“Estrategias de Big Data para generar Insights”, presentación de Claudio Flores Thomas en el Big Data Summit de Katedra, celebrado en el hotel Marriot de Reforma fue el escenario para que ante un foro repleto presentara .

1. Estrategias de Big Data para
generar Insights
Claudio Flores
05 de mayo / CDMX

3. Fuente: https://twitter.com/danariely/status/287952257926971392

4. El Big Data es la gran sensación del
momento, la última moda, Pero
echando una mirada retrospectiva es
un momento en la evolución del
análisis de datos.

5. 1959 FASE CLÁSICA
La recopilación de datos se
realizaba de forma mecánica,
sin un sistema de ordenamiento
y quedaba aislada dentro de
cada proyecto particular. .
2000 FASE TECNOLÓGICA
Integración de herramientas de
software para análisis complejo,
construcción de modelos e
integración de procesos
1980 FASE DE ESPECIALIZACIÓN
Estandarización y especialización de
los procesos, herramientas específicas:
índices, sistemas de métricas, modelos
de segmentación, tipologías de
consumidor, etc.
AHORA: FASE DEL BIG DATA
Procesamientos automáticos de
recopilación, sistematización y cruce de
datos.
Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem:
Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers.
El Big Data en la historia de la Investigación de Mercados

6. 1959 FASE CLÁSICA
La recopilación de datos se
realizaba de forma mecánica,
sin un sistema de ordenamiento
y quedaba aislada dentro de
cada proyecto particular. .
2000 FASE TECNOLÓGICA
Integración de herramientas de
software para análisis complejo,
construcción de modelos e
integración de procesos
1980 FASE DE ESPECIALIZACIÓN
Estandarización y especialización de
los procesos, herramientas específicas:
índices, sistemas de métricas, modelos
de segmentación, tipologías de
consumidor, etc.
AHORA: FASE DEL BIG DATA
Procesamientos automáticos de
recopilación, sistematización y cruce de
datos.
Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem:
Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers.
El Big Data en la historia de la Investigación de Mercados

7. 1959 FASE CLÁSICA
La recopilación de datos se
realizaba de forma mecánica,
sin un sistema de ordenamiento
y quedaba aislada dentro de
cada proyecto particular. .
2000 FASE TECNOLÓGICA
Integración de herramientas de
software para análisis complejo,
construcción de modelos e
integración de procesos
1980 FASE DE ESPECIALIZACIÓN
Estandarización y especialización de
los procesos, herramientas específicas:
índices, sistemas de métricas, modelos
de segmentación, tipologías de
consumidor, etc.
AHORA: FASE DEL BIG DATA
Procesamientos automáticos de
recopilación, sistematización y cruce de
datos.
Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem:
Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers.
El Big Data en la historia de la Investigación de Mercados

8. 1959 FASE CLÁSICA
La recopilación de datos se
realizaba de forma mecánica,
sin un sistema de ordenamiento
y quedaba aislada dentro de
cada proyecto particular. .
2000 FASE TECNOLÓGICA
Integración de herramientas de
software para análisis complejo,
construcción de modelos e
integración de procesos
1980 FASE DE ESPECIALIZACIÓN
Estandarización y especialización de
los procesos, herramientas específicas:
índices, sistemas de métricas, modelos
de segmentación, tipologías de
consumidor, etc.
AHORA: FASE DEL BIG DATA
Procesamientos automáticos de
recopilación, sistematización y cruce de
datos.
Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem:
Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers.
El Big Data en la historia de la Investigación de Mercados

9. Y en el último año, el uso de Big Data ha crecido
de forma sostenible
GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online
2014
Q1-Q2
2016
Q3-Q4
2016
Q1-Q2
2015
Q3-Q4
2015
Q1-Q2
32% 32%
34%
39% 38%
Uso de Big Data Analytics como método emergente en la industria (2015 – 2016)

10. Según GRITS Report los perfiles relacionados con el análisis
de datos estarán entre los mayor demanda en la industria
tanto por clientes como por proveedores
GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online
PROVEEDORES CLIENTES

11. Y con uso de fuentes primarias de datos
declaradas entre los investigadores…
GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online
% DE INVESTIGADORES QUE REPORTARON UN INCEMENTO
EN EL USO DE LAS SIGUIENTES FUENTES DE DATOS

12. ETAPAS DE ACEPTACIÓN DEL BIG DATA EN LA INDUSTRIA
IntegraciónNegociación y
aceptación
Negación
Elaborado a partir de Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem:
Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers.
Hubo cierta cantidad de pánico y
parálisis de la acción - una especie de
"nosotros-sabemos-que-existe-el-BIG-
DATA, pero no lo necesitamos. Es
demasiado desestructurado - ¿cómo
se puede utilizar una" reacción. Había
una aspiración de utilizar grandes
datos, pero muchas empresas no
tenían un plan real de cómo
La siguiente fase vino con la
experimentación con técnicas de BIG
DATA que muchas veces resultaron en
en una inundación abrumadora de
datos - nuevamente llevando a la
parálisis de la acción - documentada
de otra manera como el problema del
diluvio de datos.
Por último, vemos una madurez más
profunda en el uso de Big Data, donde
las empresas invierten cada vez más
para integrar sus fuentes de datos en
los sistemas de toma de decisiones.

