¿Dónde está Avinash cuando se le necesita?

25 Feb 2020 | Big Data

En los libros podemos refugiar nuestros sueños para que no se mueran de frío

El Big Data Analytics ya no es una promesa y sin duda esto está provocando cambios profundos en el ecosistema empresarial. O eso parece. Si analizamos cómo las empresas hacen uso de su Big Data, podríamos ver que existen dos tipos: el de las grandes compañías como Google, Facebook, Amazon, etc; y el del mundo real. Ante esto, ¿cómo pueden las empresas del mundo real sacar el máximo partido a sus datos? De aquí es donde parte la premisa del libro he escrito junto a Eduardo Sánchez, al cual hemos titulado “Big Data como activo de negocio”, de ediciones Anaya Multimedia.

A la hora de sacar provecho del Big Data, hay muchas empresas que invierten una gran cantidad de recursos únicamente en tecnología. Sin duda, es un paso muy importante y permite almacenar y tratar sus datos de forma sencilla y barata. Pero el problema es que si sólo nos centramos en la tecnología, el dato sigue siendo un pasivo. Por esto, la intención de este libro es ayudar al lector a recopilar una serie de mejores prácticas basadas en nuestra experiencia en El Arte de Medir, dentro de un marco donde indicarle hacia dónde tiene que dirigirse para conseguir sus objetivos. En otras palabras, poner un poco de orden en todo lo que conlleva el Big Data y ayudar a la gente a que sea capaz de aprovechar los datos de su compañía para sacar rendimiento de cara al negocio.

Comienza la partida

A la hora de plantear este libro, una de las primeras dificultades a las que nos enfrentamos fue decidir el hilo conductor que podría unir la tecnología y el negocio con el analista, el data scientist, el ingeniero de datos, etc…, Y la mejor alegoría la encontramos en el ajedrez. Este juego de estrategia aúna el arte y el cálculo y además recuerda que el mundo está lleno de posibilidades infinitas. Lo mismo pasa con en el Big Data, donde hay que decidir cuales son las posibilidades que nos ayudan a conseguir los objetivos de negocio.

¿Y cómo empieza la partida? Se puede pensar que la grandeza del Big Data Analytics proviene de su capacidad de explicar y predecir lo que debemos hacer para evolucionar en el negocio. Y los aspectos más complejos tienen que ver con el lenguaje matemático que no muchas personas manejan en su día a día. Pero para que el dato pase de ser un pasivo a un activo de negocio, es necesario involucrar a todas las personas de la organización. Esto incluye a las que no hablen este idioma. ¿Cómo? Traduciendo todos los análisis al lenguaje del negocio. Está claro que para realizar una buena partida, es importante que las piezas del tablero, en nuestro caso las personas de negocio, entiendan la capa tecnológica, y sobre todo los tipos de almacenamiento existentes a nivel de estructural. Así es como personas y tecnología tienen que ir de la mano.

Estrategia: Método MAMBO

El siguiente paso es hablar de la estrategia que se va a aplicar en toda la partida, y que es con la que trabajamos en El Arte de Medir: la metodología MAMBO. Esta metodología es la que, para nosotros, reúne todos los pasos para entender cómo nuestros datos nos pueden ayudar en la toma de decisiones de negocio. Pero, ¿en qué consiste cada uno de los pasos?

Meditar y entender el negocio: Es importante hacer un buen desembarco y conocer todo lo que rodea al negocio y entenderlo. Sin este paso, es imposible hacer del dato un activo del negocio.
Adquirir los datos: Se tiene que realizar un mapeo de los sistemas de datos que tiene la compañía a su alcance para identificar los datos que hay que extraer que nos ayuden a responder las preguntas de negocio.
Manejar los datos: ¿Cómo podemos transformar los datos en conocimiento? Validando la calidad del dato. Tras esta validación, el siguiente paso es empezar a entender la información para la realización de los análisis adecuados.
Buscar en los datos: Tenemos los datos, tenemos las preguntas claras, conocemos el negocio. Ahora toca ver qué es lo que ocurre, es decir, analizar. Existen diferentes tipos de análisis: de diagnóstico, descriptivos, predictivos, prescriptivos, etc…, pero también es importante conocer algunas técnicas que faciliten estos análisis.
Ordenar y visualizar: La transmisión de los datos suele ser el más olvidado, pero es imprescindible. Por ello, dentro de este punto contamos con una metodología propia la cual ayuda a trasladar todo el conocimiento a un impacto real en el negocio: SEVEN. Si un análisis no cambia la forma de actuar, no ha cumplido su cometido. Y sobre todo con proyectos con muchos datos, por lo que es importante buscar la información que la gente de negocio necesita para hacer su trabajo diario. El análisis y su visualización es el producto del analista. Si no sabe cómo comunicar, el trabajo no sirve para nada.

