Your address will show here +12 34 56 78
Social Business Intelligence

big-data tipos de datosNo es la primera vez que en Brandchats hablamos del Big Data por esta razón, no entraremos en detalles en términos de definición. Sin embargo, vamos a incidir en los datos creados fuera de una organización, que se pueden agrupar en dos grandes categorías: estructurada y no estructurada.








DATOS ESTRUCTURADOS

1. Creado

Las empresas de datos generan mucha información para la investigación de mercados. Esta acción puede consistir en elaborar encuesta a clientes o grupos de discusión. El proceso también incluye métodos más modernos como la creación de un programa de fidelización que recopile información de los consumidores o bien pidan a un usuario que creen una cuenta y entren cuando están comprando.

2. Provocado

Dar la oportunidad a las personas a expresar sus puntos de vista genera un gran volumen de datos. Cada vez que el cliente valora un restaurante o la experiencia de compra, es un sumatorio de información.

3. Tramitado

Las empresas recogen datos sobre todas las transacciones completadas, si la compra se ha completado a través de un carrito de la compra online o directamente en el punto de venta.

Las organizaciones también recopilan datos sobre el proceso de una compra online. Por ejemplo, un cliente puede hacer clic en un anuncio de la home o un banner en google que les conduce a las páginas del producto que van a comprar.

Los bancos por ejemplo también son grandes consumidores de de los datos transaccionales.

4. Compilado

Los censos de población, el número de coches matriculados cada año, el volumen de compra en un supermercado son datos compilados en grandes bases de datos de todos los hogares. Cada país tiene su propio sistema. Los individuos tenemos una serie de información básica registrada que incluye nuestra identificación, família, estudios, antecedentes, datos médicos,etc.

5. Experimental

Se crean datos experimentales cuando las empresas experimentan con diferentes acciones de marketing y mensajes para ver cuáles son los más efectivos hacia los consumidores.

También podemos interpretar los datos experimentales como una combinación de datos creados y transaccionales.

DATOS NO ESTRUCTURADOS

Son aquellos datos no almacenados en una base de datos tradicional. La información no estructurada no puede ser almacenada en estructuras de datos relacionales predefinidas.

Se pueden establecer diferentes clasificaciones, vamos a considerar dos de ellas.

  • Datos no estructurados y semiestructurados. Los datos semiestructurados serían aquellos datos que no residen de bases de datos relacionales, pero presentan una organización interna que facilita su tratamiento, tales como documentos XML y datos almacenados en bases de datos NoSQL.
  • Datos de tipo texto y no-texto. Datos no estructurados de tipo texto podrían ser datos generados en las redes sociales, foros, e-mails, presentaciones Power Point o documentos Word, mientras que datos no-texto podrían ser ficheros de  imágenes jpeg, ficheros de audio mp3 o ficheros de video tipo flash.

6. Capturados

Los datos capturados se crean de forma pasiva debido a la conducta de una persona. Cada vez que alguien entra en un término de búsqueda en Google este motor, utiliza la información capturada para un futuro beneficio.

La información del GPS en nuestros smartphones es otro ejemplo de recogida de datos pasiva que puede ser capturados con las plataformas tecnológicas del Big Data.

7. Generados por el usuario

Los datos generados por los usuarios se componen de todos los datos de las personas que están introduciendo en Internet diariamente. Desde tweets, mensajes de Facebook, a los comentarios en las noticias, videos subidos en YouTube.

Los individuos están creando una enorme cantidad de datos que las empresas pueden utilizar para mejorar su relación con los consumidores y obtener información sobre productos.

 

0

Social Media Monitoring

No es la primera vez que en Brandchats hablamos del Big Data por esta razón, no entraremos en detalles en términos de definición. Sin embargo, vamos a incidir en el volumen de datos y en su organización.

En la actualidad, se transfieren 639.800 gigabytes de datos por minuto en el mundo y como bien sabemos, esto no ha hecho más que empezar. De hecho, en el 2015 se calcula que el volumen de vídeos sea tan elevado que costaría 5 años poder visualizarlos todos.

Cuando hablamos de una cifra de datos tan elevada, es inevitable pensar en el caos, el desorden y por donde empezar a clasificar la información. Numerosas preguntas como ¿Qué debo medir primero? o ¿Qué datos son los más elementales para mi organización? se plantean en nuestro interior.

De la monitorización del contenido, al orden y clasificación de los resultados en dashboards.

El primer paso para una empresa, es recapitular los datos en bruto que circulan en la red sobre su organización. Pero antes, se deben de establecer unos parámetros básicos como elegir unos países clave a seguir, el idioma de los comentarios y saber el eje comunicacional a medir. ¿Me interesa medir un competidor? o ¿Necesito tener un mayor control de mi canal de atención al cliente? o tal vez sean las dos variables. Cuanto más claro tengamos el camino previo a seguir mejor serán los resultados. Establecer los objetivos de búsqueda por fases puede ser también una opción muy acertada.

