El Big Data ya se está usando para optimizar la recuperación y reciclaje de residuos. No solo optimiza las rutas de recogida, sino que además puede mejorar el proceso de clasificación y el propio procesado y tratamiento de las basuras. Así, el reciclado contamina aún menos y se vuelve más eficiente energéticamente. También se puede utilizar el Big Data para localizar los puntos donde los ciudadanos son menos propensos a reciclar, donde se pueden lanzar campañas de concienciación y de incentivos.
Optimizando las energías renovables
Además, se utilizan estas tecnologías para fortalecer la competitividad de las energías renovables realizando modelos predictivos para saber cuánto se va a producir en función de las condiciones climáticas, mejorar la eficiencia de los molinos y placas fotovoltaicas, optimizar el ahorro energético...
El Big Data y la lucha contra el exceso en la explotación de los recursos
El Big Data se puede utilizar y se utiliza para combatir la sobre-explotación legal e ilegal de recursos naturales. Por ejemplo, proyectos como Global Forest Watch se aprovechan de esta tecnología para vigilar la deforestación, frenar la tala ilegal y los incendios provocados …
Otros, como Global Fishing Watch, monitorizan la pesca comercial ayudando a los países a cambiar sus políticas de explotación y a combatir la pesca ilegal. De esta manera, no solo se optimiza la explotación de los mejores caladeros.
Además, se evita que los que estén sobre-explotados se agoten por completo. De igual manera, se puede usar el Big Data para evitar la caza furtiva. Y para definir localizaciones con sobrepoblación de ciertas especies cinegéticas que pueden ser perjudiciales para el entorno.
Agricultura y Big Data
Otro de los usos más importantes del Big Data Ambiental es en agricultura. En un planeta sobre-explotado de recursos limitados y población creciente, producir más en el mismo terreno, de forma sostenible y combatiendo la desertización, es fundamental. Se utiliza el Big data, entre otras cosas, para:
Usar la tierra de forma óptima,
analizar los nutrientes del suelo,
desarrollar métodos de cultivo innovadores,
y, en general, para mejorar la producción de más alimentos más nutritivos en el mismo espacio
Protección del medio ambiente
Hay muchos proyectos de biodiversidad y servicios ecosistémicos que se alimentan de tecnologías Big Data. Gracias a ello, se puede, entre otras cosas:
censar las especies en peligro de extinción
censar las especies invasoras,
predecir los efectos del cambio climático
predecir los efectos de desastres naturales en la flora y fauna de cada lugar,
controlar y mitigar los efectos tóxicos de los químicos liberados a la atmósfera en distintos ecosistemas,
establecer de manera más aproximada las relaciones de dependencia entre especies en los ecosistemas
Esto es solo la punta del iceberg...
Como ya dije en el artículo anterior, el Big Data Ambiental tiene tantos usos que seguramente nos dejemos alguno en el tintero: el potencial es inmenso y las aplicaciones casi ilimitadas. Si tú también quieres ayudar a crear un futuro mejor, ¡nada más fácil! Comienza tu formación en Big Data & Analytics con el mejor máster: el de datahack. Una vez que lo hayas hecho, tendrás un sinfín de posibles proyectos de actuación para ayudar a hacer de nuestro planeta un lugar más sostenible.
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
En el artículo anterior, ya vimos que el Big Data vine de lejos, aunque todavía no existiera un término como tal. En este artículo lo retomaremos donde lo dejamos y continuaremos con este viaje a través de la historia del Big Data hasta nuestro días.
Los años 80
En 1980, I.A. Tjomsland afirmó en una charla que la primera ley de Parkinson se aplicaba a los datos: “los datos se expanden para llenar el espacio disponible”. Esto es porque las penalizaciones de almacenar datos obsoletos son menos importantes que las de eliminar datos potencialmente útiles».
En esta década comienzan a utilizarse los datos en la toma de decisiones y tras el éxito de los sistemas de MRP, se introdujo la Planificación de recursos de fabricación (MRP II). Estos eran para optimizar los procesos de fabricación sincronizando materiales con necesidades de producción. También aumentan en cantidad y sofisticación los sistemas de Planificación de recursos empresariales (ERP), popularizándose al final de la década el término Business Intelligence (BI) o Inteligencia empresarial.
En 1985, Barry Devlin y Paul Murphy definieron para IBM una arquitectura para los informes y análisis de negocio, base del almacenamiento de datos, que debe ser homogéneo. Además, se espera que los datos sean de alta calidad e históricamente completos y exactos.
Y no podíamos cerrar la década sin hablar del mayor generador de datos que se creó: la world wide web, fundada en 1989 por Tim Berners-Lee.
Los años 90
Los años 90 se estrenaron con el primer informe de Bases de Datos de Windows, que hizo más asequible el uso de la Inteligencia Empresarial. Además, en esta década se produjo un crecimiento explosivo de la Word Wide Web y de la potencia informática.
Pero no fue hasta 1997 cuando se mencionó por primera vez el término Big Data, en un artículo de Michael Cox y David Ellsworth, investigadores de la NASA. En él, afirmaron que el ritmo de crecimiento de los datos empezaba a ser un problema para los sistemas informáticos. Dos años después, Kevin Ashton acuñaba el término "Internet de las cosas" o IoT.