13. Se estima que para el año 2020 habrá 21 mil
millones de dispositivos conectados a Internet
con 16 mil millones de dispositivos IoT en
2021, la gran mayoría de los cuales pueden
recopilar datos pertinentes para la
investigación de mercado.
Miguel Ramos. (2016). The Internet of Things : An opportunity for transformation in Market
Research. ESOMAR Conference Papers, (November).

14. EL FRAMING PONE EN VALOR LA
INFORMACIÓN

15. HOY EN DÍA EL PROBLEMA
NO ES LA CANTIDAD DE
INFORMACIÓN

16. La cantidad de datos que se crea cada dos
minutos hoy, es la misma que se creaba a
inicios del año 2000
Cada minuto se dan alrededor de 2 millones
de Like en Facebook
En Youtube se suben 100 horas de video
cada minuto ¿te imaginas cuantos años
necesitarías para ver todos esos contenidos?
Google procesa un promedio de 40K
búsquedas por segundo
En el 2017 la industria del Big Data espera
un crecer $54.3 mmll de USD
http://www.dexlabanalytics.com/blog/big-data-in-every-day-living
EL 90% DE LOS DATOS MUNDIALES SE
GENERÓ EN LOS ÚLTIMOS DOS AÑOS

17. De hecho,
necesitamos
Big Data ¡para
entender el
Big Data!

18. SINO CÓMO ORGANIZARLA,
INTERPRETARLA Y DARLE
VALOR

19. FRAMING EN BIG DATA
Marco de análisis
que orienta la
búsqueda a
resultados
FRAMING
Contar con Framing para organizar
los datos masivos es clave para no
perderse en el intento y no llegar a
conclusiones equivocadas.

20. EL FRAMING EN BIG DATA
El framing en Big Data ayuda a responder cuestiones
fundamentales.
FRAMING
¿Para qué?
• Sin un Framing la
información no tendría
objetivo, ni un escenario
donde cobre valor
¿Qué sigue?
• Un Framing también ayuda
a prospectar escenarios
futuros, no solo a partir de
la información del
momento, sino por una
mirada comprehensiva de
la realidad
¿Por qué?
• No solo recabar datos, sino
que permite dimensionar
la causa que los origina
¿Cómo?
• Sin un Framing anclado en
los procesos sociales,
culturales y políticos, la
información abundante
solo es ruido

21. Según GRITS Report hay un aumento de
la cantidad de clientes que compraron
resultados de investigación de Big Data
Analytics y Social Media Analytics a
proveedores que no pertenecen a la
industria de Investigación de Mercados

22. Si bien los grandes datos han
hecho que las técnicas de
encuesta sean más completas y
avanzadas, la cantidad de puntos
de datos generados ha hecho que
las personas sean más vulnerables
a la identificación.
Roy, R., & Thakar, R. P. (2016). The Inspiration Ecosystem:
Curating from multiple data-agnostic input for business insights. ESOMAR Conference Papers.

23. Abraham Wald fue un matemático durante la II Guerra
Mundial a quien se le encargó averiguar dónde añadir
armadura a los bombarderos de larga distancia para
protegerlos mejor a través de un territorio hostil. En un
intento por responder a la pregunta, Wald comenzó a
analizar los lugares donde los bombarderos que regresaban
estaban más dañados, pero luego se dio cuenta de que los
datos no ayudarían a responder a la pregunta real. Los
aviones que estudiaba habían vuelto a pesar de su daño. La
verdadera pregunta era ¿dónde no habían sido alcanzados
los aviones?
Miguel Ramos. (2016). The Internet of Things : An opportunity for transformation in Market
Research. ESOMAR Conference Papers, (November).

