Abrir publicación

Análisis de la evolución del COVID-19 en Argentina

Desde Merovingian Data presentamos hoy nuestro panel público de análisis del COVID-19 en Argentina. Este panel (verlo en Power BI) lleva al alcance de cualquiera una potente herramienta de análisis, actualizada diariamente y potenciada con mejora continua. Antes que nada, recomendamos fuertemente visualizar el panel en Computadoras de Escritorio, ya que el mismo no está optimizado para móviles. A continuación, presentamos algunas conclusiones rápidas de cada parte del panel y te invitamos a recorrer nuestro blog y a suscribirte para recibir más artículos como este.

ÚLTIMA ACTUALIZACIÓN 20/5/2021: Sumamos al tablero la hoja de Letalidad sobre Casos Confirmados. Adicionalmente actualizamos la fuente de los testeos por laboratorio. También se introdujeron mejoras generales como la capacidad de bajar a nivel de departamento en todas las hojas.

ACTUALIZACIÓN 11/5/2021: Agregamos al tablero las hojas de vacunación y movilidad a nivel global. Además cambiamos la metodología de presentación de los datos de movilidad para reflejar el último dato en vez del promedio de un período en gráficos sin eje de tiempo.

ACTUALIZACIÓN 25/4/2021: Hemos incluído para los datos de casos y fallecidos de los últimos 7 días, los reportados por los informes nacionales en vez de los registrados en el SISA. Los mismos son preliminares pero reflejan los últimos datos.

Casos

Observamos dos picos. El primero se produjo durante septiembre del 2020, el segundo se está gestando y no podemos asegurar que los casos vayan a descender en el futuro próximo. De hecho, al observar los casos confirmados es importante decir que los mismos son preliminares en la última semana y no están registrados en el SISA, sino que corresponden a los informes nacionales. En el panel de Merovingian Data definimos casos como casos confirmados, sin incluir los sospechosos.

Casos Confirmados en el Tiempo

Por grupo etario, observamos que la proporción de casos aumentó en jóvenes. En cuanto a casos por Millón, CABA y Tierra del Fuego son los lugares más afectados, mientras que la mayoría de las provincias del interior se encuentran por debajo de la media del país.

Fallecidos

Respecto a tal vez el número más importante que mirar para tomar decisiones de política sanitaria, los fallecidos, observamos que existió un primer pico de fallecidos confirmados por COVID-19 en Septiembre del 2020, mientras que hoy se la cantidad de fallecidos se encuentra en un record que ronda los 500 diarios según datos preliminares de reportes díarios. En el gráfico de Casos Confirmados por Grupo Etario podemos ver que la proporción de fallecimientos se concentra particularmente en Mayores de 65 años, la probabilidad de muerte en jóvenes es muy baja.

Fallecidos en el Tiempo

Distribuciones por Edad

En la página de Distribuciones por Edad podemos obtener un insight clave de esta pandemia: la mayoría de los casos se presentan en la población más jóven y la mayoría de fallecidos en la más adulta.

Distribuciones por Edad

De hecho, la función de densidad acumulada permite comprobar que casi el 80% de los fallecidos son mayores de 60 años.

Vacunación

En la última versión de nuestro panel se puede seguir la campaña de vacunación contra el COVID 19 en Argentina. Rápidamente, podemos observar quecerca del 19% de la población ha sido vacunada con una primera dosis, mientras que solo el % ha podido aplicarse una segunda dosis. Por otro lado, podemos tener una clara idea de si la campaña se está acelerando, observando la media movil de 7 días de dosis aplicadas, la misma permite entender que el nivel de vacunas aplicadas por día hasta mayo del 2021 se ha mantenido estancado cerca de las 120 mil. Adicionalmente, el panel nos permite hacer cruces geográficos y por tipo de vacuna.

Vacunación contra el Covid 19 en Argentina según NOMIVAC

Movilidad por Departamento

En el panel de Merovingian incluimos una estadística clave, los datos de movilidad de Google Mobility Reports. Los mismos miden la diferencia porcentual entre la cantidad de gente en un día normal del 2019 contra la actualidad, ajustando para no individualizar a nadie. Es decir, si observamos en un día particular que esta fue -30%, significa que en ese día hay un 30% menos de personas circulando en el lugar respecto al año base (2019). Incluimos en nuestro análisis dos estadísticas: Movilidad en el Trabajo y Movilidad en el Comercio y lugares de Esparcimiento.

