Small Data y Dark Data: reconstruyendo la información del futuro por Francisco Moreno

3. FRANCISCO MORENO
”Small data y Dark data: reconstruyendo
la información del futuro”
-Cerem Business School
-Universidad Politécnica de Madrid
https://www.linkedin.com/in/franciscojaviermoreno/
https://twitter.com/emprendedor124
https://www.facebook.com/javier.morenogarcia.520

4. Contenido temático
-El poder de los datos.
-Dark data.
-Small data.
-Casos reales (éxitos y fracasos).
-Recomendaciones.

13. Sintonía “Fringe” J.J. Abrams

15. DATA OF INTEREST

16. En comunicación, llamamos ruido a toda señal no deseada
que se mezcla con la señal útil que se quiere transmitir.
Es el resultado de diversos tipos de perturbaciones que
tiende a enmascarar la información cuando se presenta en
la banda de frecuencias del espectro de la señal, es decir,
dentro de su ancho de banda.

17. De acuerdo a un estudio reciente de IBM el 80% de
los datos generados son Dark Data o datos
desestructurados y esta cifra llegará al 93% en 2020.
IBM también estima que el 60% de los datos pierden
su valor si no se utilizan dentro de una ventana
temporal adecuada.

18. ISO/IEC 20546 Information Technology –
Big Data – Definition and Vocabulary
ISO/IEC 20547 Information technology –
Big Data reference architectur.

21. El Small Data proporciona:
 Conocimiento más preciso.
 Adaptado a las necesidades de
cada negocio.
 Información que ha sido analizada
y orientada a casos específicos.
 Podemos decir que es la
“personalización de los datos”.

22. Eliminar lo enorme para
ver lo importante
Saltar de lo numérico a lo
sentimental (sentidos y
sensibilidades)
Gestionar mentes y
deseos (un cliente es un
mundo)
Recopilar información
(toda, incluida la que no
sé que tengo)
Para small data, lo principal no es cantidad
si no calidad

23. Martin Lindstrom: “Usar ‘Big Data’ por
sí solo es muy peligroso”
El experto en marcas danés Martin Lindstrom alerta de que tener
en cuenta solo los datos masivos o ‘Big Data’ para tomar
decisiones empresariales es “muy peligroso” y propone utilizar el
‘Small Data’, que es observar individualmente el comportamiento
del consumidor, cliente o usuario.

24.  Subestimamos los datos,
la mayoría de las veces.
 Usamos la información
de forma no inteligente.
 Otras, simplemente, los
desconocemos.
Es lo que se conoce como:

25. DARK DATA

26. CASO REAL

27. Como en todos los eventos de este
tipo, se recoge información de los
asistentes en formato papel.
Algunas personas que acuden al
evento, lo hacen sin invitación
previa, es decir, no están.

28. La Escuela de Negocios NO revisó
todas las fichas (aproximadamente
unas 150), por error, olvido,
ineficiencia o desidia.
Eso es lo de menos…. ¿o no?

29. Pasados unos meses, un becario
encontró una ficha.
Introdujo el nombre de aquel
asistente desconocido en Linkedin.
Su sorpresa fue mayúscula. Ese
asistente era el Director General de
una importante multinacional
americana.

30. Se reunieron con ellos, y firmaron
un acuerdo para formar en
habilidades, técnicas de
negociación y experiencia cliente a
900 personas (directivos y mandos
intermedios) por algo mas de
2.500.000 €

31. ECUACION:
un dato + una persona
eficiente =
2.500.000€

32. Datumize es una startup de tecnología informática que
ha desarrollado una tecnología propietaria para capturar
los datos oscuros (Dark Data) que se encuentran en las
empresas y que pueden ser utilizados para mejorar el
rendimiento del negocio.
La empresa nació en 2014 con el objetivo de utilizar estos
datos desaprovechados que explican mucho sobre el
negocio de las empresas y de sus clientes.

33. Los 'Dark Data' ayudan en la toma de decisiones, ya
que aportan información sobre hacia donde se orienta
la gestión empresarial en el futuro inmediato.
Datumize ha descubierto múltiples fuentes de datos
oscuros para diferentes sectores económicos, como el
turismo, logística, automoción, comercio, industria,
banca o salud; al mismo tiempo que ha diseñado y
desarrollado el software Datumize Data Collector, un
producto propio que permite la captura de datos que
se transmiten a través de la red (interna) corporativa.

