Decodificación de análisis de datos fácil frente a no tan fácil

Escrito por el Profesor S. Sadagopan, Director – IIIT Bangalore. El Prof. Sadagopan es uno de los académicos con más experiencia en el panel de expertos del Programa de Diploma UpGrad & IIIT-B PG en Análisis de Datos.

Como profesional de análisis en ciernes confundido por la jerga, la exageración y los abrumadores mensajes de marketing que hablan de millones de próximos trabajos que se pagan en millones de rupias, debe tener claridad sobre el valor "real" de una educación en análisis de datos. Aquí hay algunas cositas que, con suerte, deberían ayudar a reducir su confusión.

Algunas personas inteligentes pueden usar el "pensamiento analítico" para obtener "números asombrosos"; son muy útiles pero al ser “intuitivos”, no se pueden “enseñar”.

Por ejemplo:

Análisis fácil

Preconfiguración de cajeros automáticos con Data Insights

“Tenemos el cajero automático más rápido del planeta”

Reclamó un banco respetado. ¿Consiguieron un nuevo cajero automático hecho especialmente para ellos? De ningún modo. Un empleado inteligente con una mentalidad analítica descubrió que el 90% de las veces que los usuarios van a un cajero automático para retirar efectivo, usan una cantidad fija, digamos 5000 rupias. Por lo tanto, el banco reconfiguró las opciones estándar de la pantalla (Consulta de saldo, Retiro, Impresión de estado de cuenta, etc.) para incluir otra opción. Retira la cantidad XYZ, según las acciones pasadas de cada cliente.

Esto terminó ahorrando un paso de la operación del cajero automático. En lugar de seleccionar la opción de retiro y luego ingresar el monto a retirar, ahora puede ahorrar algo de tiempo, lo que hace que el proceso sea más conveniente e intuitivo. De hecho, es un movimiento inteligente, sin embargo, esto es algo conocido como "Análisis fácil" que otros también pueden copiar. De hecho, otros SÍ copiaron, ¡dentro de tres meses!

Datos ocultos en el clima

En los conjuntos de datos de muestra que solían acompañar a un producto de hoja de cálculo en los años 90, solía haber datos sobre el área y la población de cada estado de los Estados Unidos. También hubo un ejercicio para enseñar la fórmula parte de la hoja de cálculo para calcular la densidad de población (población por kilómetro cuadrado). Nueva Jersey, con una población de 467 habitantes por kilómetro cuadrado, es el estado con mayor densidad.

Mientras enseñaba a una clase de estudiantes de MBA en Nueva Jersey, conocí a un estudiante indio que descubrió que, en términos de densidad de población, ¡Nueva Jersey está más poblada que India con 446 personas por kilómetro cuadrado! Una observación interesante, aunque comparar un Estado con un País es un poco engañoso. ¡ Una vez más, un ejercicio de Easy Analytics que conduce a una observación "agradable"!

Algunos ejercicios simples de análisis de datos se pueden hacer de forma rutinaria y se hacen relativamente más fáciles gracias a herramientas increíbles:

Comportamiento de compra de B-School decodificado

En una B-School en India que tiene una tienda en el campus (el campus está ubicado lejos del centro de la ciudad), algunos estudiantes inteligentes pusieron varios años de datos de ventas de su tienda del campus . Estaban emocionados por la potencia fenomenal de la computadora y el software de análisis casi a prueba de idiotas.

La verdadera sorpresa, sin embargo, fue que ocho artículos representaron el 85% de sus ventas anuales . Más importante aún, ¡estos ocho artículos se consumieron en solo seis días del año! Todos sabían que un puñado de artículos eran los únicos artículos de rápido movimiento, pero no sabían el alcance (85%) o la intensidad (consumo en solo seis días) de esto.

¡Resulta que en los primeros 3 días del semestre los estudiantes almacenarían los artículos para todo el semestre! La B-School consideró sensato solicitar una tienda cercana para apuntalar un puesto temporal durante solo dos semanas al comienzo de los semestres y cerrar la tienda del campus. Esto ahorró espacio útil y costos sin causar mayores inconvenientes a los estudiantes. Un buen ejemplo de Easy Analytics hecho con la ayuda de una poderosa herramienta.