Movilidad por Departamento

Esta página permite visualizar rápidamente la relación entre movilidades. Adicionalmente, el tamaño de los círculos representa los muertos por millón. Este gráfico inédito para el análisis de COVID en Argentina nos demuestra que los departamentos turísticos han percibido los efectos económicos más adversos. A su vez, observamos provincias con Resultados menos negativos, como Mendoza.

Movilidad en el trabajo

Respecto a la movilidad en el trabajo, podemos observar fuertes caídas a partir de la cuarentena del año pasado con una recuperación progresiva. Comparando entre algunas provincias, podemos observar que Mendoza tuvo una recuperación mucho más rápida que, por ejemplo, Ciudad de Buenos Aires. Esto podría estar relacionado con medidas de aislamiento mucho más laxas. Aun así, Mendoza tiene niveles de muertos por millón significativamente más bajos que Ciudad de Buenos Aires, este dato pone en duda la efectividad de las medidas de aislamiento estricto impuestas en algunos lugares del resto del país.

Movilidad en el Trabajo

Movilidad en el Comercio

En este apartado las conclusiones son similares al apartado anterior, aunque podemos observar que no se ha recuperado y que la caída ha sido muy superior a la movilidad en el trabajo. Se visualiza un pico de movilidad para las fiestas de fin de año.

Movilidad en el Comercio y Esparcimiento

Movilidad vs Recaudación en Mendoza

Otro análisis interesante realizado por Merovingian Data es la relación entre la recaudación de Ingresos Brutos de la provincia y el cambio en la movilidad en el trabajo. En este caso observamos una fuerte correlación entre las variables. En Marzo del 2021 los niveles de recaudación se habían recuperado a niveles del 2019. Resultará interesante actualizar estos datos para analizar el impacto de las nuevas restricciones en la Provincia.

Movilidad vs Recaudación de IIBB de Mendoza

Positividad

Una métrica clave para entender la evolución de casos es la positividad de los testeos. Una alta positividad nos habla de prevalencias ascendentes de COVID. Como podemos observar, el nivel de positividad aumentó a pesar de haber aumentado la cantidad de tests, lo cuál nos habla de casos ascendentes, sin esta comprobación es difícil diferenciar si realmente los casos están aumentando o existe un efecto estadístico relacionado con mayor testeo.

Positividad de Tests

Casos vs Tests

Siempre que observamos la evolución de casos es importante entender si la capacidad de testeo ha aumentado, porque en ese caso podemos realizar conclusiones erróneas del tipo “los casos están aumentando” cuando no sabemos si esto es así porque antes no se testeaban y ahora sí. En este caso observamos cómo casos y tests realizados están fuertemente correlacionados positivamente. Aunque no podemos hablar de causalidad, si podemos decir que los mismos se relacionan significativamente.

Casos Confirmados vs Test Realizados

Letalidad Sobre Casos Confirmados

La hoja de Letalidad Sobre Casos Confirmados de COVID-19 nos permite revisar tendencias de mortalidad del virus. Siempre tenemos que tener en cuenta que estos datos de Mortalidad son solo una aproximación a los reales, ya que la Letalidad sobre Casos Totales incluye a las personas no testeadas.

Letalidad Sobre Casos Confirmados

Movilidad en el Trabajo a nivel Global

En esta parte del tablero podemos revelar insights sobre el nivel de restricciones de cada país en relación al COVID-19. Lo que visualizamos es, por país cuánto han caído los índices de movilidad según Google. Rápidamente podemos observar cómo los países (aunque no podemos visualizar a todos ya que algunos restringen la recolección de datos o no tienen suficientes celulares) más afectados se encuentran en Rojo, por ejemplo, India . Por otro lado, la curva de evolución en el tiempo nos permite entender que tan lejos está el mundo de volver a sus niveles de 2019. Adicionalmente, es posible bajar de nivel en el tablero haciendo dril-down sobre algún país (Para ello clickear la flechita hacia abajo del mapa y luego un clickear un país).

