Resumen Parcial 2 Marketing II

Mdulo 3
Unidad 3 Inteligencia de Negocios (BI) Almacenamiento y
extraccin de Datos (DWH) Minera de Datos (DM)
3. Inteligencia de Negocios (BI: Business Intelligence)

Han surgido sistemas informativos que, a partir de los datos almacenados en el

historial de registros de las empresas, colaboran en el proceso de toma de
decisiones empresariales, para que el mismo est basado en la informacin
que se encuentra all contenida.
La Inteligencia de Negocios (en ingls Business Intelligence-BI)
comenz a conocerse en el ao 1996 a partir de un reporte generado
por la consultora internacional Gartner Group.
Una plataforma de BI comprende herramientas de consulta, anlisis y reporte
de la informacin contenida en las cifras y datos empresariales.

3.1. La toma de decisiones: Concepto

En las organizaciones, los niveles directivos y gerenciales tienen una alta
responsabilidad en las decisiones que toman, ya que algunas de ellas pueden
definir la continuidad o no de las mismas. Incluso, algunos gerentes llegan a
expresar que tomar decisiones es su principal actividad en la empresa.
El elemento central en la toma de cualquier decisin es la eleccin de la mejor
opcin, pero antes de llegar a dicha instancia es necesario identificar y
calificar adecuadamente las alternativas posibles; y es justamente all donde
las estrategias y herramientas de la Inteligencia de negocios hacen su
principal aporte.
Qu se reconoce como Toma de Decisiones?
Al proceso de elegir entre cursos de accin alternativos con el
propsito de lograr una meta determinada o resolver algn problema
especfico del negocio.

La informacin en el proceso de toma de decisiones

La informacin es el componente ms importante del proceso, ya que
permite:
Identificar situaciones problemticas y oportunidades.
Plantear alternativas viables que solucionen el problema.
Comprobar el grado de satisfaccin de las soluciones

3.2. Inteligencia de Negocios (BI)

Business Intelligence rene enormes cantidades de datos, los
consolida y organiza para tomar decisiones con la menor
incertidumbre posible y bajo ambientes controlados; de manera de
obtener una ventaja estratgica con respecto a la competencia.
Coloca la informacin correcta en las manos del usuario correcto, en tiempo,
forma y con la calidad deseada para soportar el proceso de toma de
decisiones.
Qu se entiende por Inteligencia de negocios?
Consiste en la aplicacin de procesos, tcnicas y herramientas de alta
tecnologa para poner a disposicin de todos los niveles de la
organizacin la capacidad de acceder a informacin precisa y
relevante, y de explotarla para lograr ventajas competitivas.

Business Intelligence busca la manera de brindar herramientas que permitan

tomar mejores decisiones, de manera ms fcil, ms efectiva y ms
rpidamente, permitiendo a las empresas ser proactivas y no reactivas.
Cul es el objetivo de la Inteligencia de Negocios?
El objetivo principal de una solucin de Business Intelligence es
utilizar la informacin como una poltica de negocio y como un
diferenciador estratgico. Utilizarla para llegar all donde nadie llega,
anticiparse a los cambios, conocer las causas de los acontecimientos y
tomar acciones preventivas y correctivas.
Qu podemos conocer con B.I?
Qu estn comprando nuestros clientes y qu no.
Cules son los incentivos que han funcionado en el pasado en
esta misma poca del ao.
Qu producto en proporcin arroja los mejores beneficios.
Cules son las caractersticas de los clientes fraudulentos.
Qu est haciendo la competencia y cmo influye en los clientes.
Cmo se comparan los costos por lnea de productos en los ltimos tres
aos.
Qu factores provocan incrementos de costos.
Cmo afectan los incrementos en los mrgenes de utilidad.
Cules son los mejores clientes y a quines no conviene venderles.
 Cul es el comportamiento del recupero de cobros en el ltimo ao
comparado con aos anteriores.
Qu pasara si se bajara el precio de venta del principal producto.
Qu factores influyen en la cada en mora de un buen cliente.
Cul es el lmite de crdito que debera otorgar a los clientes.
Qu tiempo en promedio hay que esperar para que un cliente levante su
deuda.
Cmo se debe clasificar a los clientes de acuerdo a su patrn de compra
y qu grupos requieren mayor atencin.
Cmo detectar con anticipacin la posible prdida de un cliente en base
a su patrn de compra.
Canasta de consumo: Qu compra el cliente, combinaciones de compra.
Fraudes: Modelos de siniestros, identificar perfiles de clientes para evitar
fraudes. Por ej, compaas de seguros.
Existen tambin modelos de abandono: Consiste en identificar el camino de los
clientes que abandonaron la empresa, los momentos crticos, los eventos para
que podamos evitar que hagan lo mismo los que estn iniciando un proceso
similar. Modelo de retencin o Anti Atrittion.
Canasta de consumo: En retail.
Fraudes: Tarjetas de crditos.
Siniestros: Seguros

Cules son los principales componentes de una plataforma de B.I?