Jaque Mate: El futuro que nos viene

El libro finaliza con una vista puesta a las nuevas fuentes de datos y métodos que empiezan a surgir y que, sin duda, marcarán el futuro de la analítica digital:

Internet of Things es una parte fundamental del Big Data ya que las empresas que trabajan con grandes cantidades de datos, pueden manejarlos con las herramientas de IoT. Se pueden hacer grandes cosas, por lo que esta es sin duda la gran asignatura pendiente dentro del análisis.
Blockchain Analytics aplicado como método de medición puede ser un gran avance, sobre todo en lo que respecta a la confianza en el dato.
Streaming de datos, es decir, todos los entornos que permiten flujos constantes de datos.

Sin lugar a dudas, gracias a los datos podemos entender mejor el por qué suceden las cosas. Además, por medio de las tecnologías podemos:

Construir modelos de datos que tomen más factores que influyan en el modelo de datos.
Producir pronósticos de mayor calidad.
Producir algoritmos infalibles para visualizaciones espectaculares.

En definitiva, lo que buscamos con este libro es hacer ver qué se puede implementar una buena cultura de datos en la organización desde el principio hasta el final. Definitivamente, hay un horizonte amplio de posibilidades.

¿Te gustaría saber más? Te invito a que te unas a la conversación en nuestro podcast:

¿Qué ha pasado en el último mes?

El 8 de febrero tuve la suerte de compartir jornada con mujeres increíbles en «Womprende». Sin duda una experiencia increíble.

04 Feb 2020 | Estrategia

Estoy jugando contra grandes jugadores, jugando contra los mejores del mundo. La competición es lo que siempre he querido

En el momento en el que una empresa se enfrenta a un proceso de digitalización o transformación digital, el sector donde se encuentra juega un papel fundamental. En este blog lo he podido ver en el sector turístico, pero, ¿cómo se realiza un proceso de digitalización en un sector como el de la educación? Para conocerlo más detalladamente, cuento con la experiencia de mi gran amigo Chema Martínez-Priego, director de Rommel & Montgomery.

Desde la experiencia de Chema, la mejor manera de llevar a cabo este proceso de transformación, entendido desde el universo de los contenidos, el SEO y el marketing, es hablando de leads. Este tipo de empresas habitualmente se mueven en unos calendarios de captación regidos por las fechas de inicio de los distintos cursos. Pero la parte de la demanda no sigue el mismo calendario. Es por esto que el reto está en saber separar lo que es la etapa de captación y de cualificación del lead con la etapa de conversión. Y para llevarlo a cabo, la mejor manera es tomar decisiones de cada uno de los elementos en base a datos. Pero, ¿cómo se puede hacer?

Método Ro&Mo

Primero es importante crear al buyer persona, es decir, una representación del perfil del cliente potencial construido a partir de unos datos sociodemográficos, comportamiento en la plataforma, etc. Partiendo de esto, para que los canales trabajen en el proceso de adquisición, el proceso consistiría en:

Análisis del buyer persona: conocer su universo semántico al nivel de búsquedas. Es decir, cómo buscarían el producto.
Cotejar los datos con Google: Al estar en un entorno educativo, es importante conocer el volumen de búsqueda de los productos por un lado y su estacionalidad por otro, para mejorar así el análisis de captación. Esto facilita la realización de un análisis de oportunidades, es decir, conocer cuando surge la necesidad de compra desde el punto de vista del consumidor y cuando la empresa tiene la necesidad de que la compren.
Orientación de canales: Con estos procesos separados, se orientan todos los canales para trabajar en base a la estacionalidad del buyer persona. Es decir, la estrategia de redes sociales, contenidos, SEM y SEO.
Personalización: En la fase de adquisición se trabaja la personalización en inbound marketing, pero dirigida a las necesidades del calendario de la empresa. Con escuelas, por ejemplo, el momento donde los padres empiezan a consumir información relacionada con los cursos es al cierre de los colegios y no en la entrega de notas. Es en este momento donde las instituciones deberían empezar el trabajo de captación y cualificación de los leads.

La realización de un proceso así requiere de una infraestructura que es menos costosa para aquellas instituciones que estén en plena transformación digital. Además gracias a los datos, se puede aprovechar la oportunidad de personalizar un lead determinado para así no mantener la exclusividad de sacar un producto un mes antes de su iniciación. En otras palabras, la oportunidad de sembrar con antelación. Pero para ello es necesario desarrollar:

Una vista a largo plazo dentro de los diferentes canales que requieran tiempo de optimización.
Contar con un presupuesto anual para desarrollar inversiones a lo largo del año.

Como podemos ver, el proceso de digitalización precisa de muchos cambios ya que es una transformación en todos los niveles de la empresa. Por ejemplo, uno de los grandes retos, sobre todo en instituciones grandes, es cambiar a una forma de trabajo transversal, donde cada departamento se comunique con el resto dentro de una estrategia común. Pero si se centran los esfuerzos en el consumidor, es mucho más eficiente y sencillo de hacer.

La personalización del lead y la transformación digital

Existen diferentes procedimientos para personalizar el lead en el sector educativo. Por ejemplo, si la escuela es de formación presencial, gracias a la posibilidad de realización de una entrevista previa offline y la incorporación de un software de automatización, se puede extraer mucha información de la navegación de cada lead. Incluso de ponerle nombre y apellidos. Otro procedimiento un poco más costoso y que sólo se puede hacer en momentos determinados, sería el que abarca el concepto “ventanilla única”, donde cada lead, venga de donde venga, pasa por un proceso único para así poder conocer el historial. Por último, existen tecnologías open source, como Mautic, la cual es muy útil para empresas medianas que están en fase de invertir para construir el sistema de digitalización.

Como se puede ver, la transformación digital es un reto al cual las empresas se tienen que enfrentar. Para poder trabajar en ello, una de las claves está en identificar cuáles son los pasos en el proceso de conversión, identificar a los actores implicados y empezar a establecer métricas para definir la optimización de cada paso. En nuestro caso, para no perder leads es muy importante normalizar toda la adquisición de los datos y empezar a establecer pequeñas unidades de éxito a lo largo del proceso que permita a la empresa ver que todo funciona como tiene que funcionar o que salten las alarmas oportunas cuando tienen que hacerlo.

Esto sin duda es una labor costosa, no sólo por la inversión en tecnología, sino por el cambio de trabajo diario de las personas que componen la compañía. Las empresas piden servicios de transformación por los resultado, pero esto también requiere de una transformación en las personas.

Si quieres ahondar más en este tema, aquí tienes mi conversación con Chema:

¿Qué ha pasado en el último mes?

Ya se pueden ver dos de mis ponencias de finales de 2019. La primera es el Clinic Seo celebrado en Barcelona:

Y la que ofrecí en «El País con tu futuro»

14 Ene 2020 | Analista Web

La gente aprende cuando quiere, cuando encuentra una motivación

Como ya he explicado en este blog, en lo que afecta al trabajo del analista digital, existen diferencias entre trabajar en consultora o cliente final. En la primera, el analista tiene la posibilidad de expandir su conocimiento en diferentes sectores que sin duda es una gran fuente de aprendizaje. Y en la segunda, el conocimiento que se adquiere del negocio es mucho más enriquecido y profundo. Como hace un tiempo os mostré como es el trabajo de un analista en cliente final, y ahora ha llegado el momento de ver cómo es el día a día del analista en consultoría. Para ello, y también para conocer en qué momento se encuentra esta disciplina, cuento con la ayuda de Roberto Ballester, Analista Digital en la consultora Merkle Divisadero.