Movilidad en el Trabajo según Google Mobility Reports.

Movilidad en el Comercio y Esparcimientos a Nivel Global

Este tablero, al igual que el anterior, permite visualizar los índices de movilidad en Comercios y Esparcimiento según Google. En este caso podemos ver cómo las tendencias pueden diferir por países, por ejemplo: Argentina presenta menores niveles que USA, tendencia que se revierte para el caso de lugares de trabajo. También observamos la misma tendencia en los epicentros actuales de la Pandemia: el sudeste asiático e India.

Movilidad en el Comercio según Google Mobility Reports

Finalmente, invitamos a instituciones e individuos a compartir (mediante el botón de la esquina inferior derecha para verlo en Power BI) o utilizar nuestro panel a discreción, pueden revisar las fuentes de los datos en la hoja FUENTES, los mismos se actualizarán diariamente. Adicionalmente, todo feedback es bienvenido.

Abrir publicación
Metricas clave para negocios tecnológicos

Métricas clave para negocios de base tecnológica

Mensurar el avance de nuestro negocio puede ser un desafío importante. Como en todo proceso, encontrar las métricas correctas es clave para trabajar con enfoque, en dónde mayor impacto podemos lograr. Obviamente, algunas métricas serán más apropiadas que otras dependiendo del modelo de negocio. En este post, recopilamos algunas de las métricas que se utilizan frecuentemente para este fin.

Customer Acquisition Cost

La primera es el Customer Acquisition Cost (CAC) o costo de adquisición del cliente. Este es, la cantidad que gastamos para ganar un nuevo cliente y es útil cuando se desglosa por canal, producto, vendedor, etc. Nos muestra qué actividades específicas de marketing y ventas tienen el CAC más bajo y, por lo tanto, son las menos costosas para obtener clientes. Claro que, para que el CAC adquiera sentido, debemos compararlo contra el beneficio que obtenemos por ese cliente o proyecto.

Se calcula:

CAC = Gastos en ventas y Marketing en un periodo / Nuevos clientes adquiridos en ese periodo

Customer Lifetime Value

Nuestro Segundo KPI es el Customer Lifetime Value (LTV) o valor de vida del cliente. Se trata de cuánto esperamos ganar por un cliente en total. Como regla básica de un negocio rentable, el LTV tiene que ser mayor al CAC. En la literatura de negocios norteamericana usan como regla que el LTV debería ser aproximadamente 3 veces el CAC y se debería recuperar el CAC en cómo máximo 12 meses para que una empresa de Software como servicio (SaaS) sea viable. Sin embargo, hay que tener en cuenta que este múltiplo puede ser arbitrario y en realidad depende de otras variables como el costo de fondeo.

Se calcula:

LTV =Ingresos mensuales promedio por cliente x Vida útil promedio del cliente (meses)

Customer Retention Rate

El Retention o tasa de retención es otra métrica que sirve para medir qué tan efectivos somos manteniendo a los clientes, ya que muchas veces tendemos a enfocar los esfuerzos en adquirir nuevos y olvidarnos de los clientes actuales. Mantener el Retention en la mira es fundamental para evitar esto. El Retention en definitiva es el porcentaje de clientes que mantenemos por período de tiempo.

Se calcula:

Customer Retention Rate = (Clientes al final del periodo – Nuevos clientes adquiridos en el periodo )/Clientes al principio del periodo x 100

Customer Churn Rate

Por otro lado, el Customer Churn Rate (tasa de abandono de cliente) es la contracara del Retention, es decir, cuántos clientes dejan de pagarnos por nuestro servicio o producto. Es fundamental trabajar sobre clientes perdidos, ya que, en promedio, se tiene 2 veces más probabilidades de cerrar con un cliente perdido que de adquirir uno nuevo. Normalmente el abandono puede resaltar preocupaciones comerciales en curso, como:

  • Mala segmentación de clientela
  • Problemas de funcionalidad o calidad del producto
  • Problemas con los modelos de precios

Si no se resuelven, estos pueden ser desastrosos para cualquier startup. Es una métrica especialmente importante para las empresas SaaS (productos) porque dependen de los ingresos recurrentes mensuales (Monthly Recurring Revenue) para establecer presupuestos y tomar decisiones de contratación. La alta rotación afecta la capacidad de la empresa para planificar de manera eficaz y crecer.