35. BIG
DATA
Algoritmos
Programación
Bases de datos
Recolección
Bibliotecas
Motores de
procesamiento
Almacenamiento
Mensajería Gestión de
recursos

37. Dos teorías sustentan Small Data
1. La falacia McNamara
Se basa en recordar el papel crucial que tiene
el dato no cuantificable en la estrategia
corporativa (Robert McNamara Secretario de
Defensa de EEUU desde 1961-1968).
• Desprecio a lo no mensurable.
• Si no es mensurable, no es importante.
• Si no es importante, no existe.

38. Dos teorías sustentan Small Data
2. El Modelo de aprendizaje de doble bucle
Consiste en reflexionar sobre nuestras acciones y
aprender de ellas (Von Foerster y Luhmann). No
debemos ver la realidad sólo desde fuera, si no
sobre todo desde dentro.
Debemos ser observadores de primer orden. No
podemos analizar los datos desde fuera, sólo desde
dentro obtendremos su principal valor.
¡Rompe tus propios esquemas!

40. Simplicidad
Metodología
Acción
CaLidad
InteLigencia
Decisión
Alertas y Alarmas
Transformación
lnnovAcción
Small data = Estrategia

41. Tal como indica Forbes, en la era
del Internet de las Cosas (IoT),
tiene especial relevancia el Small
Data, una multisolución que
requiere menos capacidad y
recursos que el Big Data.

42. Big Data extrae conclusiones en torno a un volumen masivo
de datos recabados por algoritmos, el Small data se centra
en las entrevistas particulares y la observación directa de
clientes.
Big Data hace alusión a grandes cantidades de datos
cosechados por máquinas, el Small Data se refiere a
un análisis pausado en torno a pequeños datos
extraídos de personas concretas.
Lejos de ser dos estrategias antagónicas,
complementarlas puede ser sinónimo de éxito
para cualquier empresa.

43. En torno al Small Data, Ingvar Kamprad, fundador
de IKEA, decía que la investigación más barata y
eficaz que existe es preguntar a cada cliente por
qué compran este o aquel producto. Precisamente,
el ahondar en las percepciones y emociones del
consumidor es la base de esta estrategia.

44. ¿Sabrías decir cuál
es el producto más
vendido de Ikea?

46. ¡Las albóndigas suecas!
2 millones al día (340 tiendas)
+9,50% s/ventas

47. 1.¿Cómo vendo más?
2.¿Dónde está mi marca?
3.¿Cómo supero a mi competencia?
4.¿Cómo genero más rentabilidad y cuándo?
5.¿Cómo construyo un marketing muy inteligente ?
6.¿Cómo reduzco costes pero sin afectar a mis ventas?
7.¿Cuáles y dónde están mis clientes más valiosos y rentables?

48. Una multinacional
necesitaba encontrar a
un Country Manager
para su nueva filial en
Yakarta

49. Proceso tradicional (sin small data):
 Reunión previa del Consejo.
 Envío de circular a todas las filiales y compañías del
grupo para que elaboren informe sobre posibles
candidatos.
 Proceso de entrevistas máximo 3 personas por filial.
 Envío de candidaturas a Sede Central en Stuttgart.
 Preselección final de candidatos (5 máximo).
 Entrevista con equipo multidisciplinar interno.
 Entrevista con equipo externo de Alta Dirección.
 Candidato final.
 Nombramiento.

50. Tiempo final
del proceso:
Tiempo con
Small Data:

51. Un dato muy curioso…

52. No coincidió ninguno de los candidatos del sistema tradicional con
la lista obtenida a través de la aplicación de Small Data.
¿Causas?
 Sistema evaluador de competencias.
 Basado en elementos medibles y justificados.
 Aprovechando todas las fortalezas y oportunidades del
candidato minimizando sus posibles debilidades.
 Objetividad e independencia.

54. Fran Moreno

56. Un Boeing 737-800 costaba en 2016 unos 96 millones
de dólares. Primera Air tiene 9 aeronaves.

57. Un Boeing 737-800 costaba en 2016 unos 96 millones
de dólares. Primera Air tiene 9 aeronaves.
Punto de
ruptura:
35%

58. Un Boeing 737-800 costaba en 2016 unos 96 millones
de dólares. Primera Air tiene 9 aeronaves.

59. Un Boeing 737-800 costaba en 2016 unos 96 millones
de dólares. Primera Air tiene 9 aeronaves.

60. Un Boeing 737-800 costaba en 2016 unos 96 millones
de dólares. Primera Air tiene 9 aeronaves.
16 compartimentos estancos
Capacidad máxima de navegación con compartimentos
estancos inundados: 5
5 datos para su algoritmo: (1) timón pequeño, (2) velocidad excesiva,
(3) nula visibilidad, (4) corrientes marinas y (5) temperatura.