A partir del 2000
En 2001, Doug Laney publica las 3 V’s del Big Data de Gartner (hoy ya son hasta 5 V’s) y las siglas SaaS (software como servicio) aparecen por primera vez en un artículo.
En 2003 Google publica GFS y MapReduce, que serán las bases de Hadoop, creado con código abierto en 2006 para gestionar la explosión de datos de la web. Hadoop permite almacenar, procesar y analizar grandes cantidades de datos. A partir de entonces, entran en escena cada vez más empresas dedicadas a la gestión de datos y las tecnologías en la nube que hicieron que el Big Data cobrara cada vez más protagonismo, aunque no fue hasta 2012, cuando Obama ganó las elecciones gracias a los datos masivos, que se popularizó en los medios de comunicación.
Conclusión: esto no se acaba aquí
Por supuesto, la historia del Big Data sigue en este preciso instante. En los últimos años han surgido nuevos términos como Smart Cities o ciudades inteligentes, location intelligence… Pero creo que hemos definido los hitos más importantes en la historia del Big Data con lo que os hemos contado. Lo que queda claro al investigar para este artículo es que el avance del -Big data es imparable y que esto es solo la punta del iceberg.
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
Últimamente no paramos de oír hablar sobre Big Data en todas partes pero ¿cuál es el origen del término? En datahack somos curiosos y no hemos podido evitar investigarlo.
Qué es el Big Data
El Big Data ya lo dejé definido cuando hablamos de sus cinco v’s, pero voy a simplificar bastante para ahondar para este artículo, que al final se centra más en la historia que en la definición en sí. Así pues, simplemente diremos que se trata de procesar y analizar en un tiempo razonable una inmensa cantidad de datos, tanto estructurados como no estructurados, para optimizar la toma de decisiones.
El origen del origen
El primer gran problema con los datos masivos se dio con el Censo de los Estados Unidos del año 1880. Tardaron ocho años en tabularlo y calcularon que el de 1890 hubiera necesitado más de 10 años, así que ¡tuvieron que buscar avances en la metodología!
En ese contexto, Hollerith inventó su famosa máquina tabuladora, que permitió realizar el trabajo aproximadamente en un año. No obstante, los datos generados siguieron en aumento y hasta la máquina tabuladora se veía en problemas para procesarlo todo. Esto se conoce como la «explosión de la información», ¡y todavía estamos en los años 40 del siglo pasado!
Antes de los 60
Ante este panorama, Claude Shannon (1948) publicó la Teoría matemática de la comunicación, determinando los requisitos de datos mínimos para transmitir la información a través de canales afectados por ruido. Gracias a ese trabajo, se redujo el volumen de datos y se creó gran parte de la infraestructura actual.
Pocos años después, Fritz-Rudolf Güntsch (1956) desarrolló el concepto de memoria virtual, que trata el almacenamiento finito e infinito. De esta forma, se podían procesar los datos sin las limitaciones de memoria de hardware que provocaban la partición del problema.
En la década de los 60 surge la Ley Bibliotecaria de Aumento Exponencial (Price,1961), que indicaba que el aumento de datos se multiplicaba por dos cada 15 años y por 10 cada 50. Además, la mayoría de organizaciones empezaron a implementar sistemas de computación centralizados para automatizar los sistemas de inventario.
Otro hito lo tenemos en William C. Dersch. Creó la máquina Shoebox (1962) de reconocimiento de voz, capaz de entender 16 palabras y diez dígitos en inglés hablado. Por supuesto, no había suficiente potencia de procesamiento y los costes eran demasiado altos para que fuera realmente útil, pero fue un primer paso bastante importante para esta tecnología.
Los años 70
En 1970, Edgar F. Codd, habló por primera vez de las Bases de Datos Relacionales. Explicó una forma de acceder a la información almacenada en bases de datos de gran tamaño sin saber cómo estaba estructurada la información o dónde localizarla. Casi todas las transacciones de datos actuales se basan en ellas.
Poco después, en 1975, se realizó el Censo del Flujo de la Información de Japón, para controlar el volumen de información que circulaba por el país. Se percataron de que el suministro de información superaba al volumen de información consumida, y que la tendencia era el aumento de la demanda de comunicación bidireccional y personalizada.
En esta época, comenzaron a popularizarse los PC en las empresas y surgieron los sistemas de Planificación de necesidades de material (MRP) para ayudar a las empresas de fabricación a organizar y planificar su información.
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
Hoy en día, no solo las empresas deben ofrecer a sus clientes contenido de calidad, útil, personalizado, multidispositivo y fácilmente compartible en muchos canales. Los partidos políticos también deben hacerlo. Como ya se dijo en el artículo anterior, se tiene la dificultad añadida de tener que dirigir esos contenidos de forma personalizada a los potenciales votantes en función de sus intereses. Es decir, en vez de lanzar un único contenido global, hay que generar múltiples contenidos adaptados a infinidad de audiencias
En este contexto, el Big Data abre una oportunidad para comprender al votante objetivo y ayudar a diseñar contenido adaptado a sus intereses pero sin perder la alineación con la ideología del partido. Quizás, añadiendo un poco de automatización, permitirá un alto nivel de personalización sin requerir grandes esfuerzos. Y, si a eso se le añade una capa de análisis de sentimientos para conocer las reacciones a los mensajes a tiempo real, los partidos consiguen un gran arma comunicativa.