Se calcula:

CCR = Total de clientes abandonados en este período de tiempo / Total de clientes al inicio de este período de tiempo x 100

Revenue Churn Rate

El Revenue Churn Rate (RCR), o tasa de abandono de ingresos es similar al CCR, solo que medido en dinero. Puede ser más representativo que el anterior cuando no tenemos muchos clientes. Este es el porcentaje de ingresos perdidos en un período determinado debido a cancelaciones o no renovación de contratos. Para hacer un análisis más fino, es importante segmentar el RCR por producto, geografía, etc. según las características de la empresa.

Se calcula:

Revenue Churn Rate = Ingreso mensual recurrente perdido en el mes / Ingreso mensual recurrente a comienzos del mes x 100

Burn Rate

Una métrica extremadamente importante es el Burn Rate (tasa de uso), que indica la rapidez con la que gasta dinero la empresa. Este nos ayuda a estimar nuestro Cash Runway (tiempo de solvencia) y determinar si reducir costos o invertir más en el emprendimiento (contratación, marketing, desarrollo, etc.)

Se calcula:

Burn Rate = Efectivo total al comienzo del mes / Efectivo total al final del mes

Cash Runway

El Cash Runway es la métrica que nos indica cuándo nos vamos a quedar sin dinero a nuestro Burn Rate actual. Es decir, si estamos gastando 1 millón al mes y nos quedan en caja 3 millones al final del mes, a la tasa actual nos quedan 3 meses de vida por ejemplo. Este nos ayuda a ver si necesita intensificar o ajustar los esfuerzos de recaudación de fondos y a decidir si hay que ser más agresivos con las ventas, recortar gastos o aplicar otras medidas para extender el runway.

Se calcula:

Cash Runway = Balance de efectivo mensual / Burn Rate mensual

Gross Profit Margin

Más simple es el Gross Profit Margin (GMP) o margen de beneficio bruto. El mismo analiza la diferencia entre los ingresos y el costo bruto de los bienes vendidos. Si lo hacemos a nivel de productos individuales, nos permiten identificar cuáles son los artículos de mayor margen de ganancia.

Se calcula:

Gross Profit Margin = Ingresos totales – COGS / Ingresos totales

Revenue Growth Rate

El Revenue Growth Rate es la tasa de crecimiento de los ingresos. Esta mide el aumento porcentual de los ingresos mes a mes. Representa un indicador de qué tan rápido está creciendo la empresa. Una alta tasa de crecimiento de los ingresos puede ayudarnos a medir la creciente demanda de un producto y a prepararnos para afrontarla. Es necesario comparar la tasa de crecimiento de ingresos mes a mes y año a año (o la media móvil de 30 y más días) para ver la trayectoria de crecimiento a corto y largo plazo de la empresa.

Se calcula:

Revenue Growth Rate = (Ingresos de este mes – Ingresos del mes pasado) / Ingresos del mes pasado x 100

Average Sales Cycle Length

Una medida asociada a la velocidad de crecimiento es el Average Sales Cycle Length o tiempo de ciclo promedio de ventas. La misma representa la duración promedio del ciclo de ventas, es decir, el tiempo que transcurre desde que se inicia un contacto de ventas hasta que se cierra el trato. Si observa cambios drásticos en esta métrica, podría indicar un problema con sus procesos de ventas, especialmente si nota que su ciclo de ventas se alarga.

Lead Velocity Rate

El Average Sales Cycle Length se relaciona con el Lead Velocity Rate (tiempo de ciclo de Leads). La última es el crecimiento mes a mes de los leads calificados en la canalización de ventas y puede indicar un crecimiento futuro al darnos una idea de las próximos deals o contratos. La misma nos ayuda a medir el éxito de los esfuerzos de marketing y ventas.

Se calcula:

Lead Velocity Rate = (Leads calificados este mes – Leads calificados el mes anterior) / Leads calificados el mes anterior

Eficiencia Operacional

Respecto a los costos internos, un KPI fundamental es Eficiencia Operacional, que representa la relación entre los gastos de ventas, generales y administrativos (SGA) y las cifras de ventas. Aunque hay muchas formas de calcularla, la más fácil es: dividir el total de los gastos (no relacionados a la venta) de un período por los ingresos totales (relacionados a la venta) de ese período.

