¿Por qué Big data no equivale a Big results?
En el ámbito en el que nos movemos de las nuevas tecnologías, es fácil ver como van llegando campañas de marketing para vendernos, con otras siglas, algo que siempre se ha hecho o un nuevo artilugio para hacer que nuestro negocio por fin se catapulte y acabe cotizando en el NASDAQ…
Esto hace que muchas veces suframos el efecto “hay que tener o estar”. Hay que tener una web, hay que tener una app, hay que tener una web mobile, hay que estar en las redes…
En mi caso el último “hay que tener” lo he vivido con el Apple Watch, pero no nos desviemos y sigamos pensando en empresa, quizás el más reciente es el “hay que tener” un Big data. Como el resto de los citados “imprescindibles” medios para triunfar, los resultados no llegan de forma inmediata en la mayoría de los casos.
¿En qué hemos fallado?
Big data es más bien Big rubbish…
La moda del Big data, en la mayoría de los casos, está mal entendida o no tiene ninguna viabilidad. Es decir, ya tenemos los medios tecnológicos que nos permitirán medir, pero para llegar a nuestro objetivo debemos trazar nuestra estrategia, que dictará qué debemos medir, con qué y para qué.
En lugar de hacer esta reflexión, las empresas se apresuran a construir su big data (inducidas también por empresas que quieren vender el proyecto apresuradamente) llenándolos de cualquier información que se genere en la empresa y pensando que en el futuro ya se verá su utilidad. Este “por si acaso” sólo consigue crear un gran cubo de la basura informacional, sin ningún propósito aparente en el corto plazo.
Podemos ilustrar este hecho como Eric Kessels, el autor de la obra “24 horas en fotos” mostrada en la exposición Big Bang Data. Kessels imprimió la totalidad de fotos subidas a Flicker en 1 día para plasmar que quería decir Big Data. Efectivamente, nos hace reflexionar del tamaño colosal de datos que se pueden ir recolectando pero ¿para qué?
La clave es ese para qué, ya que se debe traducir en acciones que reporten beneficios al usuario y a la empresa, desde el minuto cero.
No se trata de aglutinar, sino de actuar en consecuencia
Medir por medir sólo sirve para perder el tiempo, de la misma manera que aglutinar datos para no hacer nada con ellos.
Podemos ilustrar la anterior afirmación con un ejemplo muy claro: a la hora de hacer predicciones estadísticas es mucho más fiable una pequeña muestra representativa de toda una población, que millones de datos de sólo un colectivo.
Esto mismo sucedió en las elecciones presidenciales de los Estados Unidos de América en 1936:
En esta campaña electoral se realizó la primera encuesta electoral masiva de George Gallup, quien con una muestra de 5,000 individuos interrogados por todo el país predijo que el vencedor de las elecciones sería Roosevelt. En paralelo la revista The Literary Digest lanzó una encuesta pidiendo a sus suscriptores enviar cupones anónimos indicando su candidato preferido en las elecciones, recibiendo dos millones de respuestas y dando como vencedor a Alf Landon.
Esto causó que Gallup anunciara el fracaso de la encuesta de The Literary Digest explicando que dicha publicación tenía entre sus suscriptores a simpatizantes del Partido Republicano en cantidad muy superior a simpatizantes demócratas. Gallup señaló también que la entrega de cupones de The Literary Digest era estrictamente voluntaria, y por tanto las respuestas serían principalmente de lectores muy interesados en la campaña electoral, pero que éstos no representaban obligatoriamente a la mayoría de electores, y que la minoría de votantes republicanos de Landon tomaban la campaña mucho más en serio que la mayoría favorable a Roosevelt.
Tras este acierto basado en métodos modernos de estadística aplicada a un grupo pequeño de individuos, creció la fama de George Gallup y sus encuestas de opinión, convirtiéndose uno de los padres de la medición de audiencias moderna.
Big data + Big sense, sí es igual a Big results
No hay duda que cada vez más los productos se diferencian menos entre sí (se producen en el mismo sitio), por tanto, para lograr la diferenciación la explotación de la información en favor de la empresa y de sus usuarios será clave.
Aquí es donde entra el escena el “Big sense”, ya que será el que dotará de lógica al proceso de recolección y procesamiento de la información para obtener valor.
Las empresas que quieran perdurar se convertirán en refinerías de la información, dado que verán sus datos como una materia prima más a explotar, pero no sólo para acumularla sino para transformarla en un producto de mayor calidad y cada vez en un menor tiempo.
Para finalizar ponemos como ejemplo un caso de Big data con Big sense que no es otro que Google maps, que recoge datos de mapas, las imágenes que recogen sus coches por todo el mundo y la información en tiempo real de móviles dentro de coches, para ofrecernos cuál es la mejor ruta entre dos puntos en función de todo ello y evitando atascos. Imprescindible.