Por otro lado, dado que en política se tocan temas muy complejos, los propios datos y la visualización de los mismos pueden convertirse en material de apoyo para complementar su narrativa, transmitiendo los mensajes con mayor claridad, eficiencia y atractivo.
DETECTAR TENDENCIAS
Mucho se ha hablado de cómo el Big Data ayuda también a detectar y predecir tendencias. Esto facilita calendarizar los mensajes de forma en que se lancen en los momentos donde puedan calar más. Además, permite anticipar conversaciones y convertir a los partidos políticos en pioneros de las mismas, de forma que, al estar en ellas desde el principio, puedan dirigirlas hacia su propio terreno.
Estar al tanto de las tendencias implica además saber si se están centrando en los mensajes con más potencial o si deberían virar el discurso hacia otras temáticas de interés… O si, simplemente, en un mundo donde la actualidad pasa tan rápido, están quedándose atrás y tienen que tirar de artillería para cobrar protagonismo. Una artillería a la que el Big Data puede dar mucha más potencia de fuego…
También, asociando análisis de sentimientos a tendencias emergentes, podrían decidir cómo posicionarse respecto a esos temas para destacar entre el discurso predominante, por ejemplo.
ELEGIR LAS PALABRAS PARA CADA TEMA
A veces, aun sin darnos cuenta, las palabras que usamos tienen connotaciones que pueden cambiar por completo nuestro mensaje. Con el Big Data, podemos hacer escaneos rápidos que nos permitan saber qué palabras son las que más casan con nuestro mensaje. Gracias a esto, nos basamos no en su significado oficial de la RAE, sino en cómo se utilizan en la vida cotidiana y las connotaciones ocultas que tienen.
Un ejemplo de lo más ilustrativo es el que me encontré al hacer un escaneo de la temática de la inmigración en twitter. Si nos fijamos en la imagen de la izquierda, tomada de una muestra mediana de palabras asociadas a “inmigración”, vemos que por lo general tiene tintes positivos e inclusivos. La nube de palabras que tomé a la vez con la misma muestra, asociada a “inmigrantes”, por el contrario, se deriva de un discurso más negativo, en el que el emisor habla de un colectivo amenazador.
Quizás en esta temática los resultados son bastante intuitivos y en general los partidos políticos usan una palabra u otra sin necesitar hacer un escaneo. No obstante, hay muchas otras temáticas mucho más sutiles donde la elección de las palabras puede significar (o no) reforzar el convencimiento de los votantes, o que estos se sientan más cercanos. Cruzando esta información con los mensajes que están lanzando, los partidos sabrán si están acertando en la elección de palabras.
ELIGIENDO LOS MEJORES MENSAJES PARA PUBLICAR
Mapa de calor por impresiones e interacciones
Esta es una de las cosas que más fácilmente se pueden hacer con Big Data y redes sociales. Los mapas de calor nos indican el momento del día en que más visibilidad tendrá una publicación y en que más interacciones potenciales obtendrá. Es de esperar que cada temática tenga sus propias "mejores horas" para causar impacto, así que decidir cuándo lanzar cada mensaje puede ser difícil de saber sin esta técnica. Con ella, por el contrario, en función de sus propios votantes o de los públicos a los que quieran alcanzar, los partidos políticos podrán tener claro a qué hora del día es mejor lanzar una idea.
Esto no solo se aplica a las redes sociales, sino también a las mejores horas para mandar campañas publicitarias, mails masivos, sms o whatsapps masivos o, incluso, a qué horas deberían hacer puerta a puerta o ponerse a repartir propaganda en un lugar concreto. Todo lo que necesitan para hacer estas campañas de forma eficiente son datos, que probablemente ya tienen, aunque sin procesar, y un buen equipo de científicos de datos que los haga entendibles.
DANDO UNA IMAGEN DE COHERENCIA
Por supuesto, el uso del Big Data permite al partido saber si todos y cada uno de sus candidatos en las diversas sedes están siendo coherentes en el discurso político oficial, eligiendo las palabras adecuadas y el mensaje aprobado por la central. Incluso, antes de que salga un tema polémico o de fichar a algún nuevo rostro, podrían hacer un escaneo del histórico de comunicaciones. Así, si uno de sus representantes hubiera dicho alguna barbaridad que fuera contra las directrices del partido, podrían borrarla o, al menos, prepararse para minimizar el daño cuando los periodistas, que sí hacen buen uso del Big Data, tiraran de hemeroteca o hicieran su propio escaneo de las redes sociales del candidato.
CONCLUSIÓN
Big Data y Política forman un buen tándem, aunque en nuestro país de momento apenas han comenzado a tantearse mutuamente. No obstante, queda claro que los partidos que más esfuerzos pongan en el área serán los que partirán con mayores ventajas en este juego. Y que, de aquí a unos años, el panorama político estará modelado por campañas basadas en el Big Data. Será interesante verlo, ¿no os parece?
