Cada vez más el Big Data y la analítica van estando más presentes en el día a día de un analista de negocio. Uno de los pilares de la transformación digital es el dato y cada vez es más necesario formarse en estos campos para un analista de negocio.

Una primera introducción en el Big Data y analytics podría ser:

• Aprender a manejar grandes volúmenes de datos sin morir en el intento o generar Exceles inmantenibles o cuya ejecución se demora en exceso.
• Conocer lo necesario (sin ser un experto) de estadística o machine learning para que me ayude en mis procesos de reporting y análisis.
• Conocer lo necesario (sin ser un experto) de infraestructuras Big Data y Cloud para poder manejar y procesar lo que antes era inmanejable.
• Beneficiarme de la capacidad de visualización de datos de herramientas potentes y sencillas de manejar.

Recomendamos el siguiente curso (gratuito) como un útil primer paso para irse adentrando en estas cuestiones: 

Primero quiero agradecer a Carlos de Dataprix.com por su constante apoyo para redactar en la pagina, ya que fue la primer lugar para la que escribí, hace mas de 5 años. No duden en contactarlo para empezar ustedes!

La escritura técnica fue creciendo poco a poco y hoy quiero compartir con todos ustedes el libro open-source que publique: Data Science Live Book!

Llevo muchos años trabajando en proyectos de Business Intelligence, y me gusta, pero tengo una espinita clavada desde hace mucho tiempo, y quizás haya llegado ya el momento de ‘desclavarla’.

Cuando comencé a estudiar lo que era el Business Intelligence, un mundo nuevo en el que los datos se organizaban expresamente para facilitar y realizar de manera óptima tareas de análisis y descubrimiento de información, como parte de un proyecto típico de BI, se incluía algo llamado Data Mining..

En este post vamos a ver un caso práctico de descomposición de series temporales con SAS.

Las series temporales son útiles cuando se quiere predecir la evolución de una variable que cambia a lo largo del tiempo. Las series temporales pueden mostrar una gran variedad de patrones..

El análisis RFM es una conocida técnica de segmentación del clientes. El modelo toma en consideración tres métricas:

1) Ticket medio de compra (Money)

2) Frecuencia de compra (Frecuency)

3) Tiempo qué hace que no compra (Recency)

En base a estas métricas clasifico a los clientes..

Desde el punto de vista puramente técnico, se denomina Big Data a los sistemas de información que sobrepasan las capacidades de las tecnologías tradicionales basadas principalmente en base de datos relacionales. 

Las características de la información que hace que se requiera esta nueva tecnología son principalmente 3: Volumen, Velocidad y Variedad..

Existen múltiples aplicaciones de business analytics para el sector retail. Desde diferentes perspectivas los sistemas de business intelligence ayudan cuestiones críticas para el negocio, como pueden ser:

• Analizar clientes (segmentación, captación, retención, fidelización)
• Optimizar precios (elasticidad, pricing)
• Procesos de previsión de la demanda y previsión de ventas
• Análisis de las redes de distribución, transporte y almacenamiento
• Control geográfico de redes comerciales de gran capilaridad
• Seguimiento transacciones de venta (análisis productos y cesta de la compra)

En este post vamos a centrarnos en los procesos de análisis de cesta de la compra, realizando un rápido ejemplo..

En los procesos de tratamiento de datos de los proyectos de Data Science es habitual encontrarse con la necesidad de conectar dos herramientas. Por ejemplo, podemos encontrarnos el caso de realizar la obtención y la preparación del dato en SAS y su modelización y análisis en R. Es una opción útil sobre todo si trabajamos con altos volúmenes de datos para los que R puede tener alguna limitación al trabajar en memoria. Haciendo el tratamiento previo en SAS podemos dejar la información depurada y agregada para R.