61. Un Boeing 737-800 costaba en 2016 unos 96 millones
de dólares. Primera Air tiene 9 aeronaves.
Probabilidad
de que no
llegara a su
destino:

62. Un Boeing 737-800 costaba en 2016 unos 96 millones
de dólares. Primera Air tiene 9 aeronaves.Camino crítico
del dato: la
distancia que
recorre un dato
en llegar a su
objetivo.
Small
data
Big data
<2x

67.  Lego es un compañía que históricamente ha estado muy
volcada hacia dentro.
 Los conjuntos y los ladrillos sólo eran diseñados por
especialistas de la propia firma.
 Y había muy poca interacción con los aficionados de la
marca como para comprender que tantos de esos fanáticos
no eran niños, sino adultos.
 Esta postura corporativa funcionó bien en los años 70 y 80,
e incluso hasta los 90, cuando el negocio estuvo en auge.
 Pero para el cambio de siglo, Lego se encontraba en
problemas. En 1999 tuvo su primera pérdida anual en el
balance.
 En 2003 estaba al borde de la quiebra.

68.  Era un modelo muy sencillo.
 Limitaba la inteligencia pues las piezas tan grandes
provocaban aburrimiento en los jugadores.
 Un universo impresionante de posibilidades. De
hecho, infinitas posibilidades. El profesor danés
Soren Eilers, profesor de matemática en la
Universidad de Copenhague, demostró con
ecuaciones que seis ladrillos Lego con ocho
botones cada uno pueden combinarse más de 915
millones de maneras inteligentes.
 Los niños, a los que preguntaron en un estudio
externo, indicaron que las piezas eran muy
grandes.
 Lo importante no eran los bloques (cualquier
empresa podría hacerlo) si no las historias que
animaban a los bloques.

69.  LEGO facturó en 2016 más de 5.100 MM€
(5.800 en 2017).
 Su mayor cifra en 85 años.
 La “Lego película” de 2014 recaudó 8 veces
su coste (500 MM dólares).
 En 2016 incrementó su plantilla en 2.862
trabajadores.
 LEGO es la segunda compañía del mundo en
utilizar técnicas de small data e
Investigación de clientes.

70.  La consultora Brand Finance sitúa a LEGO en
el puesto número uno de las marcas más
poderosas del mundo con una puntuación de
92,7 (febrero 2017).
 La compañía juguetera ocupa el primer lugar
en la extensa lista de empresas Global 500
Brand Finance 2017, donde se ha querido
valorar tanto la FORTALEZA de la marca, como
la inversión en MARKETING, la IMAGEN
CORPORATIVA o la FIDELIZACION DE
CLIENTES..

71.  Fundada en 1979, la compañía se encontraba al borde
de la quiebra en 1997.
 Las pérdidas eran una constante, sus acciones se
desangraban mes a mes, su imagen de marca se había
deteriorado enormemente, y sus mejores talentos
huían a otras compañías. Tan mala era la situación
que Apple estuvo a sólo 90 días de la insolvencia.
 Se despidió a más de 13.800 personas.
 Apple contaba con un SO obsoleto. Bill Gates había
presentado Windows 95 en Richmond (1985).
 Steve Jobs volvió (NeXT) en septiembre de 1997 y lo
primero que hizo fue visitar a Bill Gates. Éste compró
150 millones de dólares en acciones de Apple y
desarrolló Office para Mac.

72.  Steve Jobs le dijo a su viejo enemigo: “Gracias
por tu apoyo a esta compañía. Creo que el
mundo es un poco mejor gracias a ti”.
 Al cierre del 1Q 2017, con el 20% de las ventas,
obtiene el 90% del beneficio del sector,
cerrando 2016 con unas ventas de 215.639
millones de dólares y un beneficio neto de
45.687 MM de dólares (48.300 MM en 2017).
 Sus Apple Store parecen jugueterías, buscando
la experiencia de “tocar” y “probar” los
productos.
 Apple es la primera compañía del mundo en
la utilización combinada de técnicas de
Experiencia de Cliente y small data.

