Retorno de inversión del Big Data: Cómo calcular el ROI en proyectos de data analytics

La mayor ventaja del uso de la analítica de datos viene de tomar las decisiones adecuadas que de otra manera no hubieran sido tomadas. Como el big data aún se encuentra en su infancia, demostrar su eficacia en un proyecto corporativo es muchas veces como las redes sociales.  Era sólo un concepto, se sabía que el retorno de inversión estaba ahí pero es difícil cuantificar cómo, cuando y porqué.

A pesar que la medición del retorno de inversión en big data es difícil de cuantificar, el mercado es optimista. Según un estudio sobre el retorno de inversión del big data y análisis de contenidos de la división de inteligencia de mercado de AIIM reveló que:

• Un 62% de usuarios encuestados encontraba el análisis de datos como «muy valioso».
• Un 20% opinaba que el uso de analytics es «inmensamente valioso» especialmente cuando se cruzan datos estructurados y no estructurados.
• Los encuestados valoraban especialmente el retorno de inversión en big data en la mejora de calidad del dato, señalando la ayuda en la aceleración del cumplimiento de políticas de datos, y satisfacción del servicio al cliente.
•  Mientras que un 56% de los encuestados ya se encontraba alimentando con big data sus resultados de cara a la toma de decisiones, solamente un 6% estaban empleando ese dato como parte de la estrategia de la empresa, y un 7% de los proyectos habían devuelto resultados no del todo satisfactorios, probablemente porque no habían sabido o podido dar aplicación a los resultados obtenidos.

Entonces, ¿cómo podemos calcular el retorno de inversión? En ocasiones es difícil calcular o reconocer el valor de un proyecto sino tenemos forma de comparar con lo que hubiera pasado de no haber apostado por tomar decisiones basándonos en la interpretación de los datos. Hay casos de uso como en trading financiero donde el uso del big data está tan extendido ya que es una ventaja diferencial, pero sin irnos a ejemplos de nicho hay demostraciones prácticas en cualquier tipo de negocio y sector.

• Un producto aparentemente no rentable puede llegar a ser el que nuestros clientes compran una y otra vez haciendo que se convierta en gancho de otros productos relacionados.
• Darse cuenta que los pedidos a medida tienden a tomar 3 veces más tiempo que los productos de paquetes cerrados y cuestan hasta 10 veces más de la estimación inicial, haciendo que los precios sean más elevados de lo esperado.
• Averiguar que los pedidos a partir de las 2 de la mañana son casi siempre fraudulentos, por lo que se debe implantar un sistema de vigilancia especial para ciertos horarios.

Una de las mejores maneras de estimar el retorno de la inversión de una iniciativa de análisis de datos es marcar los parámetros adecuados al inicio, ir midiéndolos periódicamente, y analizar los resultados que se han tomado. Para simplificarlo más, se pueden cuando sea posible aislar los datos de un departamento, región o área de productos en el que que han tomado las decisiones basadas en el resultado de la analítica, y comparar con otro en el que no se hayan tomado las decisiones.

Que quede claro que el Big Data no es un oráculo que da respuesta a todas las preguntas que tengamos. Sin embargo el resultado para muchas empresas que llevan ya tiempo realizando análisis de sus datos es inequívoco, ya sean de productos, clientes, competencia, datos de redes sociales, tendencias de mercado, …

Para calcular el retorno se ha de comenzar haciéndose una pregunta específica y concreta, para recopilar el dato adecuado, desarrollar una metodología y  realizar un modelo para el análisis para finalmente evaluar los resultados.

Dos formas de evaluar el retorno de inversión

Podemos analizar el retorno de inversión siguiendo dos enfoques diferentes. Uno es calcular el coste los proyectos de big data y contrastarlos con otras alternativas. Por ejemplo, pongamos que necesitamos expandir el data warehouse de la empresa para dar cabida a más y diversos tipos de nuevos datos. Podríamos emplear tecnología OLTP e ir añadiendo servidores y software de bases de datos a unos costes de millones de euros, o podríamos emplear el framework Hadoop y conseguir el mismo resultado por menos de 200.000€. En cualquier caso conseguimos extraer valor de dato residente en el datawarehouse, pero el modelo de infraestuctura basado en Hadoop  nos desahoga de la necesidad de añadir mayor capacidad de procesamiento.