Las herramientas de inteligencia de negocios es un tipo de software de
aplicaciones diseado para colaborar con la inteligencia de negocios (BI) en los
procesos de las organizaciones. Especficamente se trata de herramientas que
asisten el anlisis y la presentacin de los datos.
3.3. Almacn de Bases de Datos (Datawarehouse - DWH)
El Almacn de Bases de Datos (en ingls Datawarehouse - DWH) es el
lugar en donde se depositan los datos historiados de la organizacin,
el cual se caracteriza por centralizar los datos corporativos, reuniendo
en un nico sitio los datos previamente depurados- provenientes de
diferentes fuentes y/o sistemas. De esta forma, facilita la extraccin,
el agrupamiento y el anlisis de informacin significativa para el
proceso de toma de decisiones.
El DWH es el corazn de una solucin de BI, y su principal ventaja radica en su
capacidad de integrar y procesar enormes cantidades de datos, posibilitan la
generacin de modelos y/o cubos que facilitan el posterior procesamiento de
los mismos; siempre en un entorno independiente de los sistemas operacional
(ERP), lo cual facilita la consulta y acelera el procesamiento de los mismos.
Como referencia histrica, podemos comentar que el concepto y definicin de
DWH fue introducido por Bill Inmon.
Qu es un Datawarehouse? Segn W.H. Inmon1
Es un repositorio de datos:
Especficos / Integrados / Histricos / No voltiles que brindan soporte
tecnolgico al proceso de toma de decisiones.
Considerando la anterior definicin, a continuacin vamos a analizar qu
significan cada una de sus caractersticas:
Especficos: hace referencia a que el DWH est destinado a un fin bien
determinado: colaborar en el proceso de toma de decisiones.
Integrados: indica que deben vincularse de manera consistente los
datos almacenados, ya que la existencia de inconsistencias puede
llevarnos a decisiones equivocadas. Por otra parte, la informacin puede
agruparse en distintos niveles de agregacin o detalle, lo cual posibilita
una mejor adaptacin a los roles y necesidades de los diferentes
usuarios.
Histricos: el eje del tiempo es el hilo conductor del DWH. La
cronologa de los eventos, la secuencia de cifras y datos son los pilares
fundamentales de la estructura de un DWH. Ello permite que podamos
medir la evolucin de lo que estemos observando y detectar tendencias.
No voltil: es una condicin excluyente que no se modifique ningn
dato almacenado en el DWH, se pueden combinar, sumar restar, etc.,
pero nunca se deben cambiar o eliminar. Esta condicin hace que la
informacin all contenida sea permanente, pudiendo agregarse nuevos
elementos pero sin alterar los que ya existan.
Los Metadatos: bsicamente son los datos sobre los datos.
Mediante ellos, es posible tener una clara definicin de los mismos, conocer de
dnde provienen, identificar su frecuencia de actualizacin, conocer quin es el
responsable de su extraccin, entre otras cosas, facilitando la transferencia de
la informacin desde los sistemas transaccionales (ERP) al DWH.

3.4. Datamart
Bsicamente, un Datamart es una simplificacin o subconjunto del
DWH diseada especficamente para ser utilizada por un rea
funcional o departamento especializado de la organizacin.
Se destaca por una orientacin bien definida que facilita la administracin de la
informacin, ya que contiene una adecuada seleccin de los datos que en se
incluyen en su formulacin y definen su estructura.
A ttulo de ejemplo podemos citar el Datamart de Marketing y Ventas, el
Datamart de Finanzas, el Datamart de Produccin o el de Logstica, entre otros.
Dentro de los tipos de Datamart que existen, podemos destacar los Cubos
OLAP, los cuales se conforman segn los requisitos y las caractersticas
definidas por los usuarios de cada rea o departamento.
En general, podemos destacar las siguientes ventajas que presentan los
Datamart:
Menor volumen de datos
Consultas ms simples y rpidas.
Validacin directa de la informacin
Facilidad para la historizacin de los datos

3.5. Data Warehousing

Es una coleccin de informacin corporativa, derivada directamente de los
sistemas operacionales y/o de algunos orgenes de datos externos, cuyo
objetivo es servir a los propsitos del anlisis y descubrimiento de informacin
clave para la toma de decisin. Es actualizado mediante procesos complejos de
transformacin y est organizado por reas de inters.
Qu se entiende por Data Warehousing?
Es una coleccin de datos orientados a una materia, integrados, no
voltiles e historiados; organizados para el apoyo del proceso de toma
de decisin. MODALIDAD DE VERIFICACIN
Es una tcnica para reunir y administrar datos de varias fuentes con el fin de
obtener una visin nica y detallada de una parte o de todo un negocio o
actividad comercial.
La clave es utilizar la informacin que ha reunido una organizacin durante sus
ciclos de operaciones para ayudarle a reaccionar mejor, ms elegante, rpida y
eficientemente. Organizar la informacin de manera que sta pueda ser
utilizada como una ventaja estratgica frente a la competencia
DWH: caractersticas
Brinda un sitio central donde buscar informacin.
Brinda flexibilidad para la confeccin de reportes.
Brinda flexibilidad de presentacin de datos.
Brinda documentacin sobre conceptos del negocio.
Provee los recursos necesarios para que cada persona de la organizacin
tenga a su disposicin la informacin que necesita en su actividad diaria.
Ayuda a generar conocimiento a partir del mar de informacin con el que
cuentan las empresas.
Permite mejorar los canales de comunicacin internos.
Es el eje central de una solucin de Business Intelligence.
Integra informacin de diversas reas o sectores.
Contiene informacin actual e histrica.
Est orientado al sujeto y no al proceso.
Sirve para manejar grandes volmenes de datos
La informacin ingresada no vara en el tiempo.
 Todos sus esfuerzos estn focalizados en las necesidades de informacin
estratgica.
Ventajas e inconvenientes de los almacenes de datos
Ventajas
Hay muchas ventajas por las que es recomendable utilizar un almacn de
datos. Algunas de ellas son:
Los almacenes de datos hacen ms fcil el acceso a una gran variedad
de datos a los usuarios finales
Facilitan el funcionamiento de las aplicaciones de los sistemas de apoyo
a la decisin tales como informes de tendencia, por ejemplo: obtener los
tems con la mayora de las ventas en un rea en particular dentro de los
ltimos dos aos; informes de excepcin, informes que muestran los
resultados reales frente a los objetivos planteados a priori.
Los almacenes de datos pueden trabajar en conjunto y, por lo tanto,
aumentar el valor operacional de las aplicaciones empresariales, en
especial la gestin de relaciones con clientes.
Inconvenientes
Utilizar almacenes de datos tambin plantea algunos inconvenientes, algunos
de ellos son:
A lo largo de su vida los almacenes de datos pueden suponer altos
costos. El almacn de datos no suele ser esttico. Los costos de
mantenimiento son elevados.
Los almacenes de datos se pueden quedar obsoletos relativamente
pronto.
A veces, ante una peticin de informacin stos devuelven una
informacin subptima, que tambin supone una prdida para la
organizacin.
A menudo existe una delgada lnea entre los almacenes de datos y los
sistemas operacionales. Hay que determinar qu funcionalidades de
estos se pueden aprovechar y cules se deben implementar en el data
warehouse, resultara costoso implementar operaciones no necesarias o
dejar de implementar alguna que s vaya a necesitarse.