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
Como ya dijimos en el artículo anterior, el Big Data ofrece todo tipo de oportunidades para mejorar las estrategias de los partidos políticos, más allá del voto útil. Una de ellas es la microsegmentación. Con ella, se cambia la manera de hacer campañas: pasamos de macro a micropolítica. Gracias a este salto, podemos averiguar qué mensaje es el adecuado para cada votante en función de sus intereses y de nuestro objetivo (acercarnos, activarlo hacer que vaya a votar o que se convierta en nuestro prescriptor…)
CONOCIENDO A NUESTRO PROPIO PÚBLICO
Aunque llegar al conjunto de los votantes está muy bien, quizás el primer paso que debe seguir cualquier partido político es conocer a sus votantes en distintos ámbitos. ¿Hasta qué punto está su programa alineado con las opiniones de sus afiliados y seguidores en diferentes temas? ¿Pone el partido suficiente énfasis en los temas que más le preocupan a sus votantes?
Los resultados de este análisis pueden ser bastante curiosos. Por ejemplo, hice un sondeo en twitter de los dos partidos políticos “con posibilidades” que están más en los extremos: VOX y Podemos, para comparar cómo se autodefinía una muestra de 4000 de sus seguidores. Los resultados fueron de lo más interesante. La palabra más repetida en los seguidores de ambos partidos era "Mundo" y también coincidían en otras palabras como "política", "derecho" o "periodista" (lo cual era de esperar), además de varias aficiones ("música", "fútbol"…) en proporción variable.
No obstante, a un solo golpe de vista podemos ver que los seguidores de VOX están preocupados por dos temas mayoritarios (España y la familia), que se repite muchísimo la palabra Madrid y que en general son un grupo más homogéneo (hay más palabras con peso, es decir, que se repiten más veces, para la misma muestra). Mientras, los seguidores de Podemos son más heterogéneos, en general se percibe más preocupación por temas culturales y sociales y predominan los estudiantes. ¿Qué más podríamos descubrir si no nos limitarnos a una pequeña muestra de twitter? ¿Y si usáramos el Big Data para cruzar los datos de diversas fuentes sobre los votantes?
Comparativa de autodescripciones de una muestra de los seguidores de VOX y Podemos en twitter
BUSCANDO CANDIDATOS POTENCIALES
Una vez hecho este primer análisis, los partidos pueden poner el foco en encontrar a posibles votantes indecisos, microsegmentarles y lanzarles los mensajes personalizados en base a sus temas de interés. Así, aumentarán las posibilidades de convertirlos en votantes del partido. Adaptando el mensaje a cada indeciso, los impactos serán más certeros y nos aproximaremos a ellos de una manera más efectiva. Incluso podemos detectar a los que estén radicalmente en contra de nuestras ideas y buscar una forma de “suavizar” nuestro discurso en los medios donde sabemos que van a recibir los impactos, para que nos perciban, si no de forma positiva, al menos de forma menos negativa.
DETECTANDO INFLUENCERS
Con Big Data también es sencillo detectar influencers con diversos criterios: alguien al que sigue mucha gente, usuarios que tienen alta tasa de interacción y tienden a mandar post que viralizan, usuarios que están en el centro de grupos de interés o que sirven de enlace entre unos grupos y otros, usuarios más activos… Esto lo podemos cruzar también con un análisis más cualitativo, segmentándolos por temáticas, y contactar con ellos con mensajes más personalizados para intentar que nos ayuden a alcanzar nuestros objetivos cuando sepamos que están alineados con nuestro partido.
En definitiva, el Big Data permite a los partidos políticos una segmentación hiperprecisa tanto de sus afiliados como de votantes potenciales, lo que les permite generar mensajes capaces de calar persona a persona en vez de centrarse en discursos generales dirigidos a una masa. Un buen uso de las tecnologías Big Data permitirá, pues, tanto reforzar a los partidarios como acercarse a los indecisos,
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
El Big Data ofrece a la política tantas posibilidades que, a día de hoy, los partidos que no lo usan parten con una inmensa desventaja. Ya hemos visto uno de los usos del Big Data para optimizar el voto útil, pero hay muchos más usos que pueden cambiar de forma decisiva el resultado electoral.
CÓMO GANAR UNAS ELECCIONES GRACIAS AL BIG DATA
Es inevitable mencionar, cuando se habla de Big Data y política, el caso de cómo ganó Obama las elecciones. Hay mucha literatura al respecto, de modo que no me extenderé mucho: básicamente contrató a un equipo de informáticos, sociólogos, politólogos y matemáticos. Estos se dedicaron a unificar todas las bases de datos de los equipos de campaña demócratas y a sumar nuevas capas de datos conseguidos en redes sociales. Con todo esto, clasificaron a los usuarios de acuerdo con las posiciones políticas de sus amigos, encontrando millones de potenciales votantes no empadronados y customizando propuestas para sus intereses específicos. En definitiva, pasaron de un mensaje masivo (catch all) a uno personalizado (catch each).