El otro camino pasa por medir el valor de la inteligencia y las ideas obtenidas. Para ello de sebe comenzar limitando el ámbito del proyecto big data. Por entenderlo con una similitud, sería como minar oro. Primero se empieza por samplear los primeros resultados para ver cómo de valiosos son antes de lanzarse a un proyecto global de big data mining. Al comenzar por una prueba de concepto, podemos limitar la escala del proyecto desplegando de forma rápida un almacenamiento en la nube, con herramientas menos costosas y sin depender del licenciamiento ni preocuparnos del hardware, antes de comprobar el valor de los resultados. Una vez analizados los resultados de la prueba se pueden comprometer los recursos necesarios para realizar un proyecto más ambicioso.

Retos a la hora de analizar el retorno de inversión en big data

Los tres grandes obstáculos a la hora de calcular el ROI son:

1. Entender cómo obtener valor real de los datos.
2. Definir apropiadamente el alcance de la investigación de los datos.
3. Encontrar los recursos adecuados y las habilidades necesarias para extraer los descubrimientos de los resultados.

El reto está en definir las métricas que nos permitan medir el retorno de inversión de la manera adecuada, y más importante aun, comprender cuando esperar los resultados del retorno del big data analizado. Aunque no hay una metodología única dada la diversidad de casuísticas, según un reciente estudio de IDG Research los proyectos de big data suelen llevar más tiempo del esperado, y se obtiene menor retorno de inversión del esperado ya que se requiere de ayuda externa para extraer significado práctico de los descubrimientos.

La mejor estrategia para incrementar el ROI y reducir el time-to-insight es una vez más comenzar con proyectos más pequeños. Usar el big data como tecnología habilitadora más que como una solución en sí misma. Limitar el alcance de las queries para desvelar respuestas a preguntas que permitan obtener retornos inmediatos.

Si está pensando en realizar un proyecto de Big Data o Machine Learning ahora que están tan de moda primero habría de preguntarse, ¿estamos realizando algún análisis de nuestros productos? En caso contrario un buen comienzo sería extraer unos datos básicos de las operaciones internas con el fin de extraer recomendaciones. Un siguiente paso sería preguntarse qué no puedo responder con el sistema que tengo actualmente y estimar el valor que podría extraer de tomar las decisiones adecuadas. La tecnología viene después de pensar a qué queremos dar respuesta. Si lo que buscamos es identificar  potenciales compradores en nuestra marca o productos podemos usar las plataformas Hadoop, Spark o Watson para buscar en las redes sociales influenciadores.

Otro ejemplo real de una empresa que ha obtenido un retorno de inversión muy positivo. Utilizó big data para comprender más sobre el comportamiento de su cliente  y conseguir convertir compradores únicos en clientes con pedidos repetidos. El alcance del proyecto estaba muy focalizado y consiguió un retorno de inversión del 120% de incremento en ventas. El tiempo para llegar a los ingresos esperados se acortó y la prueba de concepto fue suficientemente prometedora para la empresa como para comprometerse a realizar nuevos proyectos con mayor presupuesto y tecnologías para análisis de resultados.

Como hemos visto, en muchas ocasiones el ROI no se produce por el lado de ingresos sino en el de ahorro de costes. ¿Cómo valoraríamos una recomendación resultante de analizar comportamientos de seguridad que evitara el acceso de un intruso a los sistemas corporativos?  Sencillamente no se puede cuantificar, no sólo por el daño que puede causar en sí el atacante de la intrusión sino la pérdida de confianza en la marca y consecuente repercusión en las cuentas del negocio a largo plazo de hacerse pública. Un ejemplo reciente lo tenemos en el banco ING, que el pasado 31 de marzo tuvo caído durante 24 horas su canal de acceso a Internet a la operativa de su negocio dejando sin acceso a 3,2 millones de clientes. En un artículo próximo que trataremos sobre seguridad veremos cómo el big data puede ayudarnos no sólo en la detección de intrusos sino en la predicción antes del intento de ataque basándonos en modelos de patrones de comportamientos.

Como con cualquier proyecto tecnológico, el camino para entender el retorno de inversión pasa por definir unas expectativas adecuadas desde el comienzo. Si podemos limitar el alcance del piloto para probar el retorno y demostrar el potencial del big data, veremos como será más sencillo luego vender internamente el proyecto y justificar una inversión mayor en recursos para la consecución de mayores retornos. ¿Ha probado ya algún piloto en big data? Estamos encantados de poder compartir experiencias y escuchar las suyas.