Activation

Otra métrica diferente para el caso de ventas web puede ser el Activation o Activación. La tasa de activación es el porcentaje de usuarios que completan un hito específico en su proceso de incorporación, por ejemplo:  cuántas personas que hacen clic en el botón “Quiero saber más” que los lleva a nuestro Sales Deck o el Total de personas que entraron a nuestra página web.

Se calcula:

Tasa de activación = Total de usuarios que completan el hito establecido / Total de usuarios que se registraron o activaron el servicio x 100

Viral Coefficient

Finalmente, presentamos el Viral Coefficient o K Value (coeficiente de viralización). Esta métrica mide el crecimiento orgánico de su empresa y es una métrica propia del B2C (ventas a consumidores finales). Por lo general, una startup comenzará invitando a amigos a usar el producto. Si es un buen producto, entonces estos usuarios beta se lo dirán a sus amigos y así sucesivamente. Otras formas de hacer que su producto sea viral es a través de acciones sociales como botones para compartir, invitaciones por correo electrónico y promociones en Twitter o Facebook.

Se calcula:

Coeficiente viral = Invitaciones enviadas por usuario x Tasa de conversión

El coeficiente viral es un buen indicador de la trayectoria de crecimiento de su empresa. Esta métrica es el resultado del producto en sí, por lo que mejorar la viralidad comienza con la mejora del producto. Por otro lado, si bien el coeficiente viral es una métrica de marketing, no es una métrica que el departamento de marketing pueda cambiar por sí solo. Por su naturaleza, la viralidad debe estar incorporada en el producto o servicio para que sea eficaz. También es importante considerar el tiempo del ciclo viral. Es decir, el tiempo que tarda un cliente en invitar a amigos a que uno o más de esos amigos se conviertan en clientes y comiencen a recomendar a otras personas. Cuanto más corto sea el tiempo del ciclo viral, más rápido crecerá la empresa. Un Viral Coefficient positivo puede significar 4 cosas:

  • Le estamos brindando a los clientes una experiencia de usuario positiva
  • Encontramos un buen producto / mercado que encaja
  • Tenemos un bajo costo de adquisición
  • Probablemente vamos a tener una alta rentabilidad en el futuro

Conclusiones

Dicho todo esto, citando a Albert Einstein, no todo lo que se puede medir se debe medir y no todo lo que se debe medir se puede medir. Este es un mantra que los data-scientists debemos repetir porque la información cualitativa es una parte fundamental de todo análisis de calidad. En este post hemos presentado algunas métricas clave que podemos medir. Seleccionarlas, cruzarlas y analizarlas en profundidad, cruzando variables y entendiendo correlaciones, es un paso fundamental, en el que Merovingian Data se especializa.

Abrir publicación
¿Cómo mejorar la rentabilidad con BI?

¿Cómo mejorar la rentabilidad con BI?

La última pandemia ha provocado cambios drásticos en el comportamiento de los consumidores, algunos de ellos permanentes. De hecho, se calcula que el ritmo de digitalización se aceleró en promedio tres años. Seguramente conozcas personas que se animaron a comprar online por primera vez, por ejemplo, o que realizaron su primer pago por Mercado Pago y han descubierto los beneficios de comprar desde su hogar. Por otro lado, las empresas también han descubierto que sus clientes han cambiado y que sus estrategias ya no se adaptan al nuevo escenario.  Tanto en el mundo B2C como B2B, la forma de llegar a potenciales clientes efectivamente no es la misma que en 2019. Algunos insights claros son:

Este drástico cambio ha señalado la importancia de entender a los clientes para enfocar el proceso de ventas y la asignación de costos entre canales. Un ejemplo clásico con el que nos hemos encontrado en Merovingian Data es el siguiente: un Retailer, llamémosle ACME, vende por canales físicos y online, y se de repente sus canales online pasaron, de ser poco relevantes, a representar hasta un tercio de sus ventas.

