Análisis de datos en directo

Aplica buenas prácticas para mejorar el análisis de tus principales datos de retail

La capacidad de realizar análisis de datos en directo utilizando datos de alta calidad es crucial para organizaciones de múltiples sectores, pero resulta especialmente importante para el sector retail. Contar con insights puntuales extraídos de datos precisos puede ayudar a mejorar la satisfacción del cliente, ya que brinda recomendaciones de productos al momento y garantiza que el inventario esté en el lugar adecuado en el momento oportuno; optimiza los esfuerzos de comercialización, marketing y ventas con evaluaciones en tiempo real del rendimiento de las promociones; reduce los costos y el riesgo mediante previsiones de inventario más exactas; y mucho más. En resumen, un análisis eficaz de los datos en directo tiene el potencial de influir positivamente en las operaciones minoristas de toda la organización.

Para obtener el máximo valor del análisis de datos en directo, debes implementar un único enfoque optimizado para la gestión del ciclo de vida de los datos en los conjuntos de datos más importantes. Este enfoque te permite

• Reducir la complejidad y la duplicación de datos.
• Minimizar el riesgo y los costos asociados a los datos de mala calidad.
• Crear una vista uniforme de los datos del cliente
• Proporcionar datos de forma coherente de todas las esferas de la organización.
• Disponer de inteligencia empresarial (BI) de autoservicio para la generación de informes y análisis de datos avanzados, independientemente de las herramientas que utilicen los equipos de dominio.
• Ampliar la flexibilidad de tu panorama de datos y mantener los costos de los cambios futuros en niveles mínimos.

Modernizar tus análisis con una solución de análisis optimizada

La siguiente arquitectura demuestra cómo se ha creado Oracle Data Platform para proporcionar a las empresas del sector retail un marco cohesionado y completo que permite gestionar todo el ciclo de vida de los análisis de datos. La clave la conforman dos componentes esenciales: el almacén de datos operativos (ODS), que se utiliza para almacenar datos operativos que se ingieren y mantienen en bruto sin transformaciones, y un almacén de datos, donde la información se almacena en formato optimizado para el rendimiento de las consultas y el análisis avanzado.

Al combinarlos, ODS y el almacén de datos crean una plataforma de datos capaz de realizar análisis más eficientes y avanzados. Esta combinación permite aplicar de forma eficaz herramientas avanzadas de análisis y visualización, al tiempo que conserva la capacidad de investigar los datos en bruto para identificar anomalías o insights sin afectar al rendimiento de la aplicación transaccional subyacente. Este enfoque resulta beneficioso para las empresas retail porque evita la duplicación contradictoria e inexacta de los mismos datos de origen, que, si se utilizan para fundamentar las decisiones de una organización, pueden causar retrasos, errores y, en última instancia, pérdidas de ventas.

Echemos un vistazo más detallado a cómo Oracle Data Platform incorpora un ODS, un almacén de datos y otros componentes clave para ayudar a las empresas del sector retail a utilizar eficazmente el análisis de datos en directo.

En esta imagen se muestra cómo se puede utilizar Oracle Data Platform en el sector retail para reforzar el análisis de datos históricos y en directo en formato optimizado. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2 Conectar, ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir, actuar

El pilar "Orígenes de datos, detección" incluye dos categorías de información.

1. 1. Las aplicaciones incluyen datos de aplicaciones ERP, SCM, CX y WMS, Fusion SaaS, NetSuite, E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce y Workday.
2. 2. Los registros de negocio incluyen transacciones de ventas, datos de clientes, de productos, de transacciones de devoluciones, de proveedores, de inventarios, de sistemas de PDV y de ingresos y márgenes.

El pilar Conectar, ingerir, transformar consta de dos capacidades.

1. 1. La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos. La captura de datos modificados utiliza OCI GoldenGate y Oracle Data Integrator.
2. 2. Ambas capacidades se conectan de forma unidireccional a la capacidad del almacén de datos operativos dentro del pilar Persistir, curar, crear.