Dimensiones
Las dimensiones de un cubo son atributos relativos a las variables, son las
perspectivas de anlisis de las variables (forman parte de la tabla de
dimensiones). Son catlogos de informacin complementaria necesaria para la
presentacin de los datos a los usuarios, como por ejemplo: descripciones,
nombres, zonas, rangos de tiempo, etc. Es decir, la informacin general
complementaria a cada uno de los registros de la tabla de hechos. Las
dimensiones poseen una granularidad menor, tomando como valores un
conjunto de elementos menor que el de las variables; ejemplos de dimensiones
podran ser: productos, localidades (o zonas), el tiempo (medido en das,
horas, semanas, etc.).
Cubos de informacin
Los cubos de informacin funcionan como los cubos de rompecabezas en los
juegos, en el juego se trata de armar los colores y en el data warehouse se
trata de organizar los datos por tablas o relaciones; los primeros (el juego)
tienen 3 dimensiones, los cubos tienen un nmero indefinido de dimensiones,
razn por la cual tambin reciben el nombre de hipercubos.
Un cubo contendr datos de una determinada variable que se desea
analizar, proporcionando una vista lgica de los datos provistos por el
sistema de informacin hacia el data warehouse, esta vista estar
dispuesta segn unas dimensiones y podr contener informacin
calculada. El anlisis de los datos est basado en las dimensiones del
hipercubo, por lo tanto, se trata de un anlisis multidimensional.
A la informacin de un cubo puede acceder el ejecutivo mediante "tablas
dinmicas" en una hoja de clculo a travs de programas personalizados. Las
tablas dinmicas le permiten manipular las vistas (cruces, filtrados,
organizacin, totales) de la informacin con mucha facilidad. Las diferentes
operaciones que se pueden realizar con cubos de informacin se producen con
mucha rapidez. Llevando estos conceptos a un data warehouse, sta es una
coleccin de datos que est formada por dimensiones y variables,
entendiendo como dimensiones a aquellos elementos que participan en el
anlisis y variables a los valores que se desean analizar.
Metadatos
Uno de los componentes ms importantes de la arquitectura de un
almacn de datos son los metadatos. Se define comnmente como
"Informaciones / Datos acerca de los datos", en el sentido de que se
trata de datos que describen cul es la estructura de los datos que se
van a almacenar y cmo se relacionan.
El metadato documenta, entre otras cosas, qu tablas existen en una base de
datos, qu columnas posee cada una de las tablas y qu tipo de datos se
pueden almacenar. Los datos son de inters para el usuario final, el metadato
es de inters para los programas que tienen que manejar estos datos. Sin
embargo, el rol que cumple el metadato en un entorno de almacn de datos es
muy diferente al rol que cumple en los ambientes operacionales. En el mbito
de los data warehouse el metadato juega un papel fundamental, su funcin
consiste en recoger todas las definiciones de la organizacin y el concepto de
los datos en el almacn de datos.
Los Metadatos constan de los siguientes tipos de elementos:
Ubicacin y descripcin de servidores, bases de datos, tablas,
nombres.
Reglas.
Seguridad.
Definiciones fsicas y lgicas.
Antecedentes.
Propiedad / Gerencia.
Criterios de envejecimiento y purga.
Indicadores de Calidad.
Unidades de medida.

Data Warehouse: acceso a los datos

Programas de Aplicacin.
Generadores de Reportes.
Planillas de clculo.
Herramientas de Sistemas de Soporte de Decisin (OLAP).

Funciones ETL (extraccin, transformacin y carga)

Los procesos de extraccin, transformacin y carga (ETL) son
importantes ya que son la forma en que los datos se guardan en un
almacn de datos (o en cualquier base de datos). Implican las
siguientes operaciones:
Extraccin. Accin de obtener la informacin deseada a partir de
los datos almacenados en fuentes externas.
Transformacin. Cualquier operacin realizada sobre los datos
para que puedan ser cargados en el data warehouse o se
puedan migrar de ste a otra base de datos.
Carga. Consiste en almacenar los datos en la base de datos final,
por ejemplo el almacn de datos objetivo normal.
Query & Reporting
Herramientas que facilitan la creacin y organizacin de reportes y
grficos estticos, estadsticas bsicas y creacin de informes
Herramientas y lenguajes de solicitud de datos
Requieren conocimientos de estructuras de almacenamiento de
informacin
Ejemplo: SQL, Excel, MS Access
Herramientas OL AP
OLAP (ON LINE ANALYTICAL PROCESSING) es una categora de software que, a
travs de una interfaz sencilla y gil, permite a analistas, administradores y
ejecutivos analizar datos corporativos desde diferentes puntos de vista, con
niveles de granularidad y agregacin variables, ya sean datos histricos o
proyecciones y mostrando los resultados en trminos que le son familiares al
usuario, con el objeto de tomar decisiones.
Ejemplo: Metacube, Tableros de Indicadores y SAP
O.L.A.P.: 12 reglas
1. 1 - Vista conceptual multidimensional.
2. 2 - Transparencia.
3. 3 - Accesibilidad.
4. 4 - Performance de reportes consistente.
5. 5 - Arquitectura Cliente/Servidor.
6. 6 - Dimensionalidad genrica.
7. 7 - Manejo de matriz dinmica
8. 8 - Soporte multiusuario
9. 9 - Operaciones entre dimensiones sin restriccin
10.10- Manipulacin de datos intuitivo
11.11- Reportes flexibles
12.12- Dimensiones y niveles de agregacin ilimitados

DWH: Indicadores de xito

ROI
Se reducen los costos
Se mejora la productividad
Se incrementan las ganancias.
El Data Warehouse es til y se utiliza ms activamente.
El proyecto se desarroll en tiempo y forma.
El usuario est satisfecho.
Surgen requerimientos adicionales.
Se cumplieron los objetivos.
Hay herramientas para solucionar los problemas de negocio.
Se detectan nuevas oportunidades de negocio.
Plataforma de Soporte de Decisiones
En el siguiente esquema podemos visualizar la estructura de la
plataforma que soporta el proceso de decisiones empresariales. En la
base de la misma se encuentran los tres enfoques metodolgicos:
Informtico, Analtico (sta es la esencia del DWH) y Minera de datos.
En el cuerpo de la pirmide podemos ver que bsicamente hay dos
grandes modalidades: Verificacin y Descubrimiento.