73.  GM se fundó 1908 (Detroit). En 2009 era el 3er.
grupo industrial mundial por producción de
automóviles, tras Toyota y Volkswagen. A mayo
de 2009 GM tenía 326.999 empleados y plantas
en 33 países.
 Debido a la crisis económica mundial, el 1 de
junio de 2009 la empresa se declaró en quiebra
(bancarrota) ante un tribunal de NY.
 Su estrategia comenzó en 2002 (BI) a raíz de que
la compañía creció en el uso de la información y,
por tanto, fue necesario un software para apoyar
las decisiones del negocio. Antes de la
bancarrota, el 90% de la solución de datos
estaba enfocada exclusivamente al área de
Ventas.

74. Antes de la bancarrota, el 90% del modelo de
negocio estaba enfocado exclusivamente al
área de Ventas.
Esto se conoce como ecuación desbalanceada

75.  GM Company anunció resultados récord de
todo 2016 impulsados por una alta demanda
en ventas por productos, mercado y
continuo crecimiento de la industria en
China además de un alto rendimiento en
costes alrededor del mundo.
 La utilidad fue de 166.400 millones de
dólares, es decir +9.2% y un flujo de efectivo
libre ajustado de 6.9 mil millones de dólares.
En tanto, el EBIT ajustado superó los 12.000
millones de dólares.
 Hoy es líder en tecnología y transformación
digital tras adquirir en 2016 a CRUISE
AUTOMATION (conducción autónoma).

76.  En 2018 hizo 33 años del mayor desastre
de la empresa Coca-Cola. Su error estuvo a
punto de hacerla quebrar.
 Por primera vez, Pepsi la superó en ventas.
Pepsi nació 10 años después que Coca-
Cola, con similar sabor pero menor precio.
 El desafío Pepsi supuso una prueba a
ciegas entre ella y Coca-Cola. Todo el
mundo elegía Pepsi. Este dato supuso la
peor decisión estratégica: new coke.
 Se gastaron millones de dólares para
parecerse a Pepsi. Las encuestas indicaban
que sería una campaña de éxito total.

77.  Pepsi dio vacaciones a sus empleados el
día del lanzamiento de la campaña.
Lanzó otra en la que agradecía a Coca-
Cola que se pareciese a ella.
 Los usuarios de Coca-Cola empezaron
una campaña para volver al sabor
anterior.
 Coca-Cola reaccionó. Contraprogramó
una campaña en la que reconoció su
error y pidió perdón a sus clientes.
 Sacó al mercado la Classic coke. A día de
hoy sigue siendo la número 1 entre las
bebidas de cola en todo el mundo.

78. S
M
A
L
L
D
A
T
A
D
A
R
K
D
A
T
A

79. 6 MODELOS DE SMALL DATA
1. Diamante de la inteligencia predictiva
(rentabilidad, eficiencia, productividad,
morosidad y solvencia)
2. PTP (Patrón, tendencia, predicción)
3. PMML (Lenguaje de marcado de texto)
Análisis predictivo +
minería inteligente de
datos

80. 6 MODELOS DE SMALL DATA
4. MAT (Modelo de alerta temprana)
5. QTE (Quick time events)
6. Modelo de sensores (de proximidad y de
profundidad)
Anticipación a riesgos sistémicos
(quiebra, insolvencia, cliente, marca)
Triggers (disparadores) de alertas:
automáticas, controladas,
inteligentes y autónomas
IA + Redes Neuronales
Artificiales +
algoritmos

82. BIG DATA
Sector logístico
Sector farmaceútico
Sector financiero (Bancaseguros)
Sector sanitario
Sector energético
Sector público
Sector retail
Sector consumo
Sector telecomunicaciones
Sector automovilístico
Sector turístico
SMALL DATA
Área recursos humanos
Área financiera
Área distribución
Área de marketing
Área estratégica
Área corporativa
Área comunicación
Área ventas y producción
Área de gestión de stocks
Área de planificación
Área de gestión y auditoría

90. NOS HABLAN

92. 2º club más valioso del mundo
(3.000 millones de euros).
2º club con más ingresos del
mundo (675 millones de euros).
1er equipo de fútbol con
mayores títulos del mundo
según la FIFA(24).

93. Analizar todas las variables de
rendimiento de cada jugador.
Análisis estadístico de tendencias
(marketing, deportivas, marca).
Mejorar las prestaciones del equipo
en el campo.
Ayudar a prevenir lesiones
(rotaciones).

