Data Analytics en Contabilidad y Finanzas | Benefizia

Para las empresas de cualquier tamaño o sector, el problema no es encontrar nuevas fuentes de datos, sino más bien poder gestionar mejor la creciente cantidad disponible para poder obtener una ventaja competitiva. De hecho, en la ero de la IoT y del Cloud, las empresas tienen acceso a una cantidad cada vez mayor de información digital, proveniente de las fuentes más dispares, que debe gestionarse e interpretarse para transformarse en un valor real para la empresa.

Esta es la razón por la que ninguna empresa puede hoy eximirse de implementar una estrategia de Data Governance, y adoptar metodologías y herramientas para mejorar lo que se considera el activo más importante en la era basada en datos: los datos.

¿Qué es Data Governance?

De acuerdo con la definición de Data Governance Institute (DGI), se puede definir como “el ejercicio del proceso de toma de decisiones y la responsabilidad de todo lo relacionado con los datos de la compañía”, que contempla la convergencia de diversas acciones como Data Quality (calidad de los datos), Data Management (gestión de los datos), Data Policies (políticas de datos), Business Process Management (gestión de procesos de negocio) y Risk Management (gestión de riesgos). Sin embargo, debe decirse que, a pesar del hecho de que hemos estado hablando sobre Data Governance durante muchos años, los resultados no siempre pueden definirse como óptimos: solo pesemos que, en un sector bancario crucial, muy a menudo, las instituciones de crédito no pueden volver a la identidad única del cliente. dato que cada relación diferente (hipotecas, préstamos, tarjetas de crédito) puede haber sido gestionada con un código de identificación diferente, es difícil tener esa visión general del cliente, que es esencial para maximizar la efectividad de las estrategias corporativas.

Big Data: el impacto sobre Data Governance

La imagen se complica aún más por la heterogeneidad de las fuentes (que a menudo devuelven datos en bruto y no estructurados), así como por la velocidad con la que se crean los datos, lo que hace que sea bastante difícil configurar una gestión tradicional de Data Governance, es decir, fundamentada en las bases de datos clásicas, que a su vez tienden a funcionar mejor cuando las relaciones entre fenómenos / actividades son claras y evidentes.

En este escenario, comenzamos a hablar de Big Data, es decir, soluciones y herramientas capaces de “digerir” datos complejos y no estructurados, y devolverlos como elementos útiles para Data Governance y para el negocio. Porque es justo desde el control total de los datos de la empresa que ahora pasa cualquier estrategia de negocio en la empresa. El Big Data, no por casualidad, es algo que, según IDC, ya mueve (con datos de 2018) una facturación global de 166.000 millones de dólares, destinada a convertirse en 260.000 millones en 2022.

Big Data: los objetivos de las empresas

Estas cifras pueden sorprender, pero el punto es que Big Data no es solo una tendencia temporal, sino más bien una necesidad de gestión para empresas de todos los sectores y tamaños; tanto, que se ha convertido en un arma clave para la competitividad, el crecimiento de la empresa y la innovación.

A partir del Big Data, podemos comprender las reacciones de los mercados y la percepción que estos tienen en las marcas, podemos identificar los factores clave que empujan a las personas a comprar un determinado servicio o un producto específico, podemos segmentar la población para personalizar todo lo posible las estrategias de acción. No solo eso: Big Data nos permite habilitar nuevos experimentos gracias a la disponibilidad de datos no publicados y ganar en previsibilidad, gracias a un historial de información tan oportuno que permite simulaciones más que posibles, lo que en última instancia permite nuevos modelos de negocio. Entre las empresas que ya han puesto en marcha iniciativas en el campo de Big Data Analytics, los objetivos establecidos fueron sobre todo la mejora del compromiso con el cliente, el aumento de las ventas, la reducción del time-to-market, la expansión de la oferta de nuevos productos y servicios, y la optimización de la oferta actual para aumentar los márgenes, la reducción de costes y la búsqueda de nuevos mercados.

Big Data Analytics: cuándo sirve y por qué

Hay muchos casos de uso en los que el papel de los datos es crucial.

Pensemos en el mundo de los medios y el entretenimiento: fenómenos como Netflix y Spotify han basado su éxito en el análisis de los datos de sus clientes y en un potente motor de recomendaciones, que permite no solo ofrecer contenido personalizado a cada usuario sobre la base de su perfil y sus opciones, sino también dirigir acciones focalizadas, para reducir las tasas de abandono tanto como sea posible, basado en un constante análisis de sentimiento.

En el campo farmacéutico clínico, si la recopilación de datos genómicos sobre la población es una contribución importante al desarrollo de nuevos fármacos y terapias, el aprendizaje automático aplicado a las imágenes de diagnóstico ayuda a una ejecución más precisa de las imágenes de diagnóstico, mientras que la proliferación de los dispositivos portátiles están colocando los primeros ladrillos de un enfoque cuidado, cada vez más personalizado e “individual”.

En el sector del petróleo y gas, por otro lado, la combinación de las tecnoogías IoT y Data Analytics permite optimizar todo el viaje desde la producción hasta la gestión de la cadena de suministro.

