problemas de la cadena de suministro complejas. Algunos departamentos de transporte de las empresas han construido modelos sofisticados para predecir por primera vez cuando un transportista aceptará una carga y luego usar la optimización de precios para establecer el mejor precio para esa carga. Algunas empresas utilizan los algoritmos para determinar mejor qué productos en sus equipos de ventas deben recomendar a sus clientes.

Tiempo para mejorar sus habilidades

 
El campo de la analítica es muy emocionante en este momento. Está recibiendo mucha atención y está teniendo un gran impacto en todo tipo de empresas y organizaciones. Aunque más a menudo se asocia con empresas de alta tecnología como Google o Amazon, se está moviendo rápidamente en entornos más tradicionales de la cadena de suministro. Las empresas que no los utilizan, pueden ser dejados atrás o en una gran desventaja.

Este artículo debe proporcionarle tanto un marco para pensar más claramente acerca de la analítica y un punto de partida para la realización de más investigaciones por su cuenta. Hay una gran cantidad de libros y recursos en línea sobre análisis y datos grandes, así como herramientas comerciales y de software de código abierto disponibles para ayudarle a empezar.

Como gerente de la cadena de suministro, que se beneficiarán de desafiarse a sí mismo para llegar a nuevas formas de utilizar los datos en su poder. Sé un líder en datos y análisis; que ayudará a impulsar su empresa y su carrera hacia adelante.