Desde la experiencia de Roberto, para que el analista pueda hacer su labor en un entorno como el de una consultora, además de contar con su background y habilidades específicas, también es muy importante que entienda el lenguaje del negocio. Lo más óptimo es que para materializar este entendimiento, el contacto del equipo de análisis con el cliente debe ser continuo. Pero hoy en día se pueden dar casos tales como que parte de un equipo no se encuentre en la misma localización donde se ubica el cliente. Entonces, ¿cómo se puede trasladar ese conocimiento de negocio a todo el equipo? Aquí es cuando entra en escena la figura del gestor del servicio. Además de ser el responsable de gestionar la relación entre clientes y proveedores, también es el responsable de trasladar a su equipo el conocimiento del negocio en el que están trabajando. Para ello el desarrollo de soft skills tales como la empatía son una de sus mejores herramientas. Esto no significa que esta labor sea solo responsabilidad suya. Cada analista tiene la tarea de hacer suyo el servicio y conocer tanto el contexto como la estrategia, para así poder hablar el mismo lenguaje del negocio con los stakeholders.

La evolución de la analítica: del Web Analytics al Digital Analytics

Día a día se observa que la evolución continua de analítica digital y su efecto en el negocio hace que el profesional de esta rama adquiera un mayor protagonismo dentro de las empresas, lo que se traduce en un trabajo cada vez más complejo para los profesionales que se dedican a ello.

Sin ir más lejos, esta evolución se ha visto reflejada en la denominación de la especialidad a lo largo de los últimos años. Con el aumento de las fuentes de datos, en menos de diez años la disciplina ha pasado de ser analítica web (datos procedentes de web) a denominarse analítica digital (datos procedentes de diferentes fuentes digitales). Y seguimos avanzando. En el nuevo ecosistema analítico en el que nos encontramos, la labor del analista ya no se limita únicamente en el análisis de datos digitales, sino que también se incluyen otro tipo de fuentes para conseguir un impacto más significativo en el negocio. Se podría decir que es un analista de datos.

Gran parte de esta evolución no se estaría dando sino fuera por la cultura de las empresas. Son ellas las que aprovechan la oportunidad que ofrece el análisis de sus datos de cara a la toma de decisiones de negocio. Sin duda, se ha unido la labor de evangelización del analista, motivada por la pasión hacia los datos, con el ecosistema de madurez del mercado actual.

El aprendizaje en un entorno analítico

Como hemos comentado antes, los profesionales que trabajan en analítica viven día a día la evolución vertiginosa de esta disciplina. Esto hace que la adquisición de nuevos conocimientos casi a diario se convierta en una necesidad. ¿Y cómo se puede avanzar en dicho aprendizaje? Existen diferentes fuentes que sin duda son de gran ayuda:

Una de ellas es sin duda el entorno laboral. El analista digital es una pieza dentro del engranaje que conforma un proyecto, por ejemplo, el cual está compuesto de diferentes departamentos: Customer Experience, CRO, Programática… Todos analizan sus propios datos, pero la posibilidad de trabajar en conjunto es una buena oportunidad de crecer ya que se aprende de cada área. De todos el analista aprende y a todos el analista aporta.
Otras de las fuentes de aprendizaje son las propias herramientas de analítica. En el caso de consultoría, cada proyecto es una herramienta diferente, y eso significa que al trabajar con diferentes clientes al analista se le abre la posibilidad de incorporar nuevas habilidades y conocimientos tanto de la herramienta como de los diferentes sectores.
Y por último, el autoaprendizaje fuera del horario laboral también es un ejercicio necesario que se repite en muchos profesionales de la analítica para seguir evolucionando en su carrera. Aunque es tiempo personal, al final es un paso imprescindible.