Sin olvidar que en un momento en que el tema de la seguridad es fundamental para todas las empresas y organizaciones, las actividades de identificación de riesgos, prevención y detección de fraudes, el reporting de cumplimiento encuentra su base tecnológica en el análisis de datos.

Datos: lo que quieren las empresas

Por lo tanto, está claro que las empresas necesitan cada vez más permitir que sus empleados y colaboradores utilicen los datos y aún más los conocimientos que vienen con ellos para tomar decisiones basadas en información.

Existe la necesidad de crear una cultura generalizada de datos, una Data Governance que ya no se refiera solo a ciertos departamentos, sino que debe extenderse dentro y fuera del perímetro de la empresa.

Por lo tanto, dentro del departamento de marketing, el uso de dato se hace para dar soporte al reconocimiento y el perfil de los usuarios, y permite trabajar en la recomendación y reducir las tasas de deserción. En el área de ventas, ayuda a medir la efectividad de las acciones y es una herramienta indispensable en el desarrollo de estrategia dinámicas de precios.

En el área de postventa siempre hay datos, en este caso combinados con herramientas de aprendizaje automático e inteligencia artificial, la base del desarrollo de chatbot y asistentes virtuales, mientras que, en operaciones, el tema del mantenimiento predictivo no encontraría ninguna declinación concreta en ausencia de datos históricos y datos puntuales de línea de producción.

Y, sin embargo, el área de finanzas se basa en datos para todas las actividades de análisis de riesgos y pronósticos, mientras que Recursos Humanos logra tener una visibilidad completa de lo que sucede en la empresa y encuentra el soporte completo en todas las actividades de planificación de recursos.

Para lograr esto, en primer lugar, necesitamos estandarizar y modernizar los sistemas de datos y Business Intelligence, adoptando soluciones para agregar y mostrar datos e identificar tendencias. Esto significa dejar atrás sistemas heredados e implementar nuevos niveles de automatización que van más allá de los límites comprensibles de las capacidades humanas.

Un viaje hacia un modelo data-driven, o impulsado por datos

Hay pocas empresas que puede decirse que están basadas en datos de forma nativa. En la mayoría de los casos, se convierten en data-driven. Y no lo haces de la noche a la mañana, sobre todo sin una metodología.

Hay un camino que comienza a partir de los datos y llega a las decisiones inteligentes, al final de una inversión en datos, que Gartner ha resumido en cuatro fases.

La primera fase, definida como reactiva, es aquella en la que se analiza un evento, utilizando, por ejemplo, informes, para luego preguntar el motivo del evento en sí, en este caso mediante cuadros de indicadores interactivos.

La historización de estos datos ayuda a entrar en el dominio predictivo, es decir, lleva a preguntar qué sucederá y a traducir la respuesta en modelos predictivos.

Pero si el modelo predictivo funciona, entonces entramos en una fase posterior: ¿qué se puede hacer para que ocurra un evento determinado o para evitar que suceda? Aquí es donde entran en juego los mecanismos de recomendación y los automatismos, que se pueden aplicar sobre la base de lo que se define mediante los algoritmos del Machine Learning (aprendizaje automático) o de inteligencia artificial. Cuando esto sucede, realmente podemos hablar de decisiones inteligentes.

Big Data: el rol del Machine Learning o aprendizaje automático

Es evidente que el análisis de cantidades creciente de datos no estructurados requiere herramientas no convencionales y, en la medida de lo posible, automatizadas para encontrar correlaciones útiles para el negocio de la empresa. El software de Machine Learning (o aprendizaje automático), con su capacidad de autoaprendizaje, puede profundizar en los datos en bruto para buscar cualquier posible correlación, con una velocidad y precisión imposibles para el ojo humano.

Por ejemplo, un uso correcto del Machine Learning, o aprendizaje automático, puede desempeñar un rol clave en la logística, permitiendo a las empresas no tomar decisiones que sean excesivamente estáticas (sobre la base de lo que se registró en el pasado) o, en cualquier caso, con información fragmentada y no homogénea. Este software puede ayudar a las empresas a gestionar mejor el inventario y los almacenes, con importantes beneficios desde el punto de vista de los costes.

Una infraestructura para Data Governance

Por supuesto, para poder recurrir a nuevos modelos basados en datos, también necesitamos la infraestructura adecuada.

Existe un vínculo cada vez más estrecho entre Analytics y Cloud, y en particular las infraestructuras de Cloud híbrida, las únicas capaces de garantizar el nivel necesario de flexibilidad y escalabilidad, sin fallar los requisitos de seguridad y privacidad impuestos por las regulaciones actuales (GDPR primero) y las políticas de la compañía.

Junto a Cloud híbrida, el tema de Edge Computing está creciendo, una arquitectura con recursos distribuidos que asiste a los recursos centralizados de Cloud, acercando el procesamiento y análisis específicos al lugar donde realmente se recopila la información (por ejemplo, los sensores IoT). De esta manera, es posible aumentar la eficiencia de las actividades de recopilación y análisis, evitando el movimiento de grandes cantidades de datos entre la periferia y los sistemas locales o en Cloud, lo que, entre otras cosas, requiere la disponibilidad de una cantidad considerable de ancho de banda.