Donald Trump no iba a quedarse atrás, al contrario: creó perfiles con todos los ciudadanos en condiciones de votar y encargó el trabajo a la controvertida Cambridge Analytica, que integraron, además de datos de redes sociales, otros de tarjetas de crédito, tiendas… Todos estos datos, correctamente analizados, les permitieron encontrar un filón en el «cinturón de óxido» y adaptar sus mensajes con miles de versiones para llegar al máximo de potenciales votantes decepcionados con el sistema.
POR QUÉ EL BIG DATA Y LA POLÍTICA SON INSEPARABLES
A través del Big Data, los partidos políticos y los gobiernos podrán conocer mejor al ciudadano, sus características, intereses, amistades, preferencias, necesidades, deseos, miedos... El Big Data permite también prever comportamientos y aprender de experiencias previas. Así, logramos un conocimiento detallado de la población y las tendencias y hábitos que seguirá. Quien accede a esa información y la procesa tiene una poderosa herramienta para influir sobre la opinión pública en tiempo real.
Esto permite también a los partidos políticos acercarse a determinados segmentos del electorado, a veces pequeños, mediante microsegmentación, aplicando estrategias a medida para ellos. De esta forma, los partidos saben qué mensaje lanzar a cada votante para que se sienta identificado con su candidato y se sienta escuchado. De esta forma, sienten un nivel de proximidad con el partido que no se consigue con mensajes masivos.
Además, una monitorización de la opinión pública a tiempo real permite a los partidos lanzar el mensaje en el momento apropiado, adelantándose a las temáticas de moda con mensajes unificados pero adaptados a cada audiencia.
CONCLUSIONES
En definitiva, el Big Data aplicado a política permite:
Predecir el comportamiento electoral de la audiencia y optimizar los esfuerzos del partido.
Segmentar de forma muy precisa a la audiencia, integrando no solo datos demográficos, sino sus gustos e intereses, motivaciones...
Adaptar los programas políticos a las necesidades de los potenciales electores.
Personalizar el mensaje para cada individuo
Monitorizar temáticas y tendencias de la opinión pública para lanzar los mensajes en momentos de máximo impacto.
Y aquí acaba el artículo de hoy, en los próximos hablaremos en más detalle hasta qué nivel de profundidad llega esa segmentación y de cómo aprovechan el Big Data para lanzar los mensajes políticos adecuados.
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
Se oye mucho hablar del "voto útil" a los partidos políticos, aunque la mayoría de los españoles no tienen mucha idea de por qué es así o en qué consiste exactamente. A lo largo de este artículo, explicaré los fundamentos del voto útil y cómo podemos usar el Big Data para que el nuestro lo sea.
QUÉ ES EL VOTO ÚTIL
Para entender esto, debemos comprender el sistema electoral español. En este, se otorga al congreso 350 escaños, distribuidos de distinta forma según la provincia en función de una serie de criterios, como la población. En definitiva, cada provincia aporta un número diferente de escaños (por ejemplo, 36 en Madrid frente a 1 en Ceuta).
Esto significa que, cuantos más escaños tenga una provincia, más posibilidades tienen los partidos minoritarios de conseguir al menos un escaño, resultando casi imposible que lo consigan en provincias que aportan pocos escaños (por ejemplo, para conseguir un escaño en Madrid necesitas un 2,77% de los votos, mientras que para conseguir escaño en Ceuta necesitas la mayoría de los votos porque, al solo disputarse un escaño, este lo obtendrá el partido más votado).
Cuando el voto no resulta útil en una provincia, los partidos suelen recomendar a sus seguidores que no "tiren a la basura" su voto y que lo "cedan" al partido con más afinidad política que sí que pueda tener opciones de mandar a su escaño.
USANDO EL BIG DATA PARA DETERMINAR SI MI VOTO ES ÚTIL
Determinar si mi voto es útil según en qué provincia vivo es tan sencillo como hacer unas pocas líneas de código con ciertas reglas matemáticas basándonos en un dataset de intención de voto y los escaños que puede aportar cada provincia. En el caso que voy a poner a continuación, me he basado en el dataset provisional de estimación de voto del mes pasado que publica el CIS, agrupado por Comunidades Autónomas, y he usado el lenguaje de programación R.
Por supuesto, aunque como ejemplo es de lo más ilustrativo, tal y como está ahora resulta demasiado genérico: por provincias sería más preciso y, además, una única encuesta en un panorama político de cambios constantes como el actual no resulta del todo relevante. Es ahí donde entra el Big Data (y ya no estamos hablando de unas pocas líneas de código), que nos permitiría analizar varios datasets de encuestas de intención de voto (juntos y por separado) casi en tiempo real, hacer previsiones en función de diversos criterios... Todo esto permite a los partidos políticos optimizar sus recursos y esfuerzos en las localizaciones donde tienen más opciones de tener una representación, y dirigir a sus electores en las localizaciones donde no los tiene.
Y es uno de los (muchos) usos del Big Data aplicado a la política. ¿Quieres conocer más? Pues atento al blog de datahack, porque te vamos a mostrar unos cuantos.