La rentabilidad por canal se calcula mirando las cuentas contables y dividiendo el presupuesto de compra proporcionalmente entre canal virtual y físico, asignando, por ejemplo, un 30% del presupuesto al canal virtual si este representa el 30% de las ventas. A su vez, los gastos se asignan por canal, es decir, gastos propios de tiendas al canal físico y, por ejemplo, gastos de envió y distribución al virtual. Este es el método tradicional para calcular la rentabilidad por canal y asignar costes que, sin embargo, no permitirá a ACME optimizar sus costos ni mejorar la rentabilidad en tiendas correctamente pues, mirar una cuenta contable agregada es simplemente una forma deficiente de entender si el comportamiento del consumidor es igual en todos lados, para todos los productos, en todos los momentos.

Por ejemplo: ¿qué pasa si un segmento de los productos, digamos productos electrónicos se vende más por canales virtuales? Entonces para ese segmento las cuentas contables no nos permitirán optimizar nada. No podremos entender si los gastos asignados a tiendas para ese producto son mayores a lo que deberían ser, si estamos haciendo campañas de marketing ineficientes o si los consumidores en tiendas tienen alguna característica especial. Por ejemplo: muchas veces el consumidor en tienda busca un expertise del vendedor o llega a la tienda para entender y revisar el producto antes de comprarlo online. En ese caso, el presupuesto de ventas online no está bien definido, ya que hay correlación entre las ventas en ambos canales, es decir, mejorar la atención en tiendas puede potenciar el ingreso online, en el contexto de la omnicanalidad, pensar con datos integrados entre canales es una tarea crucial.

Aquí es cuando tener herramientas de BI nos permite hacer una verdadera asignación de costes. Si pudiéramos dividir las cuentas contables entre cliente, canal, tienda, sku, geografía, tiempo, etc. entonces adquirimos la capacidad de alocar costos no en base a Revenue, sino en base a Earnings. En definitiva, el BI nos ayuda a responder una pregunta clave: ¿en dónde vale la pena poner el esfuerzo?

En Merovingian Data comprendemos el profundo cambio que la digitalización ha traído y creemos en el inmenso potencial que explotar datos para generar insights tiene para las organizaciones. Es por eso que las acompañamos en el proceso de transformación hacia una cultura Data Driven, adoptando soluciones de BI que permitan mejorar la toma de decisiones y potenciar la rentabilidad en este nuevo mundo integrado.


Abrir publicación
Tres claves para hacer la transición de Excel a Power BI

Tres claves para hacer la transición de Excel a Power BI

Excel probablemente sea la herramienta más usada en el mundo corporativo. Empresas grandes y chicas se apoyan en hojas de cálculo de Microsoft Excel y Google Sheets para realizar sus tareas día a día. Y aunque Excel es increíblemente potente, en los últimos tiempos, cada vez más organizaciones se han topado con sus limitaciones. A medida que el volumen de datos incrementa de manera exponencial y queremos realizar análisis cruzados, la generación de insights en Excel se convierte en un dolor de cabeza, es por eso la industria se ha movido a herramientas más especializadas.

En el caso del modelado y visualización de data Microsoft Power BI es el líder de la industria. No es casualidad que Microsoft haya recibido el título de líder en el cuadrante mágico de herramientas de analítica e inteligencia de negocios de Gartner por 13vo año consecutivo.

Durante los posts anteriores te hablamos sobre algunos de los desafíos culturales y conductuales más importantes para realizar la transición de las organizaciones de intuitivas a data-driven. Hoy te contamos tres puntos (técnicos) clave para adaptarnos con éxito de Excel a Power BI.

1. Piensa el modelo de datos en relación con tus objetivos de análisis

Una diferencia importante entre Excel y Power BI es que en Excel no requerimos de una estructura o modelo de datos rígida. Podemos simplemente tener muchas hojas, con columnas repetidas y relacionar datos mediante la típica función BUSCARV (VLOOKUP). Bueno, Power BI no es Excel y en Power BI es importante entender cómo se relacionan nuestras tablas datos entre sí.


Recomiendo siempre en Power BI pensar en tu modelo de datos en los dos esquemas clásicos de análisis: estrella o snowflake (copo de nieve). Para hacerlo y priorizar qué datos dejar y cuáles no, siempre ten en cuenta tus objetivos de análisis y prioridades. Es clave el entendimiento en profundidad del problema que quieres resolver o mitigar.