Como podemos ver, la profesión del analista requiere de mucha dedicación ya que tiene a su alrededor una gran cantidad de agentes que están actuando simultáneamente con él: el área de DMP, el área de programática, el área de CXO, el área de IT, etc… , y para poder trabajar en conjunto con todos ellos, es necesario conocer su lenguaje para así trasladar los insights del negocio de manera correcta. Y esta es una labor la cual debe desarrollar.

La realidad es que el analista digital tiene que esforzarse mucho ya que el mundo de la analítica está en continuo crecimiento. Por eso es importante saber adaptarse al momento y estar dispuesto a aprender continuamente. De cara a su crecimiento, tenemos la suerte de que dentro de la disciplina existen muchas vías de especialización en las cuáles seguir evolucionando como profesional. Pero para escoger el camino que mejor convenga a cada uno, es importante tener en cuenta saber elegir cuál es el más idóneo.

A continuación, te invito a que te unas a la conversación que tuve con Roberto en este episodio del podcast.

¿Qué ha pasado en el último mes?

Estuve en el evento «El País con tu futuro», organizado por El País donde tuve la gran oportunidad de acercar la analítica digital a un público muy especial: jóvenes estudiantes de bachillerato.

17 Dic 2019 | Analista Web

Y yo digo, hey Joe, date una vuelta por el lado salvaje

A principios de agosto, Google lanzó en beta una nueva versión de Google Analytics. Se trata en realidad de un nuevo tipo de Propiedad que permite medir de manera unificada Web y Apps móviles, y que están basadas en el motor de “Google Analytics for Firebase” (GA4F), la solución que Google venía ofreciendo para la medición de Apps móviles.

Aunque este lanzamiento ha pasado bastante desapercibido más allá de los profesionales de la medición digital y la analítica de datos, Google ha dado un gran paso que todos estábamos esperando. Por un lado, da un re-impulso y lavado de cara al clásico Google Analytics, que ya acusa los años y comienza a ser un problema para medir muchos entornos (los SDK para Apps, p.ej. llevaban años sin actualizarse).

Por otro, ofrece de nuevo una solución para medir de manera unificada Apps y Webs, algo que echábamos en falta tras la decisión de dejar de apostar por Universal Analytics como una solución para la medición de Apps. Esto es algo fundamental en el escenario actual, donde en muchos negocios las diferencias entre App y Web son sólo una cuestión de gustos, momento o dispositivo que el usuario tiene en las manos. El canal técnico deja de ser importante, y se recupera así la medición unificada del usuario a la hora de interactuar con los canales digitales de la compañía.

Impacto en la medición digital

Y es que, aunque para muchos pase por una novedad puramente técnica, la llegada de las nuevas propiedades tendrá un fuerte impacto en el área digital a varios niveles:

A nivel Estratégico, la llegada de las “Propiedades App + Web” implican replantear la medición unificada de los entornos App y Web. Ya no sólo a nivel de nombrado de eventos, si no para hacer posibles y comprensibles los análisis entre plataformas, donde más que nunca, el comportamiento del usuario es el verdadero protagonista, y no tanto la medición de clics o eventos de una página/App. También obligará replantear KPIs, equipos y procesos, como veremos más adelante.
A nivel Técnico, lo anterior implica que habrá que rehacer o reajustar los etiquetados de las Webs actuales para alinearlos con los objetivos de negocio, y con los análisis que el negocio necesitará.
A nivel de Análisis de los Datos, la nueva tecnología de Google Analytics supone la llegada de un nuevo modelo de datos totalmente diferente al que estamos acostumbrados a ver las Propiedades “clásicas”. Desaparecen métricas tan míticas como el rebote o las páginas vistas, y a cambio, todo se “eventiza”, simplificando la medición de entornos peculiares como las Webs híbridas o las páginas SPA. Además, la tradicional interfaz de Google Analytics cambia considerablemente, y es sólo el principio, a tenor de todo lo que Google indica que está preparando. Esto supone formación de equipos, y adecuación de muchos procesos actuales.
A nivel de Cuadros de mando y Reporting, todo lo anterior obligará a replantear KPIs y formas de extraer los datos. P.ej. por ahora Google ha centrado sus esfuerzos en potenciar BigQuery como el almacén de datos en bruto del que extraer los datos que necesitemos. Es decir, por ahora no hay API (como si hay con Universal Analytics), pero sí tenemos la opción de obtener datos sin muestreo. Eso sí, esto obligará a conocer bien el modelo de datos, y aprender a trabajar al menos con DataStudio & BigQuery, y con SQL avanzado cuando necesitemos consultas muy complejas.