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
Tener una buena estrategia de precios es necesario para conseguir maximizar los ingresos y hacer más rentable nuestro negocio. Como ya se dijo en el artículo Big Data y las 4 P's del marketing, usando diversas técnicas de Big Data podemos tomar decisiones más efectivas con respecto a nuestra política de precios, llegando incluso a poder fijar uno diferente para cada consumidor. El Big Data y Estrategia de Precios es la combinación perfecta para optimizar tu estrategia de precios.
PREDICCIÓN DE VARIACIONES DE PRECIO, DEMANDA Y GASTO
Usando modelados predictivos que determinen las futuras variaciones de precios y de los umbrales de nuestros consumidores, podremos maximizar las ventas y decidir cuáles son los precios óptimos y cuándo es el mejor momento para realizar un descuento. El Big Data y Estrategia de Precios se muestran como el perfecto aliado.
También podremos hacer una estimación de posibles niveles de demanda como proyección para los próximos meses más allá de las clásicas y obvias, como el aumento de reservas de hoteles en periodos vacacionales. Usando el Big Data, podemos detectar factores atípicos que influyen en nuestras ventas y añadir esas variables mucho más sutiles en el análisis. Por ejemplo, podemos asociar la predicción del tiempo que hará en dos semanas a las estimaciones de demanda de actividades de ocio o los posibles resultados del fútbol a la demanda de comida a domicilio. Una vez tengamos esas estimaciones de demanda, ajustaremos el precio en función de lo necesario que será darle un empujón a las ventas.
AJUSTE DE PRECIOS AUTOMÁTICO EN FUNCIÓN DE LA COMPETENCIA
Para una empresa que ofrece múltiples productos con gran variabilidad de precios, y que busca diferenciarse de la competencia precisamente por precio, algo tan sencillo como una herramienta de webscrapping combinado con un buen análisis de datos y una serie de reglas automáticas puede ayudarnos a fijar el mejor a cada momento sin tener que estar constantemente pendientes de cada movimiento de nuestros competidores. Big Data y Estrategia de Precios puede ayudarte a definir las estructuras de variabilidad de precios
PRECIOS POR CANAL
Con el Big Data podemos clasificar cada canal de demanda en función de su ganancia neta, además de la segmentación de los clientes que nos traen y su verdadero valor. Podemos realizar así una comparativa entre los canales que nos permita precisar qué precio es el óptimo para cada uno. Por ejemplo, si vendemos un producto y sabemos que los clientes de una plataforma están dispuestos a pagar más por el mismo ítem que los de otra plataforma, podemos poner precios diferentes en cada una.
También podemos descubrir qué días de la semana nos llegan más clientes en cada uno de los sitios donde tenemos nuestra oferta. Esto es importante, por ejemplo, cuando dichos canales cobran grandes comisiones. Jugando con el Big Data y los precios, los días en los que la demanda supera nuestra oferta (por ejemplo: los restaurantes durante las Navidades), podemos restringir las ventas o subir mucho los precios en los canales que nos dan menos beneficios para redirigir al consumidor a canales más directos (precios más caros o reservas limitadas en plataformas de comida a domicilio ajenas frente a las plataformas propias).
PRECIO POR CLIENTE
El Big Data nos permite analizar el verdadero valor de cada cliente. Es decir, no solo lo que se gasta, sino si después recomienda o no, o si son clientes exigentes que ponen pegas a todo y generan costes adicionales, o si son clientes que tienden a cancelar sus reservas en el último momento, por poner varios ejemplos. Así, si tras el análisis detectamos que los clientes que vienen de una plataforma de alto coste (y por tanto menos beneficio) tienden a influir y a recomendar nuestro servicio, consiguiéndonos orgánicamente más clientes, podemos potenciar esa plataforma frente a las otras aunque un análisis económico más tradicional nos incite a lo contrario.
También podemos fijarnos en el comportamiento del cliente y hacer predicciones sobre su futuro comportamiento de compra. De este modo, si visita varias veces la ficha de un producto sin decidirse a comprarlo pero por su histórico de compra sabemos que suele reaccionar positivamente a las ofertas, podemos hacerle una personalizada de forma automática. También podemos basarnos en ese historial para saber qué umbrales de precios tiene, ajustándolo a los mismos. Pero cuidado, eso último puede ser un arma de doble filo en caso de que elijamos cobrarle más que al cliente medio, porque si borra cookies o accede desde otra cuenta puede darse cuenta de que le estamos inflando los precios y sentirse estafado.
PRECIO DIFERENTE POR "CESTA DE LA COMPRA"
Un buen análisis puede decirnos qué productos son frecuentemente comprados juntos, lo que podría permitirnos definir los precios de los productos “acompañantes” a tiempo real en función de lo que haya ya en el carrito. Big Data y Estrategia de Precios puede ayudarte a definir la estructura correcta y segmentar por diferente tipo de clientes
UN SINFÍN DE POSIBILIDADES
Aunque los usos antes mencionados son los más comunes, en función de los datos de los que dispongamos podremos hacer un sinfín de cosas para definir la mejor estrategia de precios gracias al Big Data. A veces, los límites están en hasta dónde llega nuestra creatividad a la hora de explotar esos datos. Lo que está claro es que ayudarnos de herramientas de Big Data para definir nuestros precios maximizará el beneficio.
