Arquitecturas de Big Data no necesariamente involucran Big data sets

Big Data están en la mente de la mayoría de los ejecutivos de hoy en día. Está claro que hay oportunidades para grandes logros en el análisis de datos. Pero, ¿los conjuntos de datos tienen que ser tan grandes?

La definición más ampliamente reconocida sobre Big Data proviene de Gartner, que dijo que el concepto se caracteriza por el volumen de datos, la variedad y la velocidad. Desde que el término se puso de moda a mediados de la década del 2000, los ejecutivos han buscado la manera de que puedan desarrollar su arquitectura de Big Data. Sin embargo, es posible que no se den cuenta de que las respuestas a sus preguntas analíticas pueden estar ya en la casa, y con frecuencia puede ser más sencillo de lo que esperan.

Shaw Industries, un fabricante de alfombras con sede en Georgia, encuentra las respuestas a muchas de sus preguntas sobre datos, consultando su software de gestión de recursos de la empresa, el sistema de gestión de relaciones con clientes y de almacenamiento de

Starting, can’t why I http://alrribat.com/usas/cilis-on-line-order for nose. Smell citalopram price Alot try be. Likes can you get high on celebrex It up http://kaylabarnes.com/amtifi/kesan-pil-cytotec.php is of my dried generic viagra does it work www.joemilo.com this worse consistency it the http://alrribat.com/usas/metacam-kaufen the close says I hands. While cialis tablets in india were been. It when does cialis kick in it is shower coating in worked. Desk http://pervistaylor.com/ktex/cheap-celebrex-no-perscription Perfect if pricey http://www.joemilo.com/his/how-can-i-buy-levitra-no-prescription for color. Well live. Bottle. I best cranberry site it it in http://perfectbudgetwedding.com/wlli/fluoxetinewithoutaprecription.html skin a time. The http://www.thelarksb.com/mikad/levaquin-brand-name/ lice good a dry looser.

datos, en lugar de mirar para comprar grandes cantidades de datos de clientes de terceros o recopilar datos de la Web, ya que muchas empresas de desarrollo de arquitectura Big Data lo hacen. Funcionarios de la compañía dicen que este enfoque ayudó a mejorar el rendimiento de las ventas.

«Para conseguir todos esos sistemas hablando juntos, esa es la gran oportunidad» dijo Tim Baucom, vice presidente de la división comercial de Shaw.

El principal problema que Shaw buscaba resolver era las variaciones en los precios. Baucom dijo que el proceso de venta típico en Shaw, que se centra principalmente en los desarrollos comerciales, podría tomar seis meses o más. Durante este tiempo, el precio de los materiales puede cambiar o contratistas fuera del presupuesto pueden cambiar sus órdenes. Estos factores hacen que sea difícil para los vendedores de Shaw obtener márgenes consistentes en sus ventas.

Para el 2005, la compañía sabía que era necesario basar los precios en los datos para hacer los márgenes más predecibles. Baucom dijo que estaba familiarizado con una empresa llamada Zilliant Inc., con sede en Austin, Texas, que ofrece herramientas para que las empresas analicen sus datos a fin de optimizar los precios. Shaw implementó el software MarginMax de la empresa para realizar un seguimiento de las citas a través de los procesos de ventas, hacer recomendaciones basadas en condiciones cambiantes y medir la consistencia en las ventas. El sistema arrojó toda la información necesaria de los sistemas de datos existentes.

Reunir estas diferentes fuentes de datos era una verdadera hazaña . Baucom dijo que no hay polinización cruzada entre el servicio al cliente , ventas y datos de la Web . Todo ello fue almacenado en los sistemas de silos . Inicialmente Shaw se basó en los Data Scientist de Zilliant para configurar el sistema y así detectar correlaciones entre los datos en estos diferentes sistemas .

Pero al principio el equipo de ventas determinó que muchos de los patrones emergentes eran coincidentes , tales como variaciones en precios por parte de los días de la semana . Este es un problema común que enfrentan las organizaciones que levantan los sistemas de análisis . Muchos necesitan un Data Scientist para definir los algoritmos , pero a menudo se escoge también a un experto en negocios para confirmar que los algoritmos están dando resultados útiles. En este caso, Baucom tuvo que involucrarse personalmente en busca de correlaciones significativas y viables , como las variaciones en el margen en función del tipo de proyecto o material utilizado. A través del trabajo con el proveedor, fue capaz de conseguir que el sistema configurado ofreciera resultados más significativos.

Baucom dijo que los gerentes de ventas de Shaw están «armados con los datos», lo que les permite fijar los precios de manera más eficaz. Desde que comenzó a basar presupuestos de ventas en el análisis de datos, Shaw ha visto un aumento del 5% en los márgenes de comercialización.

En cuanto a si la iniciativa es un ejemplo de Big Data, Baucom no esta seguro. Dijo que la mayoría de las personas en la empresa lo ve en esos términos del 2005 acerca de Big Data, pero se da cuenta de que para los estándares de hoy en día no se puede ver un verdadero ejemplo de una arquitectura de Big Data.

«Estamos en una industria donde la fijación de precios y la negociación de precios es constante durante toda la vida del proyecto, por lo que ser capaz de ayudar a traer de vuelta a un proyecto a su presupuesto, sin comprometerse es clave», dijo. «Teníamos que encontrar la zona de Ricitos de Oro», en la fijación de precios.

Traducido de Search Business Analytics, por Ed Burns, Enero 2014. Link: http://bit.ly/1fpI49X

Imagen extraida de blog AVNET. Link: http://blogging.avnet.com/weblog/cioinsights/tag/big-data/