Nuestra experiencia

Casi desde el mismo día del lanzamiento de la beta, pusimos en marcha la medición de un par de entornos reales y, aunque aún estamos evaluando todo, las primeras impresiones han sido muy positivas.

Es cierto que en la interfaz muchos echarán de menos la infinidad de informes “por defecto” que ofrece Google en su versión clásica, pero a cambio tenemos la nueva herramienta de “Análisis de datos” para montar los informes (y flujos) a nuestra medida, así como la posibilidad de acceder a los datos en bruto vía BigQuery (sin necesidad de contratar GA360). Esto supone que, si sabemos lo que queremos, el nuevo entorno es en realidad mucho más potente y flexible que el clásico, que en cierta forma limita mucho la extracción de información en ciertos momentos.

Además, nos parece un gran avance el hecho de contar por defecto con medición automatizada de páginas, scroll, enlaces, uso de vídeos o descargas. Esto simplifica al límite la implementación si sólo buscamos centrarnos en lo más importante, y se alinea con la tendencia actual de las herramientas de medición, donde se busca la mínima cantidad de código en pro de la máxima automatización.

Quizá lo más radical sea la parte estratégica y de análisis, donde el reto para evolucionar es bastante grande. Hasta que las nuevas Propiedades se hagan realmente populares y se estandaricen, hay mucho trabajo por delante del que nos gusta a todos los analistas: evangelizar, probar y explorar.

Próximos pasos

Con el tiempo, Universal Analytics acabará desapareciendo y dejando paso al nuevo modelo, pero por el momento la nueva propiedad “App + Web” está sólo en beta: faltan funcionalidades que se irán sumando en los próximos meses, y ni siquiera la documentación está completa.

Sin embargo, ya podemos comenzar a experimentar con las nuevas propiedades, algo altamente recomendable ya que Google Analytics dejará de recoger datos de apps móviles dentro de poco, por lo que si aún no hemos hemos migrado a Firebase, puede ser una buen idea pasar directamente a una nueva propiedad de “App + Web”

En todo caso, junto los retos de ITP, esta nueva tecnología de medición en conjunto con Análisis de Datos/BigQuery (para explotar los datos en bruto) y DataStudio (para visualizar la información), promete traernos momentos muy interesantes al mundo de la analítica, abriendo nuevas posibilidades de análisis e integración de fuentes en negocios de todos los tamaños.

A continuación, puedes escuchar el episodio especial que le dedicamos Eduardo Sánchez y yo a esta nueva propiedad.

Información adicional

Anuncio oficial de Google y una sección que recoge las preguntas más frecuentes.
Serie de artículos que Krista Seiden sobre las principales novedades, el nuevo report ‘Pathing Analysis’ y el nuevo ‘Streamview’ que viene a sustituir el ‘Realtime’ de Universal Analytics.
Finalmente, si quiere saber cómo configurar la nueva propiedad ‘App + Web’ y hacer tus primeras pruebas te recomendamos este artículo de Simo Ahava y este otro de Krista Seiden.

03 Dic 2019 | Metodología

La marea es fuerte y nos desvía… Hay que remar con más fuerza… Hay que luchar contra la corriente

Nuestro mantra es que la analítica digital es útil si habla el lenguaje del negocio e impacta directamente en él. Y para hacer de este mantra una realidad, cuando afrontamos un nuevo proyecto en El Arte de Medir, antes de ponernos manos a la obra hacemos un trabajo previo, que denominamos desembarco, el cual se compone de diferentes fases:

Identificación de los stakeholders
Comprensión de los datos
Conocimiento de la tecnología del cliente
Creación de data lakes
Interpretación de las fuentes de datos

El desembarco

El primer paso del desembarco es conocer cómo es la relación de cada uno de los departamentos con los datos. Para ello, nos sentamos con los stakeholders para profundizar en dos aspectos: entender el uso que les dan a sus datos y el objetivo que tienen con ellos.