El análisis "no tan fácil" necesita una comprensión analítica profunda, herramientas, una "mentalidad analítica" y algo de trabajo duro. Aquí hay dos ejemplos, uno tomado de los años 70 y el otro ocurrido muy recientemente:

Análisis no tan fáciles

Volar o no volar, esa es la cuestión

Hace mucho tiempo, American Airlines perfeccionó el overbooking planificado de asientos de aerolíneas , gracias al sistema de reserva de aerolíneas SABRE que administraba cada asiento de aerolínea.
Armado con datos anteriores detallados de 'asientos vacíos' y 'no presentados' en cada segmento de cada vuelo para todos los días del año, y modelando los asientos de las aerolíneas como productos perecederos, American Airlines pudo mejorar el rendimiento, es decir, la utilización de los aviones. capacidad. Hicieron esto a través de la sobreventa planificada: vender más boletos que la cantidad de asientos, según las cancelaciones proyectadas .

Si de hecho aparecieran más pasajeros que el número real de asientos, American Airlines solicitaría a cualquiera que se ofreciera como voluntario que renunciara a viajar en el vuelo específico, con la oferta de volarlos en el próximo vuelo (a menudo gratis) y encargarse del alojamiento en el hotel si es necesario. A veces, incluso ofrecían incentivos en efectivo al voluntario para optar por no participar.

Mediante el uso de sofisticados modelos de investigación estadística y operativa , American Airlines se aseguraría de que los vuelos estuvieran llenos y que los incidentes reales de más pasajeros que la capacidad total fueran casi cero. De hecho, muchos estudiantes esperarían tales incidentes para poder obtener incentivos (de hecho, tendría que incluirme en esta lista) ¡pero rara vez fueron recompensados!)

Lo que American Airlines comenzó como un experimento se ha convertido en la práctica estándar de la industria a lo largo de los años. Hasta hace poco, se necesitaba un equipo de analistas bien capacitados (a menudo con títulos de doctorado) armados con acceso a un enorme poder de cómputo para que un ejercicio de análisis de este tipo se mantuviera.

Ahora, el software de nueva generación, como el lenguaje de programación R y las potentes computadoras de escritorio con un poder significativo de visualización/gráficos, está cambiando el mundo del análisis de datos muy rápido. Cualquier persona bien capacitada (que ya no requiere necesariamente un doctorado) puede convertirse en un profesional analítico de primer nivel.

Taxi fuera de la bolsa

Uber es otro ejemplo más que muestra cómo el poder del análisis de datos puede alterar una industria bien establecida. Los taxis seguros en Bangalore y Ola Cabs son similares a Uber. Juntas, estas empresas de Taxi-App (usando una aplicación móvil para tomar un taxi, el estado monitorea el taxi, usa y paga el taxi) están tratando de convencer al mundo de pasar de la propiedad del automóvil al uso del automóvil a pedido.
Un ejercicio de análisis simple pero profundo en el año 2008 le dio tanta confianza a Uber que comenzó a hablar de reducir las ventas de automóviles en un 25% para el año 2025.
Después de crear la aplicación Uber para iPhone, el fundador de Uber inscribió a unos cientos de clientes de taxis en San Francisco y también a unos cientos de taxistas en esa área. Todo lo que los conductores inscritos tenían que hacer era tocar la aplicación de Uber cuando estuvieran listos para un cliente. De manera similar, se solicitó a los clientes de taxis inscritos que tocaran la aplicación de Uber cada vez que buscaran un taxi.
Gracias al teléfono conectado a Internet (conectividad), la aplicación móvil (interfaz de usuario), el GPS (taxi y ubicación del usuario final) y GIS (detalles de ubicación), Uber podría intentar conectar a los taxistas y los usuarios de taxis.

La idea real fue que casi el 90 % de las veces, los taxistas encontraron un cliente a menos de 100 metros de distancia. De la misma manera, casi el 90% de las veces, los usuarios de taxis se conectaron con sus conductores potenciales en poco tiempo, no demasiado lejos.
Desafortunadamente, hasta que apareció la aplicación Uber, los pasajeros y los taxistas no tenían forma de conocer esta información. Más importante aún, ¡ambos no tenían forma de comunicarse! Una vez que tuvieran esta información y acceso, se podría establecer una nueva forma de pedir taxis.

Con un software back-end para programar taxis, una pasarela de pago y un mecanismo de pago móvil , se podría establecer un servicio de taxi mucho más superior. Por supuesto, cerca de casa, teníamos opciones aún mejores, como Taxi-for-sure, que intentaba extender esta experiencia incluso a los rickshaws automáticos. El resto, como dicen, es “¡historia en ciernes!”.

Los cursos de inmersión profunda en análisis de datos lo ayudarán a prepararse para aplicaciones de tan alto impacto. No es fácil, pero recuerda las palabras del ex presidente estadounidense Kennedy

“Elegimos ir a la Luna no porque sea fácil, sino porque es difícil”.

Obtenga la certificación de ciencia de datos de las mejores universidades del mundo. Aprenda los programas Executive PG, los programas de certificación avanzada o los programas de maestría para acelerar su carrera.