94. Un grupo de investigadores de la Universidad de
Michigan en 2015, trató de demostrar que el
fútbol es un deporte poco predecible.
Estudiaron las estrategias de pase y se analizaron
más de 300.000 pases distintos para tratar de
encontrar patrones en las estrategias de los
equipos.

95. La selección alemana de
fútbol gana el mundial de
Brasil 2014
¡Gracias a Big data!

96. Alemania, utilizó Big Data para analizar el
comportamiento de sus rivales y realizar
planteamientos tácticos que permitieran
enfrentarse con mayor eficacia.
La herramienta que utilizaron fue Match Insights
(SAP HANA) que analiza los datos en video
desde las propias cámaras del campo de juego y
captura miles de puntos de datos por segundo,
como la posición y velocidad de los jugadores.

97. Hablemos de costes:
 Hardware: entre 40.000 y 60.000 dólares.
 Software: entre 1 y 2,2 millones de dólares.
Hablemos de beneficios:
 Prestigio.
 Liderazgo.
35 millones de dólares.

98. La pregunta…
¿Habría ganado Alemania
el Mundial sin usar Big
Data?

100. La compañía The Messina Group (TMG) es una consultora
responsable de las campañas que encumbraron a lo más alto
a nombres como Barack Obama, David Cameron, Renzi,
Macron…
Su trabajo es la administración y procesamiento de grandes
bases de datos (big data) con la vista puesta en captar
electores.
El objetivo era claro: definir los targets de los electores lo
más claramente posible para saber cuáles son los temas y
mensajes que más les interesan, localizarles a través de sus
perfiles de Facebook y hacerles llegar la publicidad.

101. Se diseñaron las audiencias a las que se quería atacar
con muchísimas variables pero con datos tácticos
(small data). Se buscaba garantizar impactos y se
pujaba para evitar que otros anunciantes robasen el
espacio.
190.000€ de campaña en Facebook parece
insignificante para un volumen de 22 millones de
personas. Si a eso les sumamos los 100.000€ a TMG, el
coste total de pasar de 123 diputados a 137 (dos por
encima de lo que predecía TMG) supuso 290.000€,
para una posibilidad de gobernar un país.

103. 7 ideas
magníficas
sobre small
data y dark
data

104. Idea 1:
descubrir
los datos
vitales
Conocer cuál es el circuito
real y las fuentes de
información de entrada y
salida de datos y acceder a
toda la información de
forma sencilla, segura y
práctica.

105. Idea 2: estar
dispuesto al
cambio
Apostar por un Área de
Gestión del Dato que
coordine el tratamiento de
la información, para
generar conocimiento.
Se necesitan más de
550.000 especialistas en
small y dark data (salarios
de +40.000$)

106. Idea 3:
invertir en
conocimiento
Todo proceso de crecimiento tecnológico
exige una visión global y de futuro y ser
consciente de que serán necesarios
apalancar recursos: humanos, técnicos y
financieros.
Kodak quebró en enero de 2012 hasta que
apostó por Blockchain (2013): sus acciones
han subido un 289%.

107. Idea 4: Invertir
en data no es
coste, es
supervivencia
Visión y enfoque para
implantar e implementar
herramientas que cubran las
necesidades de la
organización y dotar a la
organización de un CIO (Chief
Information Officer) como
elemento imprescindible de
innovación de la compañía.

108. Idea 5:
poder para la
organización
Todas las áreas aprovecharán small
data: Finanzas, Marketing, Ventas,
RRHH, Producción, Calidad,… y
estarán preparadas para tomar
decisiones en tiempo real sobre
acciones críticas en cualquier área
y elaborar escenarios para
optimizar las fortalezas de mi
organización.

109. Idea 6:
Dark data y
Small Data son
una oportunidad
Incorporar talento en
tecnologías de data tanto
interno como externo para
la consecución de los
objetivos previstos y a ser
posible con el respaldo de
la Dirección como base del
éxito.

110. Idea 7:
¡Súbete al
tren!
La gestión de los datos es un tren
en una estación.
Cuando arranca, o estás dentro, o
tendrás que esperar al siguiente.
Pero seamos realistas, la vida nos
enseña que …
¡NO TODOS LOS
TRENES
REGRESAN!

111. “La simplificación es la
máxima sofisticación”
Leonardo da Vinci

113. FRANCISCO MORENO
Gracias
https://www.linkedin.com/in/franciscojaviermoreno/
https://twitter.com/emprendedor124
https://www.facebook.com/javier.morenogarcia.520