3.6. Los Sistemas de Produccin (OLTP)

Los sistemas OLTP (On-Line Transaction Proccesing) son sistemas construidos
para soportar la operatoria diaria de una empresa. Estn diseados para
proveer una alta performance en el tratamiento de transacciones.
Se corresponden con los tpicos sistemas de Facturacin, Cuenta Corriente, Alta
de Clientes, Contabilidad, Planificacin, Produccin, entre otros.
Los Sistemas de Produccin: caractersticas
 La informacin se encuentra organizada por aplicacin.
La informacin entre las aplicaciones puede ser inconsistente.
El acceso a los datos es complicado.
Los datos cambian constantemente.
Los datos poseen un nivel de detalle transaccional.
Proveen soporte para operaciones repetitivas altamente
estructuradas.
El DWH Vs. Sistemas Operacionales

3.7. Minera de Datos (Data MiningDM)

El marketing se est convirtiendo en una batalla basada ms en la
informacin que en el poder de las ventas.2 Philip Kotler
La Minera de Datos (en ingls Data Mining - DM) a diferencia del
Datawarehousing, es la modalidad de descubrimiento de
informacin valiosa contenida de manera implcita en los datos, pero
que era desconocida por la empresa. Dicho de otra forma, el DM busca
singularidades en los datos almacenados en el DWH, tratando de encontrar
relaciones o patrones que puedan ser estratgicos para el negocio.
El DM utiliza recursos tecnolgicos ms complejos, entre los cuales podemos
citar a las herramientas de Inteligencia Artificial como son las Redes
Neuronales y el Anlisis Estadstico.
En resumen: qu se entiende por Minera de Datos?
Es el proceso de descubrir a partir de grandes volmenes de datos y utilizando
herramientas de alta tecnologa, relaciones, patrones y tendencias
desconocidas hasta el momento y que puedan ser utilizadas para obtener una
ventaja significativa con respecto a la competencia.
Desde el P.V. del negocio:
Es el proceso de extraer informacin til, vlida, desconocida y
comprensible para utilizarla en la toma de decisiones.
El proceso de minera se apoya en una serie de operaciones para descubrir el
conocimiento oculto en las bases de datos, detectar desviacin e identificar
oportunidades de negocio.
D.M: modalidad
Como vimos en la pirmide que soporta la plataforma de soporte de
decisiones, la minera de datos es la la modalidad de descubrimiento del
soporte de decisiones, la cual es conducida por los datos y no por el analista
empresarial.

Principal
es caractersticas de la Minera de Datos
En esencia la Minera de Datos es explorar y analizar los datos que se
encuentran en las profundidades de las bases de datos, como los almacenes de
datos, que algunas veces contienen informacin almacenada durante varios
aos.
Las herramientas de la minera de datos ayudan a extraer el mineral de la
informacin enterrado en archivos corporativos o en registros pblicos,
archivados. Hurgar y sacudir a menudo implica el descubrimiento de resultados
valiosos e inesperados.
Requieren para su funcionamiento de grandes volmenes de
informacin (Data Warehouse).
Debido a la gran cantidad de datos, algunas veces resulta necesario usar
procesamiento en paralelo para la minera de datos.
Utilizan Redes Neuronales y Algoritmos Estadsticos para el
anlisis.
El entorno de la minera de datos suele tener una arquitectura cliente-
servidor.
El margen de error es significativamente bajo.
Las herramientas poseen mdulos especializados en la
presentacin de informacin.
Sirve para detectar desviaciones, analizar las causas, identificar
soluciones, prever acontecimientos y relacionar hechos.
Por ahora su uso est orientada al usuario experto
Esquema del Sistema de Descubrimiento de Conocimientos

Proceso de Minera de Datos

Un proyecto de minera de datos tiene varias fases necesarias que son,
esencialmente:
Comprensin del negocio y del problema que se quiere resolver.
Determinacin, obtencin y limpieza de los datos necesarios.
Creacin de modelos matemticos.
Validacin, comunicacin, etc. de los resultados obtenidos.
Integracin, si procede, de los resultados en un sistema transaccional o
similar.
La relacin entre todas estas fases slo es lineal sobre el papel. En realidad, es
mucho ms compleja y esconde toda una jerarqua de subfases. A travs de la
experiencia acumulada en proyectos de minera de datos se han ido
desarrollando metodologas que permiten gestionar esta complejidad de una
manera ms o menos uniforme.
Un proceso tpico de minera de datos consta de los siguientes pasos
generales:
Seleccin del conjunto de datos, tanto en lo que se refiere a las variables
objetivo (aquellas que se quiere predecir, calcular o inferir), como a las
variables independientes (las que sirven para hacer el clculo o proceso), como
posiblemente al muestreo de los registros disponibles.
Anlisis de las propiedades de los datos, en especial los histogramas,
diagramas de dispersin, presencia de valores atpicos y ausencia de datos
(valores nulos).
Transformacin del conjunto de datos de entrada, se realizar de
diversas formas en funcin del anlisis previo, con el objetivo de prepararlo
para aplicar la tcnica de minera de datos que mejor se adapte a los datos y al
problema, a este paso tambin se le conoce como preprocesamiento de los
datos.
Seleccionar y aplicar la tcnica de minera de datos, se construye el
modelo predictivo, de clasificacin o segmentacin.
Extraccin de conocimiento, mediante una tcnica de minera de datos, se
obtiene un modelo de conocimiento, que representa patrones de
comportamiento observados en los valores de las variables del problema o
relaciones de asociacin entre dichas variables. Tambin pueden usarse varias
tcnicas a la vez para generar distintos modelos, aunque generalmente cada
tcnica obliga a un preprocesado diferente de los datos.
Interpretacin y evaluacin de datos, una vez obtenido el modelo, se debe
proceder a su validacin comprobando que las conclusiones que arroja son
vlidas y suficientemente satisfactorias. En el caso de haber obtenido varios
modelos mediante el uso de distintas tcnicas, se deben comparar los modelos
en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos
alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores
para generar nuevos modelos.
Una vez validado el modelo, si resulta ser aceptable (proporciona salidas
adecuadas y/o con mrgenes de error admisibles) ste ya est listo para su
explotacin. Los modelos obtenidos por tcnicas de minera de datos se aplican
incorporndolos en los sistemas de anlisis de informacin de las
organizaciones, e incluso, en los sistemas transaccionales

