Diccionario · Inteligencia artificial
Big data: conjunto de datos de un volumen, una velocidad o una variedad tales que no pueden tratarse con las herramientas convencionales de gestión y análisis.
El término describe un problema técnico concreto: hay tantos datos, o llegan tan deprisa, o son de tipos tan distintos, que las herramientas habituales —una hoja de cálculo, una base de datos corriente— no dan abasto. Resolverlo exige repartir el trabajo entre muchas máquinas y usar tecnología específica.
Donde se tuerce la conversación es en el uso comercial de la palabra. Se ha convertido en una etiqueta para cualquier cosa que tenga que ver con datos, y por el camino se le ha vendido infraestructura de big data a empresas cuya información entera cabría en un archivo de unos megas.
La diferencia no es de prestigio: es de coste. Lo que una pyme necesita casi siempre es análisis de datos, que es otra disciplina y mucho más barata.
La definición clásica se apoya en tres características. El volumen: tantos datos que no caben ni se procesan en una sola máquina. La velocidad: información que llega de forma continua y hay que tratar según llega, no al final del mes. Y la variedad: datos que no son solo filas y columnas, sino también texto libre, imágenes, audio o señales de sensores.
Con el tiempo se añadieron dos más que son las que de verdad deciden si un proyecto sirve: la veracidad, porque datos masivos y sucios producen conclusiones masivas y falsas; y el valor, porque acumular información sin una pregunta detrás es un gasto, no un activo.
Esa última es la que suele faltar. Muchos proyectos empiezan por «vamos a guardarlo todo» y terminan sin que nadie haya formulado qué se quería averiguar.
Lo que da resultado en una empresa pequeña es menos vistoso y mucho más rentable.
Primero, unificar lo que ya existe. Normalmente los datos están repartidos entre la web, el CRMCRMCRM: siglas de Customer Relationship Management, gestión de la relación con el cliente. Designa tanto la estrategia de organizar la relación con clientes y con…, la facturación y alguna hoja de cálculo, sin un identificador común. Conectar eso vale más que cualquier tecnología nueva.
Segundo, conservar el origen. Que cada contacto llegue al CRMCRMCRM: siglas de Customer Relationship Management, gestión de la relación con el cliente. Designa tanto la estrategia de organizar la relación con clientes y con… sabiendo de qué campaña y de qué página vino. Sin eso no se puede calcular ningún retorno real.
Tercero, acordar definiciones. Qué cuenta como oportunidad, qué cuenta como cliente, desde cuándo. Dos departamentos con definiciones distintas producen informes que no se pueden comparar.
Cuarto, una pregunta al mes. Un análisis concreto que termine en una decisión vale más que un panel con cuarenta indicadores que nadie usa.
Y conviene no confundir el big data con la inteligencia artificial, aunque se mencionen juntos. El primero es un problema de escala en el tratamiento de datos; la segunda, un conjunto de técnicas para encontrar patrones o generar contenido. Hay proyectos de IA que funcionan con muy pocos datos, y sistemas de big data que no usan ninguna técnica de aprendizaje.
Una distribuidora con unos nueve mil clientes contrató un proyecto de datos para «aprovechar su big data». Se montó una infraestructura capaz de procesar volúmenes muy superiores y se volcaron en ella los históricos de venta.
Al cabo de ocho meses el sistema funcionaba y no había producido ni una decisión. El motivo era simple: los datos de venta no tenían ninguna forma de cruzarse con el origen comercial del cliente, porque esa información nunca se había registrado.
Se paró el proyecto y se hizo lo que faltaba: registrar el origen de cada cliente nuevo en el CRMCRMCRM: siglas de Customer Relationship Management, gestión de la relación con el cliente. Designa tanto la estrategia de organizar la relación con clientes y con… y cruzar la facturación con esa etiqueta. A los seis meses se pudo ver qué canal traía clientes que repetían, y se reasignó el presupuesto. Todo cabía en una base de datos normal.
Hay además una obligación que no desaparece por el tamaño del conjunto: los datos personales siguen bajo el RGPD aunque estén agregados en un almacén. Guardar «por si acaso» información de clientes sin una finalidad declarada y sin plazo de conservación es exactamente lo que la norma no permite, y el riesgo crece con el volumen acumulado.
Saber qué es big data sirve sobre todo para reconocer cuándo no lo necesitas, que es casi siempre, y para no comprar una solución dimensionada para un problema que no tienes.
El trabajo que sí rinde es el poco glamuroso: ordenar los datos que ya genera la empresa, conservarlos con su origen y hacerles una pregunta concreta cada mes.
Eso se monta con la analítica web conectada al CRM, y cuando de verdad hay volumen se valora con los servicios de IA. Más vocabulario en analítica y medición.
Casi con seguridad no, y es una buena noticia. Si tus datos caben en una hoja de cálculo o en una base de datos normal y se pueden consultar en segundos, lo que tienes son datos, no big data. La distinción importa porque evita comprar infraestructura y consultoría pensada para un problema que no tienes.
Sirve de forma indirecta: muchas herramientas que usa una pyme —plataformas publicitarias, buscadores, recomendadores— funcionan sobre big data por dentro. Lo que no tiene sentido es montar esa infraestructura en casa. Se aprovecha consumiendo esos servicios, no replicándolos.
Ordenar lo que ya tienes: que cada contacto llegue al CRM con su origen, que la facturación se pueda cruzar con la campaña que trajo al cliente, que haya una definición común de qué cuenta como oportunidad. Eso da más decisiones útiles que cualquier proyecto de datos masivos, y cuesta una fracción.
Hablamos de tu marketing
¿Cómo se aplica Big Data en tu empresa?
Lo miramos con tus datos, te decimos qué cambiar, en qué orden y qué esperar de cada paso.
267 términos
