Cómo monetizar los datos mediante la analítica

Hoy muchas compañías tienen acceso a un gran volumen de datos de sus operaciones, actividades de cumplimiento, proveedores, clientes, competidores y más, lo cual genera la posibilidad de monetizarlos. Esto implica apalancarse en ellos para generar valor monetario de los datos crudos o de soluciones basadas en datos, a través de estrategias como la mejora en el desempeño de procesos, productivizar la información o la venta de datos.

Dentro de las principales razones para llevar a cabo la monetización tenemos:

• Maximizar el retorno de la inversión, convirtiendo los datos en activos a través de una estrategia de Gestión de Datos utilizando para esto algún marco de referencia como el DMBOK de DAMA International, que permite la gestión a través del seguimiento de ciertas prácticas en 11 áreas de conocimiento.
• Optimizando los activos, para lo cual hay que alinear la estrategia de datos con las necesidades de negocio enfocándose en aquellas áreas que faciliten la implementación de casos de uso utilizando los datos o adquiriendo los que sean necesarios para impulsar el caso de uso, esto permitirá poner foco en los datos que importan.
• Mejorando la eficiencia del negocio, eliminando procesos ineficientes o que recopilan datos que no se utilizan, desperdician espacio y tiempo, aumentando los costos de almacenamiento y procesamiento.

Fundamentalmente, la monetización de datos es resolver un problema de negocio usando los datos para mejorar el desempeño. El valor monetario podría venir de la creación de nuevos ingresos, ahorros en reducción de costos de operación, ahorros en tiempo invertido para la ejecución del negocio o la mitigación de riesgos. Se podrían resumir 3 caminos de monetización:

Esto es un habilitador importante para el desarrollo de una cultura basada en datos y corresponde a la práctica de diseñar, crear y optimizar los sistemas con un enfoque en el negocio. La arquitectura de datos busca la monetización por medio de la mejora de la eficiencia del negocio ofreciendo 3 beneficios claves.

• Habilitando la estrategia de datos a través de la creación de un modelo de datos empresarial (EDM Enterprise Data Model) que busque integrar la cadena de valor con los datos claves (datos maestros, datos referenciales y datos transaccionales).
• Mejorando la comunicación entre los consumidores y proveedores de datos, eliminando los silos de información que podrían mostrar distintas realidades y generando un lenguaje común para toda la organización.
• Creando un flujo de datos optimo, que permita visualizar cada componente, eliminando la complejidad o el rehuso de datos, minimizando la redundancia de os datos/sistemas, a través de mecanismos como DataOps lo cual permite reducir costos, minimizar el riesgo y reducir el time-to-market.

El objetivo de la analítica embebida es el de integrar las aplicaciones de Business Intelligence (BI) con los sistemas transaccionales, facilitando el análisis de los datos en un mismo entorno y disminuyendo la necesidad de cambio entre sistemas, que según Nucleus Research podría llevar a una pérdida del tiempo de los colaboradores de hasta 2 horas por semana, esto se lo conoce como el costo de demora (CoD, Cost of delay).

Técnicamente, analítica embebida es la inserción dentro de la interface del usuario de los sistemas transaccionales (OLTP, Onine Transactional Processing o SoR System of Record), los hallazgos o información analítica de los sistemas de BI y Analítica (SoI, System of Insight) a través de esquema de comunicación como API’s (Application Programming Interface).

Finalmente, a través de la creación de productos basados en datos. Por ejemplo:

• Productos basados en datos que se crean a través de la captura y catalogación de datos desde una variedad de fuentes, ejecutando procesos de limpieza para crear un conjunto de datos más valioso que pueden ser comercializados por brokers de datos o data hubs en donde tenemos como por ejemplo Expedia o IEA (International Energy Agency).
• Conocimientos, que son la combinación de datos, algoritmos y analítica para obtener resultados o hallazgos que puedan ser utilizados por los clientes.

Para seguir cualquiera de estos caminos, lo recomendable es seguir el siguiente procedimiento para extraer el mayor valor:

BIBLIOGRAFIA

• Analytics best practices, Prashanth H Southekal, 2020
• DAMABOK versión 2