Tcnicas de minera de datos

Las tcnicas de la minera de datos provienen de la Inteligencia artificial y de la
estadstica, dichas tcnicas, no son ms que algoritmos, ms o menos
sofisticados que se aplican sobre un conjunto de datos para obtener unos
resultados.
Las tcnicas ms representativas son:
Regresin lineal.- Es la ms utilizada para formar relaciones entre datos.
Consiste en descubrir relaciones entre variables X e Y del tipo:
Y = aX + b donde a y b son valores reales
Rpida y eficaz pero insuficiente en espacios multidimensionales donde puedan
relacionarse ms de 2 variables. Adems, slo permite gestionar valores reales
y continuos.

rboles de decisin.- Un rbol de decisin es un modelo de prediccin

utilizado en el mbito de la inteligencia artificial, dada una base de datos se
construyen estos diagramas de construcciones lgicas, muy similares a los
sistemas de prediccin basados en reglas, que sirven para representar y
categorizar una serie de condiciones que suceden de forma sucesiva, para la
resolucin de un problema.
Un rbol de decisin toma de entrada un objeto o situacin descrita por un
conjunto de atributos y regresa una decisin verdadero/falso''.
En general pueden tener un rango ms amplio que simples funciones
Booleanas, pero por simplicidad, consideremos primero slo stas.
Cada nodo interno corresponde a una prueba en el valor de uno de los
atributos y las ramas estn etiquetadas con los posibles valores de la prueba.
Cada hoja especifica el valor de la clase.

Modelos estadsticos.- Es una expresin simblica en forma de igualdad o

ecuacin que se emplea en todos los diseos experimentales y en la regresin
para indicar los diferentes factores que modifican la variable de respuesta.
REDES NEURONALES: es un proceso opaco (caja negra) que permite, a partir
de variables de entrada, descubrir el valor de una o ms variables distintas.
Una Red Neuronal tiene como caracterstica poder aprender y
aprovechar su experiencia para ajustar el modelo encontrado, en
funcin, por ejemplo, de la llegada de nuevos elementos.
Son ideales para el modelo NO LINEAL, COMPLEJO o de DATOS
INCOMPLETOSModelos estadsticos. Es una expresin simblica en forma de
igualdad o ecuacin que se emplea en todos los diseos.
Data Mining: mbitos de Aplicacin
Entidades financieras y compaas de seguros ==> Anlisis de
Riesgo.
Marketing Directo ===> Determinar los perfiles de clientes
potenciales con mayor probabilidad de respuesta.
Empresas de Distribucin ===> Determinar perfiles de
consumidores, efectos de promociones, contenido del carrito de
compras, etc.
Marketing Relacional ===> Ayuda a identificar los clientes
susceptibles de abandonar la empresa por un competidor (Attrition
Model).

D.M: Operaciones ms habituales

Segmentacin de Base de Datos: Esta tcnica indirecta permite

agrupar distintos elementos de acuerdo a las caractersticas que stos
poseen.
Aplicacin: ARMAR GRUPOS DE CLIENTES DE ACUERDO A SUS
CARACTERSTICAS, A SUS HBITOS DE CONSUMO, A SU PERFIL DE
PAGOS.

Prediccin: Esta tcnica directa permite predecir el valor que adoptar

una variable o la probabilidad que adopte uno u otro valor en funcin de
otras.
Aplicacin ESTIMAR, DE ACUERDO A SUS CARACTERSTICAS, EL
VOLUMEN ANUAL DE INGRESOS QUE PRODUCIRN LOS CLIENTES.
Clasificacin: Esta tcnica directa permite identificar criterios o grupos
de condiciones sobre las variables de algn elemento para la
determinacin del valor de la variable objetivo.
Aplicacin: CREAR UN MODELO QUE PERMITA COMPRENDER LAS
CARACTERSTICAS QUE POSEEN LOS CLIENTES MS IMPORTANTES.
OTRA APLICACIN ES LA PREDICCIN DE SI UN CLIENTE
PERTENECER AL GRUPO DE MEJORES CLIENTOS O NO.
Asociacin: Esta tcnica indirecta permite determinar relaciones entre
elementos existentes en transacciones.
Aplicacin: DE ACUERDO A CIRCUITOS DE VIAJES QUE REALIZAN LOS
CLIENTES, DETERMINAR LAS PROBABILIDADES DE QUE UN CLIENTE
QUE SE ENCUENTRA EN UNA CIUDAD VIAJE A OTRA.
DE ACUERDO A LOS PRODUCTOS QUE COMPRAN LOS CLIENTES,
DETERMINAR LAS PROBABILIDADES DE QUE UN CLIENTE QUE
COMPR A COMPRE B.
Patrones Secuenciales: Esta tcnica indirecta permite determinar
secuencias de eventos que ocurren a lo largo del tiempo.
 Aplicacin: DETERMINAR SECUENCIAS DE VUELOS DE LOS CLIENTES
DE MANERA DE ANTICIPARSE Y OFRECER ALGN TIPO DE SERVICIO
ADICIONAL O ALGUN DESCUENTO PARA QUE REALICEN TODA LA
SECUENCIA EN ESTA COMPAA.
DETERMINAR SECUENCIAS DE PAGOS DE LOS CLIENTES PARA PODER
OFRECERLES LOS PRODUCTOS CREDITICIOS QUE ELLOS NECESITEN.
Frecuencias de Patrones: Esta tcnica indirecta permite determinar
conjuntos de operaciones que se repiten en el tiempo.
Aplicacin DETERMINAR LA PERIODICIDAD DE VUELOS DE LOS
CLIENTES DE MANERA DE ANTICIPARSE A ELLOS ANTES QUE
CONSULTEN EN OTRAS COMPAAS O PARA OFRECERLES ALGN
OTRO SERVICIO.
EN FUNCIN DEL HISTORIAL DE USO DE DETERMINADOS
PRODUCTOS, VER LA POSIBILIDAD DE OFRECERLE EL INDICADO SIN
NECESIDAD DE ESPERAR A QUE EL CLIENTE LO SOLICITE.

Mdulo 4
4 - Estructura, generacin y manejo de bases de datos (DBM:
Database Marketing)
Antecedentes
El Marketing de Bases de Datos surgi en la dcada de 1980 como una mejora
de la comercializacin directa. Con las nuevas tecnologas que permiten
registrar las respuestas de los clientes, el DBM fue creciendo y abriendo el
camino del dilogo con los clientes.
D. Robert "Bob" y Kestnbaum Kate fueron pioneros del DBM y se les
atribuye el desarrollo de indicadores nuevos, entre ellos el
denominado Valor de Vida del Cliente (LTV), la aplicacin de modelos
financieros y de la econometra a las estrategias de marketing.

Valor de Vida del Cliente (Life Time Value)

Valor de Vida del cliente (LTV) LIFE TIME VALUE: Se lo considera un activo de la
empresa
En el primer ao coincide el Beneficio Anual, el presente y el Valor vitalicio. El
Valor Vitalicio tiende a crecer el resto de los aos, el beneficio anual queda
constante y el valor presente a disminuir.
La tasa de retencin tiende a crecer hasta estabilizarse y tornarse constante.
Los ingresos descienden pero los costos tambin.
Kestnbaum colabor con Shaw en la dcada de 1980 en varios casos
empresariales; entre ellos podemos citar a British Telecom con 20 millones de
clientes y Barclays Bank con 13 millones.
Posteriormente, Shaw incorpora caractersticas nuevas en el enfoque de
Kestnbaum, incluyendo el telemarketing, la automatizacin de las fuerza de
ventas, la optimizacin de la estrategia de contacto, gestin de campaas, la
coordinacin y gestin de recursos de marketing, la rendicin de cuentas de
marketing (ROMI) y las mtricas analticas.
Los diseos de estos sistemas han sido ampliamente adoptado posteriormente
y se incorporan en la filosofa de la Administracin de Relaciones con los
Clientes (CRM) en la dcada de 1990 y posteriores.

4.1. Qu es el Marketing de Bases de Datos?

El marketing de Bases de Datos (DBM), junto al marketing Directo Integrado y
el marketing Relacional representan una nueva forma de hacer negocios.
Kreindy Giladi nos explica que el DBM se enfoca en el conocimiento de los
clientes y busca desarrollar una base de datos que incluya a los consumidores
actuales y a los potenciales; dicha base incluye informacin como el nombre,
direccin, telfono, compras pasadas e informacin demogrfica sobre el
consumidor para que la empresa los conozca y pueda ofrecerles nuevos
productos relacionados con lo que estn buscando.
Cul es la definicin de DBM?
Gestin de un sistema informtico de base de datos relacional, en
tiempo, que incluye datos completos y actualizados sobre clientes
(potenciales o reales), cuya finalidad es identificar a los clientes con
mayor capacidad de respuesta para establecer una relacin duradera
de repeticin de transacciones, y desarrollar modelos predictivos que
nos permitan enviar los mensajes deseados en el momento y la forma
oportuna a la persona adecuada, obteniendo con ello la satisfaccin
de nuestros clientes, el aumento de nuestra tasa de respuesta por
unidad monetaria invertida en marketing, la disminucin de costos, la
consolidacin de la actividad y el aumento de los beneficios.
Etapas del DBM
El siguiente esquema nos muestra el camino de la evolucin de los datos que
permitir obtener resultados empresariales satisfactorios.

Los puntos fuertes del DBM

Al combinar las estrategias del Marketing Directo Integrado y los principios del
Marketing Relacional y 1 a 1, el DBM demuestra sus propias fortalezas, las
cuales enumeramos a continuacin:
Es MENSURABLE: se pueden medir las respuestas y conocer la eficacia
/ eficiencia
Se puede PROBAR: es posible testear la efectividad de la oferta, el
medio y el contenido de la comunicacin, el segmento, los productos,
etc.
Es SELECTIVO: permite focalizar las campaas a grupos bien definidos.
Es INDIVIDUAL: permite PERSONALIZAR detalles especficos para cada
cliente.
Es FLEXIBLE: podemos programar las campaas para que los efectos
se produzcan en el momento que deseamos

Los beneficios del DBM

Cabe destacar que desde su origen el DBM estuvo orientado a lograr los
objetivos de Marketing optimizando la utilizacin de los recursos empresariales,
podemos decir sin temor a equivocarnos que es una estrategia costo-eficiente,
la cual no slo se focaliza en alcanzar los resultados esperados de ventas (es
decir, en ser eficaz), sino en el coste requerido (es decir, en la eficiencia).
Dentro de los pilares que lo sustenta, podemos citar los siguientes:
Mayor REPETICIN de transacciones.
Reduccin de COSTOS (stock / ventas).
Aumento de la FIDELIDAD de los clientes.
Capacidad para SEGMENTAR y DIFERENCIAR a los clientes.
Capacidad para trazar el PERFIL de los clientes.
Mejora la GENERACIN y DIFUSIN de la informacin.
Permite RASTREAR pistas y verificar hiptesis.
Capacidad para CONOCER la valoracin de los productos y/o servicios
brindados.
Capacidad para MEJORAR los resultados y demostrarlo

La importancia de la segmentacin de los clientes

Identificacin y segmentacin de respondedores: Cuanto ms se
segmenta identificando a los respondedores, ms cantidad de
respuestas se puede conseguir.

Considerando los principios de Marketing 1 a 1, cada cliente es diferente, y por

ende cada mercado, regin o pas tambin lo sern. En virtud de ello debemos
considerar que existen necesidades diferentes y deseos individuales.
Podemos establecer que la segmentacin es: El proceso mediante el cual
dividimos nuestro mercado total en subconjuntos o grupos de clientes
homogneos, a los cuales aplicaremos una estrategia diferenciada. De manera
que podamos satisfacerlos mejor y alcancemos nuestros objetivos
comerciales.
La segmentacin de la base de clientes, ha sido desde un factor estratgico
clave del Marketing desde sus orgenes, y realizarla de manera til es un
permanente desafo. Para ser tiles, los grupos deben responder en forma
diferente a las acciones que realice la empresa.
En el cuadro que sigue, podemos visualizar las principales variables
de marketing que orientan la segmentacin de los clientes:
Funcionamiento del DBM
El modelo de funcionamiento operacional del DBM se centra en el proceso de
intercambio permanente de de informacin para una mejor toma de decisiones,
siendo su corazn la gestin de la base de datos de los clientes.
Es conveniente comprender que, a partir de la informacin contenida en las
facturas de compras de los clientes y/o de las encuestas que forman parte del
programa de investigacin mercados de una empresa, se conduce la gestin
del DBM a los efectos de optimizar los resultados empresariales, si se cuenta
con una adecuada infraestructura tecnolgica y recursos capacitados y
entrenados.