Consulta con nuestro equipo especializado en desarrollos técnicos de consultoría en Big Data.
El interés por el Big Data & Analytics sigue creciendo
Sevilla se volcó por el evento y cientos de personas quisieron acompañarnos esa tarde. Si un teatro lleno, un trending topic a nivel nacional y una cola digna de un gran espectáculo de rock no demuestran que el Big Data & Analytics es un tema candente, ¿qué lo hará?
El Big Data puede salvar vidas
Las intervenciones de Juan Manuel Cotelo y Carlos Luis Parra Calderón nos abrieron los ojos al uso del Big Data en un campo tan sensible como es la medicina. Todavía queda mucho por hacer tanto a la hora de organizar los datos como a la de conseguir resultados precisos en los que los médicos puedan basarse sin reticencias... Pero es innegable el potencial de estas tecnologías para ayudar a realizar diagnósticos más precisos, salvar vidas y a mejorar la salud de las personas.
Además, gracias a usos más específicos y avanzados como nuestro proyecto DIA4RA, con el objetivo de dotar a un robot de inteligencia para asistir a pacientes con Alzheimer, mostrando algunos de los modelos entrenados hasta el momento Javier Moralo y Rubén Martínez, se conseguirá mejorar la calidad de vida de muchas personas.
El Big Data ayuda a prevenir el crimen
Javier Tejedor nos contó que Endesa utiliza el Big Data para prevenir fraudes. Y gran parte de esos fraudes son ¡cultivos de marihuana ilegales! Uno no puede sino preguntarse qué más puede hacer el Big Data no solo para prevenir el fraude, sino también otros muchos tipos de crímenes, ¿no os parece?
El Big Data puede mejorar las vidas de los ciudadanos
Ya sea optimizando los recursos públicos, ayudando a mejorar sus procesos a agricultores y pequeños empresarios, ahorrando costes o generando nuevas oportunidades de negocio, el Big Data mejorará las vidas de los ciudadanos. Y tanto el Sector Público como las empresas deberían adoptar estas tecnologías cuanto antes si no quieren quedarse atrás.
A la Inteligencia Artificial todavía le queda un largo recorrido...
En datahack, que estamos en la punta de la ola, lo sabemos mejor que nadie. Y Rubén Martínez nos lo transmitió muy bien durante su charla, en la que nos habló de las últimas tendencias, que implican a las Neurociencias a la hora de sacar el máximo partido a la tecnología deep learning...
Para trabajar en Big Data hay que tener una gran formación
Big Data, inteligencia artificial, machine learning y deep learning implican un tratamiento de datos eficaz en diferentes procesos que requieren del uso avanzado de un stack tecnológico inmenso. Para estos revolucionarios cambios se necesitan profesionales de Big Data & Analytics y, a día de hoy, hay una carencia alarmante de ellos. No te lo pienses más y fórmate en esta profesión de futuro con el máster de Big Data Analytics de datahack.
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
Cuando no sabes mucho sobre el mundillo del Big Data & Analytics, puede amedrentar un poco leer cualquier cosa sobre el tema, aunque solo sea por las palabras que se utilizan. Aquí tienes una guía rápida de las más utilizadas y su significado.
Big Data:
Término que hace referencia a la gran cantidad de datos variados y no siempre estructurados que se generan con cada vez más rapidez y que pueden generar valor a nuestra empresa. Para recopilar, limpiar, procesar, analizar y visualizar todos esos datos necesitamos conocer y manejar un largo conjunto de herramientas. Aprende a hacerlo con nuestro master experto Big Data Analytics.
¿Quieres saber más sobre la definición de Big Data? Te recomiendo que te pases por el artículo “Las cinco v’s del Big Data”.
Inteligencia de Negocio (Business Intelligence o BI):
Uso de aplicaciones e infraestructuras de Big Data para acceder y analizar la información de forma que podamos tomar mejores y más óptimas decisiones que aumenten nuestro rendimiento.
Internet de las cosas (IoT):
Se refiere a los objetos cotidianos que están conectados permanente entre si y a repositorios de datos que almacenan la información que recogen de su entorno.
Es el área de la computación que tiene por objeto la creación de máquinas inteligentes que se comporten y reaccionen de forma similar a los humanos.
Algoritmo
Especificación matemática categórica que resuelve un problema complejo en base a un conjunto de datos inicial. Consiste en múltiples pasos que aplican en orden una serie de operaciones.
Machine Learning:
Es un campo dentro de la Inteligencia Artificial que tiene por objetivo que las máquinas aprendan a resolver una determinada tarea partir de la experiencia, es decir, los datos. De este modo se facilita que una máquina llegue a la solución de un problema sin que un humano tenga que programar explicitamente qué pasos tiene que seguir para ello.
¿Quieres saber más sobre la definición de Machine Learning? Te recomiendo que te pases por el artículo “Machine Learning. Una introducción”
Deep Learning:
Es a su vez una disciplina del Machine Learning que se caracteriza no solo por ser capaz de aprender a solucionar una determinada tarea a partir de los datos, sino porque además aprende a representar los datos de para llegar a esa solución. En contraste con el Machine Learning más elemental, que requiere de que los datos estén muy bien estructurados para funcionar correctamente. Esta característica permite al Deep Learning atacar a problemas hasta ahora impensables de solucionar para una máquina (visión artificial, reconocimiento de voz...)