Descripción de un esquema de estrella e importancia para Power BI – Power BI | Microsoft Docs

Fuente: Descripción de un esquema de estrella e importancia para Power BI – Power BI | Microsoft Docs

Hacer esto traerá como consecuencias un mejor performance, métricas más fáciles de modelar y calcular y, además, evitará el uso de dimensiones no consistentes entre distintos modelos, asegurando una única versión de la verdad.

Al final, terminarás descubriendo que en Power BI cuando hemos definido bien el modelo y la relación entre nuestras tablas de datos, el trabajo se simplifica considerablemente comparado con Excel. Power Query nos ayuda a adaptar nuestras tablas al modelo deseado, también podemos combinar scripts de R o Python.

2. Automatiza la preparación y limpieza de datos

Una práctica muy común en Excel es el “hard-coding”, es decir, referenciar celdas con otras celdas de manera arbitraria y arrastrar las fórmulas hasta el lugar deseado. Esto hace que en general escalar los análisis en Excel sea un trabajo manual donde el analista día a día o mes a mes mueve las fórmulas y cambia referencias, con gran potencial de errores difíciles de percibir. En Power BI esto ya no es un problema si llevas una buena práctica de parametrización y codificación de tu modelo.  

¿Qué pasa si quieres extender el tiempo de análisis de tu modelo en Excel? Pues, arrastras las celdas para abajo o dejas arrastrada una cantidad fija de celdas “hasta que llegue el día”. En Power BI tienes un método fácil para crear un calendario automático día a día que se extiende con cada actualización. También lo puedes lograr usando DAX.

Es importante cambiar la mentalidad de la manualidad cuando pasamos a Power BI para aprovechar su potencial, rápidamente descubrirás que aprovechando el editor de Power Query simplificas la preparación de datos y te enfocas en el análisis propiamente dicho.

3. Utiliza Medidas de DAX y no columnas calculadas

Otra tentación grande cuando venimos de Excel es utilizar columnas calculadas en Power BI y no medidas. Esto es así porque las medidas son agregados, es decir, pueden reducirse siempre a un número y, por lo tanto, entender la lógica de filtrado y agregación resulta muchas veces complejo. Si no has estudiado las agregaciones y filtros en Power BI: ¡hazlo ya! Caso contrario te encontrarás con paredes importantes, te aseguro que al poco tiempo verás el potencial de las medidas de DAX.

How To Solve a Complex DAX Problem – Excelerator BI

Utilizar medidas de DAX permite realizar tareas que en Excel son tediosas en muy pocos pasos. De por sí, las columnas calculadas solo se actualizarán cuando actualices tus datos, ocuparán más espacio y forzarán la evaluación de una expresión de DAX para cada fila. Con medidas de DAX puedes incluso realizar operaciones complejas mediante el uso de iteradores, eliminando la necesidad de crear columnas para todo. Te dejo un ejemplo de un caso de uso bien complejo.

La transición data-driven en su dimensión tecnológica y técnica es desafiante, cambiar nuestras antiguas pero útiles hojas de Excel es siempre un desafío enorme, por eso es clave contar con personas preparadas en el uso de las últimas herramientas y que además entiendan el valor del cambio. En Merovingian Data somos expertos en acompañar e impulsar organizaciones en este proceso y además somos agnósticos en términos de plataformas y ambientes, Power BI es una de tantas herramientas más, nos adaptamos a cada cliente. Toma en cuenta estos tres puntos clave, para que la curva de aprendizaje sea un poco más leve y puedas descubrir insights más rápido.

Abrir publicación
Qué Valor aporta el uso de datos a la toma de decisiones

¿Qué valor aporta el uso de datos a la toma de decisiones?

El data-science es sin dudas un concepto de moda. No resulta nada raro escuchar sobre él en reuniones de negocios, Linked-In o Redes Sociales en general. Sin embargo, no todos estamos familiarizados con el verdadero valor que un proceso de inteligencia de negocio apoyado en datos puede aportar a una organización, especialmente en tiempos de crisis.

