Marketing = Creatividad + Big Data

La innovación tecnológica ha logrado capturar cada vez más información a partir de nuevos dispositivos asociados a la vida cotidiana de las personas a través de la Internet de las Cosas (IoT), la Tecnología Ponible (Wearables); así como también de los propios negocios. Las plataformas digitales, especialmente las de comercio electrónico y las redes sociales, permiten acceder a información sobre hábitos y costumbres de consumo que antes eran impensables.

social network, communication in the global computer networks
social network, communication in the global computer networks

Estamos en una época de sobrecarga informativa, infoxicación o infobesidad y todo indica que seguirá creciendo su volumen. Ahora el desafío es otro: ¿qué vamos a hacer con toda esa información?, ¿qué conocimiento podemos generar a partir de ella que permita crecer nuestro negocio?.

Actualmente, a través de las Ciudades Inteligentes, existe todo un movimiento que busca hacer eficiente la gestión de las ciudades y los gobiernos a través de la utilización y análisis de datos, que se obtienen en su mayoría por medio de Sensores y Redes Sociales. IBM por ejemplo, ha desarrollado un ambicioso proyecto llamado “Smart Cities“, en el cual a partir del análisis y la búsqueda de nuevos patrones de relaciones entre distintos bloques de datos de las ciudades, se generan nuevas ideas y en consecuencia soluciones para problemas típicos como el tráfico, la gestión del medioambiente o la higiene de la población.

La comunicación de negocios y marcas no es ajena al impacto de esta “revolución de la información”. La data es un activo muy importante de las empresas para gestionar y rentabilizar sus clientes. En base a la data podemos acceder a un mejor conocimiento de nuestros clientes y del entorno de mercado. La ventaja competitiva de las empresas también pasa en este momento por generar las capacidades y habilidades necesarias para poder interpretar la data y generar nuevas ideas interesantes y relevantes para crear condiciones de negocio más importantes. Descubrir nuevos nichos, oportunidades, nuevos usos de productos y servicios, la posibilidad de ser más eficientes en nuestro mercadeo.

La comunicación publicitaria se favorece muchísimo de esta nueva realidad. En el pasado, la medición del impacto de cualquier campaña de comunicación aparecía como algo complicado, impreciso y hasta opaco.El nuevo paradigma de la información, nos permite desarrollar nuevas formas de análisis de nuestros esfuerzos de comunicación. Ahora podemos medir con mayor certeza, tanto para hacer un seguimiento, como para poder descubrir nuevas posibilidades para nuestras marcas.

La “data” es la base para construir nuevas oportunidades.

“Para mí la creatividad es la diana a la que lanzamos dardos, pero el Big Data es lo que nos ayuda a hacerlo”, y por tanto “no hay que separar esos dos mundos”, señalo Fernando Maldonado, ingeniero de ventas en Sizmek.

En el ambiente de la comunicación, emerge un nuevo paradigma: la data y la creatividad. No podemos concebir la una sin la otra. La creatividad se inspira y se fundamenta en las ideas o conceptos desarrollados a partir de la data que podemos obtener y procesar. Necesitamos la data para poder desarrollar campañas que nos aseguren una buena probabilidad de respuesta positiva de nuestros clientes.Dominar ambos procesos se vuelve clave.

Las agencias de marketing deben reunir talentos de diversa índole y hacerlos trabajar juntos con desafíos y objetivos comunes: especialistas en negocios, creativos y especialistas en información y análisis de grandes datos (Big Data). La retroalimentación entre estos es crítica para que los proyectos de nuestras marcas lleguen a buen término. Pero nada de esto tendría sentido si no se coloca el enfoque sobre la creatividad que es la que construye la diferenciación y relevancia para las marcas de los clientes.

Equilibrio entre data y creatividad para la construcción de relaciones duraderas con los clientes y conectar esas cosas que antes no estaban conectadas, será el desafío de los expertos del marketing. “Hay que crear ideas que rompan formatos, ideas que tengan una calidad en digital para que la gente quiera compartir”. “Las producciones deben ser complementarias”, agregó Maldonado.

by

Anuncios

Spark (II) – Características principales

Hoy veremos las características principales que hacen a Spark tan atractivo.

Resilient Distributed Dataset

En Spark a diferencia de Hadoop, no utilizaremos una colección de datos distribuidos sino que usaremos los RDDs (Resisilient Distribuited Datasets). Normalmente no suelo dar la chapa sobre en que consiste esto a bajo nivel, pero ya que estamos en el blog lo dejo aquí por escrito:
Son colecciones lógicas, inmutables y particionadas de registros a lo largo del cluster que pueden ser reconstruidas si alguna partición se pierde (no necesitan ser materializadas pero si reconstruidas para mantener el almacenamiento estable). Se crean mediante la transformación de datos utilizando para ello transformaciones (filtros, joins, Group by…). Por otra parte permite cachear los datos mediante transformaciones como Reduce, Collect, count, save…
Los RDD son tolerantes a fallos, para ello mantiene una cosa llamada el “lineage” del RDD. Este “lineage” permite que los RDDs se reconstruyan en caso de que una porción de datos se pierda.
Por tanto, los beneficios de utilizar RDD´s son varios:
· La consistencia se vuelve más sencilla gracias a la inmutabilidad.
· Tolerancia a fallos con bajo coste (gracias al “lineage” mantenemos checkpoints de los datos).

· A pesar de ser un modelo restringido a una serie de casos de uso por defecto, gracias a RDDs se puede utilizar Spark para un cantidad de aplicaciones muy variadas.

Operaciones en RDDs

Análisis Interactivo de Datos

 Una de las características más útiles es el Shell interactivo que permite a un usuario utilizar las capacidades de Spark inmediatamente (no se necesita un IDE o compilar el código). La Shell es una herramienta que se utiliza para la exploración de datos interactivamente, que nos permitirá probar porciones de la aplicación que estemos desarrollando.
Spark puede leer y escribir datos desde y hasta HDFS. Lo bueno es que nos permite jugar con APIs en Java, Scala y Python para aplicaciones “stand-alone”.

Batch Processing más Rápido

 Los primeros despliegues de Spark se enfocaron en aumentar el rendimiento de las aplicaciones MapReduce existentes. Recodemos que MapReduce en la actualidad es un framework genérico de ejecución paralela de aplicaciones y no es exclusivo ni una implementación propietaria del core de Hadoop. Por lo tanto Spark proporciona también MapReduce que puede llegar a ser más eficiente gracias al uso de la memoria (mientras utilizará “lineage” para recuperar los fallos en caso de que fuese necesario).

Algoritmos Iterativos

Spark permite a los usuarios y a las aplicaciones especificar el cacheo de un dataset mediante la operación cache(). Esto significa que nuestra aplicación puede acceder a la memoria RAM en vez de al disco, lo cual aumenta de manera espectacular el rendimiento en algoritmos iterativos ya que pueden acceder acceder al mismo dataset repetidamente. Ese caso de uso cubre un gran número de aplicaciones, como pueden ser las aplicaciones orientadas a machine learning o los algoritmos gráficos que son iterativos por naturaleza.
Puedes ver más sobre esto en la web oficial de Spark.

Procesamiento de Streams en Tiempo Real

Dado que las operaciones realizadas los sistemas de análisis de datos poseen una latencia baja, es natural extender el motor hacia streams de datos en tiempo real. Spark tiene un API que nos permite trabajar con estos streams de datos y que además tienen una ventaja diferencial: podemos mezclar streams en tiempo real con programas Batch.