El pilar Persistir, curar, crear incluye tres capacidades.

1. 1. El almacén de datos operativos utiliza Oracle Autonomous Transaction Processing.
2. 2. El almacén de datos de servicio utiliza Oracle Autonomous Data Warehouse y herramientas de bases de datos.
3. 3. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacén de datos operativo está conectado de forma unidireccional al almacén de datos de servicio.

Una capacidad se conecta al pilar Analizar, aprender, predecir: el almacén de datos de servicio se conecta de forma unidireccional a la capacidad de análisis y visualización.

El pilar Analizar, aprender, predecir incluye una capacidad.

1. 1. La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.

El pilar Medir, actuar comprende una única categoría de consumidor: paneles de control e informes.

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Existen dos (opcionalmente tres) métodos principales de inyectar datos en una arquitectura para permitir a las empresas retail analizar mejor sus datos.

• Para iniciar nuestro proceso, necesitamos visibilidad de los datos actualizados de nuestros registros y aplicaciones empresariales (por ejemplo, niveles de inventario en establecimientos retail). Para ello, utilizamos OCI GoldenGate para permitir la ingesta mediante captura de datos modificados (CDC) casi en tiempo real desde bases de datos operativas (procesamiento transaccional). Esto incluirá todos los registros o conjuntos de registros discretos relacionados con las transacciones retail, incluidas las transacciones de punto de venta y web (tanto ventas como devoluciones), y los datos de inventario, logística y cadena de suministro. Además de activar la ingesta de datos mediante filtros de fecha/hora o indicador, los datos se pueden ingerir mediante un mecanismo de CDC que detecta los cambios a medida que ocurren. OCI GoldenGate proporciona un mecanismo de CDC que puede procesar cambios de origen de forma no invasiva mediante el procesamiento de archivos log de transacciones completadas y el almacenamiento de estos cambios capturados en archivos de pista externos, independientemente de la base de datos. A continuación, los cambios se transfieren de forma fiable a una base de datos temporal o a un almacén de datos operativos.
• Ahora podemos agregar conjuntos de datos pertinentes para transacciones retail principales, incluidos datos de inventarios y productos, registros de clientes, ofertas y precios. Estos conjuntos de datos suelen contener grandes volúmenes de datos locales y, en la mayoría de los casos, la ingesta por lotes suele ser más eficaz.
  
  Dicho esto, hay que tener en cuenta algunos aspectos a la hora de decidir cómo recopilar datos transaccionales de fuentes operativas para poblar almacenes de datos operativos. Las técnicas disponibles varían mayoritariamente en términos de la latencia de la integración de datos, que van desde lotes diarios programados hasta la integración continua en tiempo real. Los datos se captan de origen mediante consultas incrementales que se filtran en función de indicadores o registros de fecha/hora. Las técnicas también varían en cuanto a si utilizan una operación pull o push; una operación pull extrae datos nuevos a intervalos fijos, mientras que una operación push carga datos en el destino cuando se produce un cambio. La ingesta diaria por lotes es más adecuada si no se requiere la actualización de datos intradía, por ejemplo, datos sobre tendencias a largo plazo o datos que solo se calculan una vez al día, como la información de cierre financiero. Las cargas por lotes se pueden realizar en periodos tiempo de inactividad si el modelo de negocio no requiere que el almacén de datos esté disponible las 24 horas. Existen diferentes técnicas, como la partición en tiempo real o el goteo y el vaciado, para minimizar el impacto de una carga en un almacén de datos activo cuando no se dispone de periodos de tiempo de inactividad.
• Por otro lado, también podemos utilizar la ingesta de streaming para ingerir datos leídos de balizas en tiendas físicas mediante el IdC, comunicación de máquina a máquina y otros métodos. Las imágenes de vídeo también se pueden consumir de esta manera. Además, en este caso de uso, pretendemos analizar y responder rápidamente al sentimiento de los consumidores mediante el análisis de mensajes de redes sociales, respuestas a publicaciones propias y mensajes de tendencias. Los mensajes/eventos de las redes sociales (aplicación) se ingerirán con la opción de realizar determinadas transformaciones/agregaciones básicas antes de alojar los datos en el almacenamiento en la nube. Se pueden utilizar análisis de streaming adicionales para identificar eventos y comportamientos correlativos de los consumidores, y los patrones identificados se pueden retroalimentar (manualmente) para que OCI Data Science examine los datos en bruto.

La persistencia y el procesamiento de datos se basan en dos componentes.

• El almacén de datos operativos se utiliza para la generación de informes operativos sobre datos en bruto y como origen de datos para un almacén de datos de servicio empresarial o de dominio o un almacén de datos empresarial (EDW). Es un elemento complementario de los EDW en un entorno que impulsa la toma de decisiones. Un ODS suele ser una base de datos relacional diseñada para integrar y mantener datos de varios orígenes para utilizarlos en operaciones adicionales, informes, controles y apoyar la toma de decisiones operativas, mientras que el EDW se utiliza para apoyar la toma de decisiones tácticas y estratégicas. Normalmente, el modelo de datos del ODS está muy cerca del modelo de datos de la aplicación de origen OLTP. El ODS debería aceptar los datos de origen sin que sea apenas necesario implementar reglas de calidad de datos, lo que garantiza que dispongas de un almacén que represente todos los datos del día de los sistemas operativos. A diferencia de un almacén de datos maestro de producción, los datos no se devuelven al sistema operativo. Los almacenes de datos suelen ser de solo lectura y se actualizan por lotes según un calendario específico, mientras que los almacenes de datos operativos se mantienen casi en tiempo real y se alimentan por goteo constantemente.
• Ahora hemos creado conjuntos de datos procesados que están listos para conservarse en un formato relacional optimizado para garantizar el adecuado rendimiento de la curación de contenidos y de las consultas en el almacén de datos de servicio. En este caso de uso, el almacén de datos de servicio es un almacén de datos, un tipo de plataforma de persistencia diseñada para admitir actividades de inteligencia empresarial y análisis cada vez más avanzados. El objetivo principal de un almacén de datos es consolidar y proporcionar indicadores precisos a los usuarios de negocio para ayudarlos a tomar decisiones informadas en su trabajo diario, así como decisiones empresariales estratégicas de mayor calado. Para ello, los almacenes de datos están muy especializados, a menudo contienen grandes cantidades de datos históricos y están destinados exclusivamente a realizar consultas y análisis. Un almacén de datos centraliza y consolida grandes cantidades de datos de múltiples orígenes, como archivos log de aplicaciones y aplicaciones de transacciones, y posteriormente los entrega en un formato óptimo para su análisis. Gracias a sus capacidades analíticas, las organizaciones pueden obtener información empresarial valiosa a partir de los datos y mejorar las decisiones. Con el tiempo, se construye un registro histórico de gran valor para los expertos en datos y los analistas de negocio. Gracias a estas funciones, un almacén de datos puede considerarse la "fuente única de datos" de cada organización. La tendencia ha sido ver los almacenes de datos puramente como activos tecnológicos, pero en realidad proporcionan un entorno único para reunir a los usuarios empresariales y la TI para desarrollar y ofrecer una visión compartida del entorno operativo de la empresa retail y para completar tareas como:
  • Definición de las necesidades empresariales (indicadores clave); identificación de los datos de origen relacionados con los indicadores clave; y especificación de reglas de negocio para transformar la información de origen en indicadores clave
  • Modelado de la estructura de datos del almacén de destino para almacenar los indicadores clave
  • Población de los indicadores mediante la implementación de reglas de negocio
  • Medición de la precisión global de los datos mediante la configuración de reglas de calidad de datos
  • Elaboración de informes sobre indicadores clave
  • Proporcionar los indicadores clave y los metadatos a los usuarios profesionales mediante herramientas de consulta ad hoc o informes predefinidos
  • Medición de la satisfacción de los usuarios de negocio y adición o modificación de indicadores clave

La capacidad de analizar, aprender y predecir se basa en dos tecnologías.

• Los servicios de analítica y visualización proporcionan análisis descriptivos (describe las tendencias actuales con histogramas y gráficos), análisis predictivos (predice eventos futuros, identifica tendencias y determina la probabilidad de resultados inciertos) y análisis prescriptivos (propone acciones adecuadas, lo cual redunda en una toma de decisiones óptima), para que las empresas retail den respuesta a preguntas como:
  • ¿En qué medida las ventas reales de este periodo cumplen el plan actual?
  • ¿Cuál es el valor de precio de venta del inventario disponible y qué variación presenta en comparación las cifras del mismo periodo del pasado ejercicio?
  • ¿Cuáles son los artículos más vendidos de una división o departamento?
  • ¿En qué medida resultó eficaz la última promoción?

  Además del uso de análisis y visualizaciones avanzados, se pueden desarrollar, entrenar y desplegar modelos de machine learning.

  La gobernanza es un factor fundamental que se debe tener en cuenta para crear una solución como esta. Los usuarios profesionales confían en la precisión de los indicadores clave del almacén de datos para tomar decisiones. Si estos indicadores son erróneos, es muy probable que las decisiones también lo sean. En función de la estrategia de calidad de datos que hayas definido, es probable que los usuarios profesionales necesiten participar activamente en la supervisión de las discrepancias de datos. Tendrán que ayudar al equipo de TI a acotar cómo se calculan los indicadores y ayudar a la calificación e identificación de datos erróneos. Esto generalmente conduce a la modificación y mejora comprobable de las reglas de negocio.

• Nuestros datos y modelos curados, probados y de alta calidad pueden incorporar tus reglas y políticas de gobernanza y exponerse como un "producto de datos" (API) dentro de una arquitectura de malla de datos para su distribución en todas las esferas de la organización retail. Esto puede ser fundamental para abordar problemas de calidad de datos. La mala calidad de los datos afecta a casi todas las organizaciones del sector retail. Los datos incoherentes, inexactos, incompletos y obsoletos suelen provocar costosos problemas empresariales, como ineficiencias operativas, análisis fallidos, economías de escala no realizadas e insatisfacción entre la clientela. Estos problemas de calidad de datos y otros vinculados a estos pero a nivel de negocio se pueden resolver comprometiéndose a mantener de forma exhaustiva la calidad de los datos en toda la empresa, aprovechando para ello las capacidades que proporciona la arquitectura descrita anteriormente.

Toma mejores decisiones con mejores datos

Oracle Data Platform está diseñada para garantizarte un acceso a datos consistentes y de alta calidad en toda la organización cuando y donde los necesites, para que puedas realizar las siguientes acciones:

• Tomar decisiones mejor fundamentadas.
• Minimizar el costo de futuros cambios con un panorama de datos consistente pero flexible.
• Reflejar los cambios en los procesos y datos múltiples veces con menos silos y sin que esto afecte a la disponibilidad y calidad de los datos.
• Reducir el riesgo de errores en los informes financieros y normativos más importantes mediante la eliminación de copias aisladas de los mismos datos con diferentes lógicas de transformación en el panorama de datos de la empresa.
• Ofrecer análisis avanzados de autoservicio y detección de datos para la generación de informes con una disponibilidad de datos notablemente mejorada. El acceso a los datos ya no está vinculado a las herramientas específicas que utilizan los equipos de dominio.
• Reducir los costos de almacenamiento para el crecimiento de ODS y otros almacenes de datos.
• Dedicar más tiempo a examinar los insights que proporcionan los datos y menos a identificar las discrepancias causadas por la multiplicidad de copias de datos en silos desconectados.
• Reducir los riesgos al dejar de disponer de múltiples copias de datos, lo cual aumenta la superficie de ataque.