24. MUCHOS DATOS NO SON MÁS
CONOCIMIENTO

25. EL BIG DATA PUEDE DARTE
ABUNDANCIA DE
INFORMACIÓN

26. PERO ESO NO ES ÚTIL, SI LA
INFORMACIÓN NO TIENE
SENTIDO

27. CÓMO DARLE SENTIDO A LA INFORMACIÓ
El framing en Big Data ayuda a responder cuestiones
fundamentales.
FRAMING
¿Para qué?
• Sin un Framing la
información no tendría
objetivo, ni un escenario
donde cobre valor
¿Qué sigue?
• Un Framing también ayuda
a prospectar escenarios
futuros, no solo a partir de
la información del
momento, sino por una
mirada comprehensiva de
la realidad
¿Por qué?
• No solo recabar datos, sino
que permite dimensionar
la causa que los origina
¿Cómo?
• Sin un Framing anclado en
los procesos sociales,
culturales y políticos, la
información abundante
solo es ruido

28. GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online
La necesidad de los perfiles profesionales por parte de
clientes y proveedores en la industria, tiene su co-relato en
las necesidades de superación profesional
38%
Habilidades para
encontrar una
narrativa en los datos 33%
Habilidades en la
visualización de datos
32%
Alinear las
necesidades de
negocio con los
métodos de
investigación

29. LA HIPOTESIS DE TRABAJO LE DA
SENTIDO A LA INFORMACIÓN

30. EL BIG DATA NO TE HARÁ
EXPERTO EN UNA
INDUSTRIA QUE NO
CONOCES

31. “La buena suerte solo llega a
los laboratorios bien
preparados”
- Bruno Latour

32. LA HIPÓTESIS TE HACE PENSAR EN LO IMPORTANTE
Si no tienes las preguntas correctas, no verás las respuestas
adecuadas
HIPÓTESIS
¿En qué se parece esto a otros
casos?
• Es clave tener referencias
históricas de otras cosas que
hayan pasado de forma semejante
¿Qué decisiones habré de
tomar?
• Mucho del Big Data es Nice to
Know, solo cobra valor cuando
es un Need to Know para tomar
decisiones de negocio
¿Qué sé previamente
sobre el tema?
• Necesitas estar empapado
de tu industria para que la
información del Big Data
te diga algo
¿Qué información espero
encontrar?
• No es esperar a ver
correlaciones y gráficos,
debes tener una expectativa
sustentada sobre lo que el
Big Data puede arrojar

33. https://whatsthebigdata.com/2017/03/28/big-data-ecosystem-and-benefits/

34. Algunos ejemplo de correlaciones
extrañas
http://tylervigen.com/spurious-correlations

35. “El Big data es datos, y los datos favorecen el
análisis sobre la emoción. Es difícil imaginar a los
datos capturando muchas de las cualidades que más
valoramos: bellos, sexy, asombroso, gracioso. Si los
datos favorecieran las mejores decisiones
emocionales entonces los contables serían el
paradigma cultural de los grandes amantes”
Chip Heath
Lindstrom, M. (2016). Small Data. Planeta.

36. LA CLAVE PARA INERPRETAR ES LA
MANEJABILIDAD: SMALL DATA

37. “Nos hemos dispersado sobre un número
demasiado grande de datos, hemos tratado de
acumular informaciones numerosas y
superficiales, y finalmente, hemos caído en la
cuenta de que muchas son inutilizables”
- Claude Levi-Strauss (1958)

38. “El Small Data es un volumen y formato que
hace que la información sea accesible y
accionable”.
The Small Data Group

39. EL SMALL DATA DIMENSIONA
Al final del día en Big Data, no importa la cantidad, sino la calidad
de la información
SMALL
DATA
Pasar de los números a los
sentimientos
• Leer tras los número para
encontrar lo que la gente sueña,
teme, desea y busca
Profundizar más que abarcar
• Es más importante reconocer
sesgos, prejuicios, ideologías y
profundizar en ellas que quedarse
solo con los muchos datos
Quitar lo grande para ver lo
pequeño
• Se deben reconocer las
decisiones, las acciones
individuales, a las personas
Reconocer mentes y no solo
tendencias
• Las tendencias que arroja el Big
Data son resultado de los
pensamientos y acciones de las
personas antes de que pasen por
la web

40. Principales protagonistas del cambio en la industria de
la investigación de mercados, según GRITS Reports
GreenBook. (2017). GRIT Report 2016 Q3-Q4. Retrieved from https://issuu.com/researchshare/docs/16grit_w_---gritreport_r05_online

41. Pettit, A. (2015). Blasting 10 big data myths with 10 research panel examples. In ESOMAR Conference Papers, Congress Dublin.

42. A inicios de 2003 LEGO había perdido el 30% de sus ventas.
Cada uno de los estudios de Big data de LEGO encargó
indicaban que los Millennials perderían interés en sus
productos.
El mayor cambio en la visión de desarrollo de LEGO fue una
visita etnográfica realizada en 2004 a la casa de un niño
alemán de 11 años. Cuando se le preguntó cuál era su
posesión más valiosa señaló unas desgastadas y viejas
zapatillas deportivas Adidas.
Los resultados de la visita etnográfica derribaban todas las
conclusiones obtenidas de los estudios de Big Data.
Demostrando que los niños que los niños consiguen
reconocimiento social entre sus iguales jugando y
demostrando su nivel de maestría en sus actividades
favoritas.
Lindstrom, M. (2016). Small Data. Planeta.