Una vez tenemos el Big Data en nuestras manos, en algunos casos hablaremos de 3.000 menciones en otras situaciones de más de 200.000, se debe de establecer la categorización y segmentación de los datos. Una primera clasificación sería por fecha y medio de comunicación pero, ¿Es suficiente? Para comprender los picos de subidas y bajadas de información es un primer paso pero si un día concentra 8.000 menciones, ¿Un ojo humano puede clasificar de forma automática y extraer conclusiones válidas? La respuesta es no.

¿Cómo podemos clasificar la información en una solución de monitoring? Por ejemplo, en el caso de un restaurante a través del conjunto de keywords se podrían establecer categorías como “Atención al cliente”, “celebraciones”, “cantidad”, “calidad”, “comidas”,etc.

Dentro de la categoría de comida se incluirían palabras claves como “comer”, “comida”, “comiendo” de esta forma se puede conocer si la gente prefiere comer o cenar en un establecimiento. Además si se segmenta una mención por horas del día el resultado de búsqueda se afina más.

Otro caso donde la categorización es básica es en el sector bancario ya que existen clientes interesados en ingresar sus nómina y otros en contratar un plan de pensiones. Segmentar la información por categorías como “Hipotecas”, “Desahucios”, “Plan de pensiones”, “Seguros”, etc, puede ayudar y orientar mucho a este tipo de organizaciones.

Si hablamos de una marca con productos de gran consumo y muy diversos como podría ser una marca de tecnología del hogar pero que también tiene telefonía móvil tendrían que hacerse dos tipos de categorizaciones. Por un lado, clasificar en productos y después clasificar las características de cada producto. Por ejemplo, una TV se tendría que clasificar en “UHD”, “Oled”,etc.

De la clasificación de resultados a la interpretación

Una vez hemos decidido la categorización, nos interesará conocer las distintas variables de una misma categoría. Si retomamos el sector bancario y seleccionamos la categoría “nómina”, nos interesará conocer si hablan bien o mal, cual es la persona que habla más sobre el tema o el grado de influencia. Saber en que punto de un país es donde más se comenta o cuales son los días que generan más diálogo son datos importantes a conocer.

Además, podemos relacionar el concepto con la competencia ya que tal vez, un comentario nos compare, critique o nos posicione mejor con un rival del sector.

De la interpretación de los resultados a la visualización

Una vez hemos categorizado una marca y se ha decidido su interpretación, debemos pasar al punto de dar forma y color a los resultados. Algo que no debemos olvidar es que la información entra por la vista. Los cuadros de mando deben cumplir unas normas corporativas con la imagen de marca de un cliente.

El lenguaje del color

En el caso de las aguas las tonalidades azules y verdes tendrán más importancia. En cambio si hablamos de un postre o chocolates las gamas marrones, liláceas y beige encajan mejor con el contenido.

El lenguaje de las formas

Para visualizar un pico de menciones, las barras o el gráfico de líneas puede ser el más adecuado sin embargo, si queremos plasmar agrupaciones, el gráfico sectorial o de anillo será el más visualmente correcto.

Incorporar elementos fotográficos como el logo de las marcas, mapas o la foto de perfil de twitter de los influencers proporcionan un soporte categórico importante.

El lenguaje iconográfico

La categorización del Big Data no sólo entiende de información clasificada en gráficos con unas formas o colores atractivos al ojo del lector.

Como bien hemos citado antes, la información proviene de numerosas fuentes y el receptor de esos datos la debe diferenciar de forma rápida por ese motivo, se asignan iconos representativos. Un icono de una cámara detectará que la fuente de información es una imagen o un icono con la letra “T” y color azul detectará que proviene de Twitter.

El lenguaje del marcar y desmarcar

Los datos nunca deben ser estáticos. ¿Cómo leemos 100.000 menciones si no podemos seleccionar según nuestras prioridades? Es vital contar con una barra de herramientas que nos permita distinguir o seleccionar. Si nos interesa ver la información sobre blogs que seguramente, es mucho menor que los datos acumulados en Twitter debemos poder jugar con las casillas de marcaje.

Conclusiones

  • El Big Data sin forma son sólo letras y números. Se necesita tiempo y un minucioso trabajo de segmentación para localizar de forma fácil la información.

  • Debemos ser conscientes que la información no se puede ingerir de un sólo golpe. Se deben establecer prioridades de análisis.

  • La información sin un contexto histórico y un seguimiento posterior es información incompleta y seguramente con conclusiones erróneas. Por lo tanto, debemos acumular datos. Sólo el tiempo, una buena clasificación junto un informe final nos orientarán en los objetivos.

  • La combinación del trabajo automatizado y el ojo humano es sinónimo del éxito. Ni una máquina detecta la ironía ni un humano clasifica de forma automática. En equipo se obtiene el resultado perfecto.

0

Bitnami