Seleccin de Clientes segn DBM

Utilizamos el DBM para determinar quines son los MEJORES y los PEORES
clientes. A continuacin, nos esforzamos para brindar nuestras atenciones y el
mejor servicio al segmento ms valioso, y al mismo tiempo brindar un servicio
mnimo a los menos rentables.
es ms RENTABLE discriminar
Pero, cmo podemos identificar a los mejores clientes?
A partir del anlisis del comportamiento de compras de los clientes se
han encontrado tres variables que destacan a los mejores clientes:
Los que nos han hecho compras ms recientemente (Menor
RECENCIA).
Los que nos hacen compras ms a menudo (Mayor FRECUENCIA).
Los que gastan mucho dinero en nuestros productos y servicios
(Mayor VALOR MONETARIO).

4.2. RECENCIA de compra

Es el intervalo de tiempo transcurrido entre la fecha en que el cliente
efectu la ltima compra y el momento de anlisis. Su valor est
relacionado con el tipo de industria (por ej. en un supermercado de
barrio suele ser entre 1 y 3 das).
Es un ndice que nos permite conocer cundo volver el cliente o cundo lo
perdemos (por ej. en un supermercado, si transcurren 12 sin semanas sin que
el cliente compre, la probabilidad de que vuelva es de apenas el 10 %). Es una
medida importante de la retencin de clientes.
Una DISMINUCIN de la recencia, es un signo de una empresa fuerte,
sana y en crecimiento. Por el contrario, su aumento indica un
deterioro de la relacin con los clientes.
En general, se verifica que aquellos clientes que han comprado recientemente,
responden mejor a las ofertas de esa empresa.
En el siguiente esquema vemos cmo podemos clasificar la tasa de respuesta
de los clientes en funcin a la recencia de compra:

4.3. FRECUENCIA de compra

Podemos definir la frecuencia de compra como: Nmero de veces que un
cliente compra algo en un perodo de tiempo determinado.
Habitualmente, el comprador ms frecuente es el cliente ms satisfecho.
La frecuencia de compra es un indicador de la Lealtad de los clientes
hacia una marca o producto.
En general, se verifica que aquellos clientes que han realizado muchas
compras, tienen una alta probabilidad de comprar de nuevo.
En el siguiente grfico vemos cmo las respuestas a ofertas se incrementan en
funcin del nmero de compras anteriores:

4.4. VALOR MONETARIO

El Valor Monetario nos indica: Cuanto gast un cliente en un perodo de
tiempo determinado.
Puede calcularse de varias formas, podemos medir:
El importe de la ltima compra.
El importe de las compras totales.
El importe de la compra media. (RECOMENDADO)
El importe de las compras en los ltimos 12 meses
Al igual que vimos en las variables anteriormente analizadas, se verifica que
aquellos clientes que habitualmente realizan compras de alto valor (son los que
ms gastan), tienen una alta probabilidad de comprar de nuevo.
En el siguiente grfico vemos cmo las respuestas a ofertas se incrementan en
funcin del valor monetario:
ndice RFM

Recencia: intervalo de tiempo entre compras.

Frecuencia: Cantidad de compras que el cliente realiza en determinado tiempo
Monetario (valor): El dinero que el cliente gasta. Se suele calcular el promedio
de las compras.
Los ponderadores pueden variar su valor, por lo general al que ms valor se le
otorga es a C (valor monetario) por ej A= 0,2 B= 0,3 C= 0,5
 Cliente AAA (basndose en el ndice RFM) suelen ser un pequeo segmento
del total de clientes.

4.5. NDICE DE VENTA CRUZADA (Cross Sell)

El ndice de venta Cruzada es una variable clave del DBM ya que nos indica:
La cantidad / mezcla de productos o servicios adquiridos por un
cliente, o tambin la cantidad de comercios en los que realiza compras
dentro de un centro comercial.
A mayor cross selling, mayor probabilidad de conservar a un cliente y
mayor participacin en su billetera (Share of Wallet).
Venta cruzada de productos: Mientras mayor cantidad de productos
diferentes adquiera el cliente, ms fiel va a ser, el costo de cambio se
incrementa.

Mediante su anlisis se identifican las combinaciones de productos y/o

servicios ms rentables para la empresa, y las de mayor demanda por
parte de los clientes.
Adems, conociendo la secuencia habitual de adquisicin de productos,
tenemos la oportunidad de alcanzar mayores ventas a los clientes actuales.
En el esquema que mostramos a continuacin, se puede visualizar un ejemplo
del ndice de ventas cruzadas en un centro comercial (Shopping Mall):
Anlisis de propensin de compra: Se analizan las compras anteriores,
se intenta generar un patrn de compra.

5 - Administracin de las Relaciones con los Clientes

(CRM: Customer Relationship Management

Antecedentes
Los principios y pilares de la Administracin de Relaciones con los Clientes (o
CRM por sus siglas en ingls), han estado presentes en realidad desde el
nacimiento del comercio.
Por ello el CRM no es un modismo que pasar con el tiempo, sino un factor de
diferenciacin competitiva de las empresas, orientado mejorar la experiencia
de los clientes y desarrollar su Lealtad.

5.1 CRM Definicin e Importancia

El CRM debe ser visto como una estrategia de negocios que pone al
cliente en el centro y cuyo objetivo es aumentar y proteger la relacin
de los clientes con la empresa. Desde el P.V. operativo es la plataforma que
nos permite desarrollar la lealtad de los clientes identificando sus preferencias
y necesidades para proveerles productos y servicios personalizados valorados
por ellos.
Segn Gartner Group1: CRM es una estrategia de negocio volcada al
entendimiento y anticipacin de las necesidades de los clientes
actuales y potenciales de una empresa. Desde el P.V. Tecnolgico;
comprende la captura -interna y externa- de los datos del cliente a lo
largo de toda la empresa, consolidarlos en un banco de datos central
para analizarlos y distribuir los resultados a los diferentes puntos de
contacto, para usar esa informacin para interactuar con los clientes.