A pesar de los tremendos avances que ha traído la tecnología en términos de capacidad de almacenamiento y cómputo de datos a nivel global, la norma para las empresas sigue siendo la existencia de un desbalance entre datos generados disponibles e información útil para los procesos de negocios. Incluso luego del importante desarrollo que ha experimentado el sector TIC, en Latinoamérica todavía la gran mayoría de las organizaciones carecen de soluciones que realmente provean información de valor para la toma de decisiones. Existen de hecho, notables casos, donde a pesar de poseer herramientas de BI e información procesada, sus usos están lejos de las mesas de decisión y de las iniciativas clave de negocio, ya sea por desconocimiento, falta de habilidades o una cultura organizacional aversa al método data-driven.

¿Alguna vez has pensado qué lugar ocupan los datos en tu organización? Es fácil, observa el organigrama y adivina tu estrategia desde allí. En una empresa que aborda seriamente los esfuerzos de Business Intelligence, el ejecutivo que gobierna la Data tiene un rol importante, los altos cargos de la compañía incorporan BI en sus decisiones y los miembros del comité ejecutivo están familiarizados y conectan las iniciativas de negocio con los insights que construyen junto a sus analistas. En cambio, el trabajo de tipo mantenimiento de datos, suele ser el más común y menos productivo y a su vez, el más abundante en las áreas de IT de los ambientes organizacionales.

Generar información de valor para el negocio, requiere de una fuerte interacción y participación de los actores más importantes de la organización. Es preciso un entendimiento profundo de los procesos de negocio, cadena de valor, públicos y usos de la data, así como de habilidades de interpretación, construcción y toma de decisiones con indicadores. Ya hemos mencionado en este blog la importancia de tener una estrategia de datos. Todas inversiones que requieren del siempre escaso y valioso tiempo, por eso es importante entender qué valor aporta el uso de datos en la toma de decisiones. Básicamente, el uso de datos e insights puede acelerar la estrategia de negocio, mejorando procesos, empoderando a las personas y creando nuevos negocios.

Tomemos un ejemplo concreto: ¿Cómo hace un distribuidor para mejorar los tiempos de entrega de sus productos? Supongamos que en su proceso parte de un almacén, que recibe órdenes de compra y tiene camiones de distribución. A su vez, sus empleados deben recoger las órdenes y distribuirlas hasta la dirección del consumidor final ¿Por dónde empezamos a mejorar? El uso de un proceso de Business Intelligence responde preguntas clave en este sentido. Al dividir su proceso en partes más chicas asociadas a indicadores, podemos identificar las falencias más rápido. El distribuidor, por ejemplo, podría descubrir que mejorando el nivel de stock en el almacén genera mayor impacto en los tiempos de distribución que mejorando la flota de camiones, potencialmente ahorrando preciados recursos. Cuando conectamos estas oportunidades con las iniciativas de negocios, es cuando entendemos cuán cruciales pueden ser, especialmente en contextos donde cada dólar hace una diferencia. John Ladley y Thomas C. Redman señalan 6 escenarios de valor del uso de datos:

  1. Procesos Mejorados
  2. Mayor Competitividad
  3. Nuevos y mejorados productos que parten de mejor información sobre el mercado y los consumidores
  4. Incorporación de data a productos y servicios
  5. Aumento del capital humano
  6. Mejor manejo del riesgo

Estos escenarios se aprovechan cuando somos capaces de traducir datos en información, en el proceso de Business Intelligence. Desde Merovingian Data, acompañamos a las organizaciones en este camino, para que descubran su máximo potencial y empoderen a las personas para colocarse en una posición proactiva, de mejora continua. En este sentido ofrecemos un trabajo de Assessment como paso inicial, donde acompañamos a las organizaciones en la transformación, entregándoles una hoja de ruta clara con oportunidades de valor y pasos a seguir.

Complementar la estrategia con BI resulta un antídoto contra la ambigüedad y el derroche. A pesar de los enormes esfuerzos que implica transformar una organización intuitiva en data-driven, el impacto de hacerlo se ve claramente reflejado en el corto plazo, en resultados tangibles y mensurables. El uso de datos, entonces, es un componente clave que aporta valor acelerando y perfeccionando la estrategia de negocios.


Navegación de entradas

1 2