Datalake:
Repositorio de gran cantidad de datos, generalmente en bruto y sin estructurar.
Datawarehouse:
Repositorio de gran cantidad de datos, ordenados, limpiados e integrados que están listos para su análisis.
Minería de datos (data mining):
Búsqueda de patrones en grandes sets de datos para refinarlos, clasificarlos, hacerlos comprensibles y poderlos explotar.
Computación en la nube (Cloud Computing)
A diferencia de la computación tradicional on premise (es decir, con las máquinas y demás aparatos físicos cableados y montados in situ), el Cloud computing ofrece al usuario la posibilidad de usar recursos de computación desentendiéndose de mantenimiento hardware y pagando por lo que usa. Los distintos proveedores de Cloud disponen además de un amplio ecosistema para facilitar al usuario la gestión y configuración de la infraestructura deseada en el Cloud.
Gracias al Master en Big Data Analytics 100% Online tendrás amplios conocimientos sobre las herramientas y técnicas analíticas necesarias para la modelización de los principales retos de negocio, con el fin de mejorar la toma de decisiones a través de los datos y el conocimiento.
Resumen de privacidad
Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.
Cookies estrictamente necesarias
Propiedad
Cookie
Finalidad
Plazo
datahack.es
_btrid
Cookie necesaria para la utilización de las opciones y servicios del sitio web
en un año
datahack.es
_gat_UA-32658908
-1
Cookie necesaria para la utilización de las opciones y servicios del sitio web
Sesión
google.com
__Secure-1PAPISI
D
Cookie necesaria para la utilización de las opciones y servicios del sitio web
en 2 años
google.com
__Secure-1PSID
Cookie necesaria para la utilización de las opciones y servicios del sitio web
en 2 años
google.com
__Secure-3PSIDC
C
Cookie necesaria para la utilización de las opciones y servicios del sitio web
en un año
Si desactivas esta cookie no podremos guardar tus preferencias. Esto significa que cada vez que visites esta web tendrás que activar o desactivar las cookies de nuevo.
Cookies de terceros
Propiedad
Cookie
Finalidad
Plazo
datahack.es
_ga
ID utiliza para identificar a los usuarios
en 2 años
datahack.es
_gid
ID utiliza para identificar a los usuarios durante 24 horas después de la última actividad
en 20 horas
google.com
__Secure-3PAPISI
D
Estas cookies se utilizan para entregar anuncios más relevantes para usted y sus intereses.
en 2 años
google.com
__Secure-3PSID
Estas cookies se utilizan para entregar anuncios más relevantes para usted y sus intereses.
en 2 años
Publicitarias
Propiedad
Cookie
Finalidad
Plazo
datahack.es
_fbp
Utilizado por Facebook para ofrecer una serie de productos tales como publicidad, ofertas en tiempo real de anunciantes terceros
en 3 meses
datahack.es
_gcl_au
Utilizado por Google AdSense para experimentar con la publicidad a través de la eficiencia de sitios web que utilizan sus servicios.
en 3 meses
google.com
APISID
Descargar ciertas herramientas de Google y guardar ciertas preferencias, por ejemplo, el número de resultados de la búsqueda por hoja o la activación del filtro SafeSearch. Ajusta los anuncios que aparecen en la búsqueda de Google.
en 2 años
google.com
HSID
Descargar ciertas herramientas de Google y guardar ciertas preferencias, por ejemplo, el número de resultados de la búsqueda por hoja o la activación del filtro SafeSearch. Ajusta los anuncios que aparecen en la búsqueda de Google.
en 2 años
google.com
SAPISID
Descargar ciertas herramientas de Google y guardar ciertas preferencias, por ejemplo, el número de resultados de la búsqueda por hoja o la activación del filtro SafeSearch. Ajusta los anuncios que aparecen en la búsqueda de Google.
en 2 años
google.com
SID
Descargar ciertas herramientas de Google y guardar ciertas preferencias, por ejemplo, el número de resultados de la búsqueda por hoja o la activación del filtro SafeSearch. Ajusta los anuncios que aparecen en la búsqueda de Google.
en 2 años
google.com
SIDCC
Descargar ciertas herramientas de Google y guardar ciertas preferencias, por ejemplo, el número de resultados de la búsqueda por hoja o la activación del filtro SafeSearch. Ajusta los anuncios que aparecen en la búsqueda de Google.
en un año
google.com
SSID
Descarga ciertas herramientas de Google y guarda ciertas preferencias, por ejemplo, el número de resultados de búsqueda por página o la activación del filtro SafeSearch.
Ajusta los anuncios que aparecen en la Búsqueda de Google.
en 2 años
¡Por favor, activa primero las cookies estrictamente necesarias para que podamos guardar tus preferencias!
Cookies adicionales
Los servicios de terceros son ajenos al control del editor. Los proveedores pueden modificar en todo momento sus condiciones de servicio, finalidad y utilización de las cookies, etc.