Base conceptual del CRM

Hasta fines de los 90, predominaron las estrategias basadas en la oferta,
apalancadas sobre la productividad de los procesos.
La sobreoferta endmica, la comoditizacin de los productos y servicios y la
similitud de las estrategias operadas por las empresas, generaron
efectividades decrecientes.
Esta situacin ha dado lugar a un nuevo enfoque, donde las empresas operan
con estrategias basadas en la demanda que implican poner el foco en la
relacin con el cliente.
Se puede decir que el CRM es la infraestructura para soportar la
filosofa del Marketing 1 a1 en la relacin con los clientes.
Principales Componentes: la pirmide del CRM

Va el grfico
Por qu es importante CRM
Porque es un conjunto de estrategias, polticas, prcticas, procesos, estructuras
y tecnologas orientadas a:
AUMENTAR LA CANTIDAD Y CALIDAD DE CLIENTES.
INCREMENTAR LAS TRANSACCIONES POR CONTACTO.
MEJORAR LA RETENCIN Y FIDELIZACIN.
AUMENTAR LA EFICIENCIA Y RENTABILIDAD DE LAS ACCIONES
COMERCIALES.
Por qu las empresas necesitan un CRM?
En el esquema que adjuntamos podr visualizar un resumen de los principales
logros que las empresas pueden alcanzar mediante una adecuada estrategia
de Administracin de las Relaciones con los Clientes:
1- Aumentar las ventas: mediante acciones de cross y up selling.
2- Conocer mejor a sus clientes: diferencindolos por valor (LTV)
y necesidades.
3- Gerenciar Fidelidad: logrando lealtad a largo plazo
4- Fortalecer la imagen y posicionamiento de marca:
comunicndonos en forma personalizada con los diferentes
segmentos.
5- Aumentar el ROMI: logrando mayor eficiencia en las acciones de
corto plazo.
6- Lograr una visin nica e integrada de los clientes:
interactuando en forma coherente a travs de los diferentes
medios y canales.
7- Mejorar la tasa de retencin: logrando un mejor manejo de las
quejas y reclamos, resolviendo los problemas en el menor tiempo.

CRM: Beneficios para su empresa (VA)

Visin holstica (360 grados) del cliente
o Permite calidad de pertenencia, superando a los silos
organizacionales.

o Convierte cada interaccin en una oportunidad para lograr

fidelidad del cliente
Convertir la generacin de informes en inteligencia del
negocio
o Informacin en tiempo sobre cmo atender de la mejor forma una
interaccin en el contexto apropiado (cundo vender ms upsell-,
y cundo no)

o Informacin estratgica sobre la efectividad del cuidado del

cliente, no solamente la eficacia.

o Visin holstica de la empresa en lugar de partes separadas.

Hacer estratgica la experiencia sobre clientes

o El valor de la relacin aumenta al anticipar las necesidades dentro
de un contexto apropiado
o Impacto en la retencin y lealtad
 o Permitir cross-sell, up-sell, participacin en la billetera, etc.
o La personalizacin puede convertirse en realidad.
o Darle a sus clientes la experiencia (inusual) de sentir que su
compaa tiene UNA VOZ!

5.2 CRM Implantacin y mdulos componentes

La implementacin de proyectos CRM, debe tener como eje conductor,
el cambio en los procesos que involucran al cliente, para tener una
visin de 360 y lograr una interaccin integrada multicanal. Por ello es
fundamental que las reas y departamentos que habitualmente interactan
con los clientes estn coordinadas adecuadamente:
A continuacin les presentamos el esquema de una plataforma de CRM, segn
el modelo de Meta Group:
CRM: 3 mdulos componentes
CRM Analtico:
Cada cliente es distinto, diferente, y debe ser tratado en forma
personalizada. Debemos identificar quines son los mejores clientes y
determinar cules deben ser las formas y los canales adecuados para
contactarlos.
Las estrategias de Inteligencia de Negocios (BI) y sus principales
herramientas (Datawarehuose /Data Mining) son la fuente de
inteligencia del proceso, sirven para el ajuste de las estrategias de
diferenciacin que luego se aplican en el marketing de Bases de Datos

CRM Colaborador:
Engloba todos los puntos de contacto con el cliente, all donde ocurre
la interaccin entre l y la empresa. Entre ellos podemos citar:
Contacto personal en sucursales
Contacto telefnico en Call Centers
Contacto On line en sitios Web y Redes Sociales
La interaccin multicanal debe ser integrada y estar preparada para
facilitar el flujo adecuado de los datos resultantes de ella para el resto
de la organizacin.
 CRM Operacional:
Comprende el software para la automatizacin e integracin de los
siguientes mdulos:
Fuerza de ventas (SFA): gestin y seguimiento de clientes y
prospectos, agenda / contactos, previsin de ventas (forecasting
individual y por grupos) y pedidos. Optimiza tiempos y performance.
Acciones de marketing: comprende el administrador de campaas
(seleccin de audiencias y segmentos, pruebas, ejecucin de acciones e
interacciones automatizadas, secuencias de contactos, mediciones de
resultados) y la perfilizacin de los clientes. Permite medir en forma
precisa el ROMI y contribuye a mejorarlo.
Servicio de atencin y soporte (Customer Service): gestin y seguimiento
de quejas y reclamos

5.3 e-CRM (electronic CRM)

A medida que se incrementa la penetracin de Internet, las empresas ven la
oportunidad de reducir los costos de comunicacin, interaccin y
personalizacin; adems de facilitar las estrategias orientadas a la retencin y
fidelizacin de los clientes.
El eCRM se refiere a todas las formas de gestionar las relaciones con
los clientes haciendo uso de las tecnologas de comunicacin e
informacin digitales (TICs).
Qu caracteriza al e-CRM?
Permite captar, conservar y satisfacer al cliente mediante relaciones
personalizadas a travs de Internet, fax, telfonos -fijos y celulares-
pagers, palms, etc. con disponibilidad 7x24
Los 5 motores del eCRM En el grfico siguiente se esquematizan los 5
motores que componen una plataforma de eCRM: Va el grfico
Diferencias entre CRM y eCRM
Va la tabla
En el cuadro que reproducimos desde Wikipedia2, podemos identificar las
principales diferencias entre el CRM Tradicional y el e-CRM: