Business Intelligence – Página 14

Claves para definir buenas métricas

La asignación de recursos y esfuerzos a nuestros procesos de negocio, en cantidad, forma y momento oportuno, pasa por medir adecuadamente la salud de nuestra organización. Pero, ¿qué debemos medir? No hay una respuesta única o universal, porque la situación y aspiración de cada empresa es muy diversa.

Hemos visto muchos tips o claves para seleccionar las métricas adecuadas, nosotros sugerimos tener presente los siguientes factores al seleccionar una buena métrica:

Comparable. Debe ser posible compararla con otro período de tiempo, grupo de usuarios o con la competencia. Es más útil saber que “hemos incrementado la conversión con relación a la semana anterior” que “la conversión es igual al 2%”. Así mismo, debería ser comparable consigo misma (Inherentemente Comparativa), por ejemplo, un indicador diario comparado a nivel mes, podría señalar una variación repentina o un cambio en la tendencia.
Comprensible. Si los usuarios de los indicadores no lo recuerdan o no pueden discutir sobre el mismo, difícilmente será útil para lograr algún cambio.
Encaminan a la acción. Si estamos conduciendo un vehículo, la distancia recorrida es un dato informativo. Pero la velocidad (distancia por hora), es un dato que encamina a la acción, porque nos facilitará decidir si debemos ir más rápidos o más lentos para llegar al destino en el momento deseado.

Referencia: ISBN 978-1-449-33567-0

Fuzzifiquemos el Análisis de datos (Lógica Difusa – Fuzzy Logic)

La lógica binaria ha demostrado no ser lo más indicado para el análisis de datos, sobre todo cuando se está tratando datos de naturaleza tan ambigua y dispersa como los que están asociados a las personas, llámese clientes, colaboradores, proveedores, empresas, etc. Asignarle un valor único, tal como un cero o un uno (o verdadero/falso o blanco/negro o grande/pequeño,…) a una determinada característica en un mundo que tiene una amplia variedad de matices, puede ser de poca utilidad o conllevar a tomar las decisiones menos adecuadas.

La lógica binaria ha demostrado no ser lo más indicado para el análisis de datos, sobre todo cuando se está tratando datos de naturaleza tan ambigua y dispersa como los que están asociados a las personas, llámese clientes, colaboradores, proveedores, empresas, etc. Asignarle un valor único, tal como un cero o un uno (o verdadero/falso o blanco/negro o grande/pequeño,…) a una determinada característica en un mundo que tiene una amplia variedad de matices, puede ser de poca utilidad o conllevar a tomar las decisiones menos adecuadas.

En nuestras implementaciones de Business Intelligence o Business Analytics deberíamos tender a ofrecer un análisis de datos similar al que se logra con el razonamiento humano, es aquí donde la “Lógica difusa” (Fuzzy Logic) debería tenerse presente. No se trata de un nuevo concepto, fue introducido en 1965, pero es de estos conceptos resucitados y potenciados ahora por las mejoras en la capacidad de procesamiento y por la necesidad de lograr sistemas más útiles en un nuevo contexto con mayor incertidumbre.

Como señala el artículo de referencia, “la lógica difusa se aplica en una amplia variedad de campos relacionados, directa o indirectamente, con la comprensión de la información. Las técnicas de lógica difusa permiten estudiar los datos desde la ambigüedad del propio lenguaje, es decir, comprenderlos como los comprenderían las personas”. La lógica difusa extiende la lógica binaria para ofrecer un abanico de respuestas o valores que puede ser asignado a un elemento que se contendría entre lo completamente cierto y lo completamente falso (Ref. Wikipedia).

Por ejemplo, en la clasificación, segmentación o catalogación de elementos, siguiendo procedimiento clásicos, se concluye en la asignación de los elementos a un segmento en concreto, pero la realidad no siempre es tan clara o exacta porque un mismo elemento puede pertenecer a más de un segmento. Utilizando técnicas de “fuzzy” (fuzzy clustering) se podría identificar la pertenencia de los elementos a los distintos segmentos identificados e inclusive, se podría lograr obtener su grado de pertenencia a cada segmento.

En teoría, todo o casi todo se podría “fuzzificar”, lamentablemente hay pocas herramientas de minería de datos que brinden esta capacidad de procesamiento (ver la propuesta de Matlab), pero conociendo la técnica podríamos lograr resultados más útiles para la toma de decisiones.

Referencia: Harvard Deusto (Nro. 234. Artículo “El gran potencial de la lógica difusa” de Mónica Casabayó y Núria Agell)

Novedades en SAP InfiniteInsight 7.0

SAP InfiniteInsight es una de las dos principales soluciones de Análisis Predictivo del portfolio de SAP Predictive Analytics que recientemente ha tenido una actualización. La 7.0 es la primera actualización de este producto que se integró a la familia SAP luego de la adquisición de la empresa KXEN. Según los primeros planes de futuro de SAP, el producto de KXEN se integraría al producto desarrollado por SAP, denominado Predictive Analysis para ofrecer una única solución de Minería de datos y Predicción.

SAP InfiniteInsight es una de las dos principales soluciones de Análisis Predictivo del portfolio de SAP Predictive Analytics que recientemente ha tenido una actualización. La 7.0 es la primera actualización de este producto que se integró a la familia SAP luego de la adquisición de la empresa KXEN. Según los primeros planes de futuro de SAP, el producto de KXEN se integraría al producto desarrollado por SAP, denominado Predictive Analysis para ofrecer una única solución de Minería de datos y Predicción.

Mientras tanto, la nueva actualización de InfiniteInsight ofrece las siguientes novedades:

Se incorpora capacidades de Geolocalización para la construcción de modelos. Se podría utilizar datos sobre latitud y longitud para definir una variable de posición.
Brinda herramientas para consultar modelos con variables de posición. Modelos que podrían ayudar a identificar rutas/secuencias más comunes, identificación de personas en la misma posición (Colocation).
A través de DataDirect 7.1 SP3 se brinda soporte a bases de datos HADOOP Hive 11 y 12 y Greenplum Database 4.2. Este mismo conector mejora la conectividad con Oracle y Teradata.
En cuanto a la interfaz, se han rediseñado informes, paneles e iconos para mejorar la experiencia del usuario.
Las Variables Compuestas es otra novedad de InfiniteInsight 7.0 la cual permite cruzar múltiples variables a la vez, combinando dos o más indicadores en una sola medida.

Referencia: SAP Blogs

Un sistema de información no basta para mejorar la toma de decisiones. (Distinguiendo entre emociones incidentales e integrales)

En más de una ocasión hemos señalado que la adopción de un sistema de información con la más “avanzada” o “costosa” tecnología no es garantía para que una organización tome mejores decisiones, por encima de cualquier infraestructura tecnológica o software “inteligente”, están las personas responsables que harán uso de los “outputs” como las que podría bridar una instalación de Business Intelligence.

Un estudio que examina cómo la Inteligencia Emocional afecta a la toma de decisiones (Profesor Stéphane Côté) señala como elemento clave en esta tarea, el saber comprender el origen o causas de las emociones, debido a que las emociones permanecen con nosotros e influyen en nuestra mentalidad y trabajo diario.

Cuando tomamos decisiones, existen dos tipos de emociones que podemos sentir: incidentales e integrales. Las emociones incidentales son emociones que sentimos ante una decisión y que no guardan ninguna relación con dicha decisión. Por ejemplo, cómo nos sentimos porque hemos tenido un trayecto en coche al trabajo extremadamente frustrante, o porque hemos tenido una discusión con nuestra pareja esa mañana antes de ir a trabajar. Aunque las emociones incidentales provienen de otras fuentes, son llevadas a una situación de toma de decisiones, y se experimentan mientras se toma la decisión.
…
Al contrario de las emociones incidentales, las emociones integrales son emociones causadas por la decisión en sí. Llegan, por ejemplo, cuando pensamos en los parámetros de la decisión o en sus implicaciones. Estas emociones pueden, de hecho, ser bastante útiles. Si pensar detenidamente en una decisión nos causa ansiedad, eso supone una información útil: puede ser un signo de que necesitamos ser cautos y de que deberíamos ser potencialmente más reacios a correr riesgos con la decisión que a buscarlos.

El estudio señala que resulta importante que las personas deben saber distinguir el origen de sus emociones y evitar que estas influyan erróneamente al momento de tomar decisiones. De este modo, las personas podrían seguir las siguientes pautas antes de tomar una decisión importante:

Identificar cómo se siente
Determinar por qué se siente así. Si siente enfado o ansiedad, determinar ¿cuál es la razón? ¿es de origen incidental o integral?
Si es de origen integral, basada en la decisión misma, pensar más detenidamente en su significado. Si es de origen incidental, probar técnicas para reducirla (por ejemplo, con relajación), el simple hecho de reconocerla y distinguirla hará que mentalmente se separe la ansiedad de la desición que se desea tomar.

Referencia: Revista Harvard Deusto 234 (Mayo 2014)

Controla el espacio libre en disco de tu instalación SAP BusinessObjects BI

El poco espacio libre en disco en una instalación de SAP BusinessObjects BI puede ser un peligro potencial importante que puede dañar toda la instalación, especialmente en las tareas de actualización. Disponer de menos de 15 GB libres en disco puede significar la pérdida o corrupción de ficheros indispensables para la ejecución del servidor de aplicaciones (por ejemplo Tomcat) o del Server Intelligence Agent (SIA) o peor aún, el daño irreparable de la base de datos del CMS.

El poco espacio libre en disco en una instalación de SAP BusinessObjects BI puede ser un peligro potencial importante que puede dañar toda la instalación, especialmente en las tareas de actualización. Disponer de menos de 15 GB libres en disco puede significar la pérdida o corrupción de ficheros indispensables para la ejecución del servidor de aplicaciones (por ejemplo Tomcat) o del Server Intelligence Agent (SIA) o peor aún, el daño irreparable de la base de datos del CMS.

Medidas Preventivas

Como medida preventiva se debe controlar la disponibilidad de espacio suficiente en disco, si se tiene todos las capas es un mismo host, el tamaño promedio del disco, de un sistema de producción, no debería ser inferior a 150 GB. Así mismo, se debe controlar la generación de ficheros temporales, una actualización puede llegar a consumir más de 6 GB de espacio en disco en ficheros temporales que usualmente no elimina el programa de actualización al concluir el proceso. Por último, resulta indispensable la copia de seguridad de los datos de la plataforma de BI.

Posibles Soluciones

La primera señal de que algo no va bien es cuando el Tomcat y el SIA no se ponen en marcha, la cusa usual es que algunos ficheros JAR se han perdido, la solución pasa por copiar, desde otra instalación equivalente (misma versión y nivel de actualización) los ficheros JAR que estuviesen faltando (ver notas SAP 1982241 y 2033715). Un problema más grave sería el daño de la base del CMS, cuya solución puede resultar compleja antes de recurrir a la restauración de una copia de seguridad, depende del daño que tuviese, una medida sería recurrir a la copia de ficheros asociados a la base de datos del CMS que se almacenan antes de cada actualización (ver nota SAP 1711203).