Ventas, atención al cliente, marketing, etc., todos ellos hacen uso de los datos día a día, y buscamos saber cómo lo hacen. Este mismo proceso lo hacemos también con el departamento de IT, ya que al ser los encargados de dar soporte a los datos de cada una de las áreas, nos ayudan a tener una visión más concreta de las fuentes que manejan, su calidad, como son obtenidos, con qué velocidad se actualizan, etc.

Tras recopilar toda esta información, llega el momento de estudiarla para poder llegar a conclusiones. Y a partir de aquí:

Planteamos mejores prácticas.
Normalizamos las fuentes de datos.
Y si fuera necesario, construimos data lakes (lago de datos) lo más simples posible pero que nos ayude para impactar en el negocio.

Para nosotros, todo este proceso de calidad del origen de los datos es muy importante ya que son la herramienta para la toma de decisiones. Por ejemplo, hacer previsiones de ventas a partir de datos erróneos provenientes de métricas medidas de forma diferente, perjudica directamente al negocio. Por eso primamos el garantizar la calidad de los datos y normalizarlos de manera transversal a toda la compañía para después montar un data lake, si fuera necesario, del cual poder acceder para cualquier consulta de negocio.

Herramientas para el desembarco

En estos momentos nos encontramos en un escenario donde a nivel tecnológico, se está facilitando el trabajo del analista. Incluso no sólo de herramientas de pago, sino también a nivel gratuito. Los tiempos en los que se manejaban los datos de ventas con Google Analytics se han quedado atrás. Ahora este mismo trabajo se puede hacer con el dato real, como podemos ver con la Suite de Google.

Cuando trabajas día a día con datos, la integración de todas las fuentes en un mismo sitio es complicado. Pero gracias al auge de tecnologías como BigQuery, el proceso es más ágil. ¿Cómo? Gracias a herramientas de extracción, tratamiento y carga de datos como Stich Data. Con este tipo de herramientas se puede conectar una base de datos MySQL, pedirle que cada x tiempo consulte la base de datos de cualquier plataforma (Magento, WordPress…), detectar los cambios y trasladarlos a una tabla de BigQuery. En esta tabla, además, también se pueden volcar otro tipo de datos, como CRM, Analytics, etc. Así es como se puede montar un data lake de una forma más fácil para que puedan ser explotados desde el lado del analista o de la persona que necesite los datos con cierta facilidad.

Acabamos de comentar la creación de un data lake con BigQuery, pero si queremos pintar un cuadro de mandos, por ejemplo, también tenemos la posibilidad de integrar datos de muy diversas fuentes gracias a su herramienta de visualización Data Studio. Y es que la apuesta de Google por la visualización de datos se ve claramente reflejada en la evolución de Data Studio. Ahora cuenta con una serie de recursos que hace que sea muy potente. Si bien es cierto que no resuelve todos los problemas a nivel de cuadro de mandos, no requiere una gran inversión ni contar con una gran cantidad de conocimientos técnicos. ¿Y cómo podemos sacar partido a esta herramienta? En El Arte de Medir, primero creamos un Mínimo Producto Viable vía Data Studio para empezar a trabajar rápidamente con quick wins. Con esto buscamos dar un servicio de calidad suficiente para empezar a trabajar con los insights sin tener que esperar un tiempo razonable. Más adelante, y si Data Studio no es suficiente para el proyecto, buscamos en otras herramientas, pero gracias al trabajo previo, la construcción se hace de forma más rápida.

Cómo podemos ver, el analista ya no sólo depende de una herramienta para poder realizar su trabajo. Él es la conexión entre los datos y el negocio a través de su fuente de uso: la analítica digital. Y para poder realizar bien su trabajo, es imprescindible entender los datos, el marco de uso y, sobre todo, qué respuestas de negocio se necesitan contestar.

Si quieres ampliar la información, aquí tienes el episodio del podcast en donde Edu y yo hablamos de la fase del desembarco: