miércoles, 1 de octubre de 2008

FOTOS RELACIONADAS CON MERCADEO





DATAWAREHAUSE


Que es un Data WareHouse?

Es un repositorio de datos de muy fácil acceso, alimentado de numerosas fuentes, transformadas en grupos de información sobre temas específicos de negocios, para permitir nuevas consultas, análisis, reporteador y decisiones.

Que es lo que le preocupa a los ejecutivos?

Se tienen montañas de datos en la compañía, pero no podemos llegar a ellos adecuadamente. Nada enloquece más a los ejecutivos que dos personas presentando el mismo resultado de operación pero con diferentes números y los ejecutivos lo que buscan es ver la información pero desde diferentes ángulos, mostrando únicamente lo que es importante para tomar una decisión en la empresa, finalmente los ejecutivos saben que hay datos que nunca serán confiables, por lo que prefieren que se eviten en los reportes ejecutivos.

Uno de los valores más importantes de una organización es la información.

Estos valores normalmente son guardados por la organización de dos formas:

  • Los sistemas operacionales de registros
  • Y el Data Warehouse

Crudamente hablando, los sistema operacionales de registros es donde los datos son depositados y el Data WareHouse es de donde se extraen eso datos.

Los objetivos fundamentales de un Data WareHouse son:

  • Hace que la información de la organización sea accesible: los contenidos del Data WareHouse son entendibles y navegables, y el acceso a ellos son caracterizado por el rápido desempeño. Estos requerimientos no tienen fronteras y tampoco limites fijos. Cuando hablamos de entendible significa, que los niveles de la información sean correctos y obvios. Y Navegables significa el reconocer el destino en la pantalla y llegar a donde queramos con solo un clic. Rápido desempeño significa, cero tiempo de espera. Todo lo demás es un compromiso y por consiguiente algo que queremos mejorar.
  • Hacer que la información de la organización sea consistente: la información de una parte de la organización puede hacerse coincidir con la información de la otra parte de la organización. Si dos medidas de la organización tienen el mismo nombre, entonces deben significar la misma cosa. Y a la inversa, si dos medidas no significan la misma cosa, entonces son etiquetados diferentes. Información consistente significa, información de alta calidad. Significa que toda la información es contabilizada y completada. Todo lo demás es un compromiso y por consiguiente algo que queremos mejorar.
  • Es información adaptable y elástica: el Data WareHouse esta diseñado para cambios continuos. Cuando se le hacen nuevas preguntas al Data WareHouse, los datos existentes y las tecnologías no cambian ni se corrompen. Cuando se agregan datos nuevos al Data WareHouse, los datos existentes y las tecnologías tampoco cambian ni se corrompen. El diseño de Data Marts separados que hacen al Data WareHouse, deben ser distribuidos e incrementados. Todo lo demás es un compromiso y por consiguiente algo que queremos mejorar.
  • Es un seguro baluarte que protege los valores de la información: el Data WareHouse no solamente controla el acceso efectivo a los datos, si no que da a los dueños de la información gran visibilidad en el uso y abusos de los datos, aún después de haber dejado el Data WareHouse. Todo lo demás es un compromiso y por consiguiente algo que queremos mejorar.
  • Es la fundación de la toma de decisiones: el Data WareHouse tiene los datos correctos para soportar la toma de decisiones. Solo hay una salida verdadera del Data WareHouse: las decisiones que son hechas después de que el Data WareHouse haya presentado las evidencias. La original etiqueta que preside el Data WareHouse sigue siendo la mejor descripción de lo que queremos construir: un sistema de soporte a las decisiones.

Los elementos básicos de un Data WareHouse

  • Sistema fuente: sistemas operacionales de registros donde sus funciones son capturar las transacciones del negocio. A los sistemas fuentes también se le conoce como Legacy System.
  • Área de trafico de datos: es un área de almacenamiento y grupo de procesos, que limpian transforman, combinan, remover los duplicados, guardan, archivan y preparan los datos fuente para ser usados en el Data WareHouse.
  • Servidor de presentación: la maquina física objetivo en donde los datos del Data WareHouse son organizados y almacenados para queries directos por los usuarios finales, reportes y otras aplicaciones.
  • Modelo dimensional: una disciplina especifica para el modelado de datos que es una alternativa para los modelos de entidad – relación.
  • Procesos de negocios: un coherente grupo de actividades de negocio que hacen sentido a los usuarios del negocio del Data WareHouse.
  • Data Mart: un subgrupo lógico del Data WareHouse completo.
  • Data WareHouse: búsquedas fuentes de datos de la empresa. Y es la unión de todos los data marts que la constituyen.
  • Almacenamiento operacional de datos: es el punto de integración por los sistemas operacionales. Es el acceso al soporte de decisiones por los ejecutivos.
  • OLAP: actividad general de búsquedas para presentación de texto y números del Data WareHouse, también un estilo dimensional especifico de búsquedas y presentación de información y que es ejemplificada por vendedores de OLAP.
  • ROLAP: un grupo de interfases de usuarios y aplicaciones que le dan a la base de datos relacional un estilo dimensional.
  • MOLAP: un grupo de interfases de usuarios, aplicaciones y propietarios de tecnología de bases de datos que tienen un fuerte estilo dimensional.
  • Aplicaciones para usuarios finales: una colección de herramientas que hacen los queries, analizan y presentan la información objetivo para el soporte de las necesidades del negocio.
  • Herramientas de acceso a datos por usuarios finales: un cliente de Data WareHouse.
  • Ad Hoc Query Tool: un tipo especifico de herramientas de acceso a datos por usuarios finales que invita al usuario a formas sus propios queries manipulando directamente las tablas relacionales y sus uniones.
  • Modelado de aplicaciones: un sofisticado tipo de cliente de Data WareHouse con capacidades analíticas que transforma o digiere las salidas del Data WareHouse.
  • Meta Data: toda la información en el ambiente del Data WareHouse que no son así mismo los datos actuales.

Los procesos básicos del Data WareHouse (ETL)

  • Extracción: este es el primer paso de obtener la información hacia el ambiente del Data WareHouse.
  • Transformación: una vez que la información es extraída hacia el área de trafico de datos, hay posibles paso de transformación como; limpieza de la información, tirar la basura que no nos sirve, seleccionar únicamente los campos necesarios para el Data WareHouse, combinar fuentes de datos, haciéndolas coincidir por los valores de las llaves, creando nuevas llaves para cada registro de una dimensión.
  • Carga: al final del proceso de transformación, los datos están en forma para ser cargados.

Las razones básicas de porque una organización implementa Data WareHouse:

Para realizar tareas en los servidores y discos, asociados a queries y reportes en servidores y discos que no son utilizados por sistemas de proceso de transacciones.

Muchas de las empresas quieren instalar sistemas de procesos de transacciones para que haya una alta probabilidad de que las transacciones sean completadas en un tiempo razonable. Estos sistemas de procesos de transacciones hacen que las transacciones y peticiones sean más rápidas en menores tiempos dado a que los queries y reportes consumen mucho más de su límite permitido en los recursos de servidores y discos, por tal motivo las empresas han implementado una arquitectura de Data WareHouse que utiliza sus servidores y discos por separado para algunos de los queries y reportes.

Para utilizar modelos de datos o tecnologías de servidores que agilizan los queries y reportes, y que no son apropiados para los procesos de transacciones.

Existen maneras de modelar los datos que usualmente agilizan los queries y reportes (ejemplo: el esquema del modelo estrella) y que no son apropiados para los procesos de transacciones porque la técnica de modelado bajaría el rendimiento y complicaría el proceso de transacciones. También existen tecnologías que aceleran el proceso de queries y reportes pero baja la velocidad en el proceso de transacciones (ejemplo: la indexación de bitmaps) y tecnología de servidores que incrementan la velocidad en el proceso de transacciones, pero que disminuyen la velocidad del proceso de queries y reportes (ejemplo: La tecnología de recuperación de transacciones). Todo esto entonces esta en el cómo se hacen los modelos de datos y que tecnología se utiliza, inclusive que productos se adquieren para el impacto de los procesos de queries y reportes.

Para proveer un ambiente donde relativamente una muy poca cantidad de conocimiento de los aspectos técnicos de tecnología de bases de datos es requerida para escribir y mantener queries y reportes.

Frecuentemente un Data WareHouse puede ser instalado de manera que los queries y reportes puedan ser escritos por personal sin tanto conocimiento técnico, lo que hace que su mantenimiento y construcción se haga sin más complejidad.

Para proveer un repositorio del sistema de proceso de transacciones limpio que puede ser reportado y que no necesariamente requiere que se arregle el sistema de proceso de transacciones.

El Data WareHouse provee la oportunidad de limpiar los datos sin cambiar los sistemas de proceso de transacciones, sin embargo algunas implementaciones de Data WareHouse provee el significado para capturar las correcciones hechas a los datos del Data WareHouse y alimenta las correcciones hacia el sistema de proceso de transacciones. Muchas veces hace más sentido hacer las correcciones de esta manera que aplicar las correcciones directamente al sistema de proceso de transacciones.

Para hacer los queries y reportes de datos básicamente más fácil de los múltiples procesos de transacciones y de las fuentes externas y de los datos que deben ser almacenados solamente para el propósito de hacer queries y reportes.

Desde hace mucho tiempo que las compañías necesitan reportes con información de múltiples sistemas y han hecho extracciones de datos para después correrlos bajo la lógica de búsqueda combinando la información de las extracciones con los reportes generados, lo que en muchas ocasiones es una buena estrategia. Pero cuando se tienen muchos datos y las búsquedas se vuelven muy pesadas y después limpiar la búsqueda, entonces lo apropiado sería un Data WareHouse.

Glosario de Términos de Data Mining

  • Algoritmos genéticos: Técnicas de optimización que usan procesos tales como combinación genética, mutación y selección natural en un diseño basado en los conceptos de evolución natural.
  • Análisis de series de tiempo (time-series): Análisis de una secuencia de medidas hechas a intervalos específicos. El tiempo es usualmente la dimensión dominanate de los datos.
  • Análisis prospectivo de datos: Análisis de datos que predice futuras tendencias, comportamientos o eventos basado en datos históticos.
  • Análisis exploratorio de datos: Uso de técnicas estadísticas tanto gráficas como descriptivas para aprender acerca de la estructura de un conjunto de datos.
  • Análisis retrospectivo de datos: Análisis de datos que provee una visión de las tendencias , comportamientos o eventos basado en datos históricos.
  • Árbol de decisión: Estructura en forma de árbol que representa un conjunto de decisiones. Estas decisiones generan reglas para la clasificación de un conjunto de datos. Ver CART y CHAID.
  • Base de datos multidimensional: Base de datos diseñada para procesamiento analítico on-line (OLAP). Estructurada como un hipercubo con un eje por dimensión.
  • CART Árboles de clasificación y regresión: Una técnica de árbol de decisión usada para la clasificación de un conjunto da datos. Provee un conjunto de reglas que se pueden aplicar a un nuevo (sin clasificar) conjunto de datos para predecir cuáles registros darán un cierto resultado. Segmenta un conjunto de datos creando 2 divisiones. Requiere menos preparación de datos que CHAID .
  • CHAID Detección de interacción automática de Chi cuadrado: Una técnica de árbol de decisión usada para la clasificación de un conjunto da datos. Provee un conjunto de reglas que se pueden aplicar a un nuevo (sin clasificar) conjunto de datos para predecir cuáles registros darán un cierto resultado. Segmenta un conjunto de datos utilizando tests de chi cuadrado para crear múltiples divisiones. Antecede, y requiere más preparación de datos, que CART.
  • Clasificación: Proceso de dividir un conjunto de datos en grupos mutuamente excluyentes de tal manera que cada miembro de un grupo esté lo "más cercano" posible a otro, y grupos diferentes estén lo "más lejos" posible uno del otro, donde la distancia está medida con respecto a variable(s) específica(s) las cuales se están tratando de predecir. Por ejemplo, un problema típico de clasificación es el de dividir una base de datos de compañías en grupos que son lo más homogéneos posibles con respecto a variables como "posibilidades de crédito" con valores tales como "Bueno" y "Malo".
  • Clustering (agrupamiento): Proceso de dividir un conjunto de datos en grupos mutuamente excluyentes de tal manera que cada miembro de un grupo esté lo "más cercano" posible a otro, y grupos diferentes estén lo "más lejos" posible uno del otro, donde la distancia está medida con respecto a todas las variables disponibles.
  • Computadoras con multiprocesadores: Una computadora que incluye múltiples procesadores conectados por una red. Ver procesamiento paralelo.
  • Data cleansing: Proceso de asegurar que todos los valores en un conjunto de datos sean consistentes y correctamente registrados.
  • Data Mining: La extracción de información predecible escondida en grandes bases de datos.
  • Data Warehouse: Sistema para el almacenamiento y distribución de cantdades masivas de datos
  • Datos anormales: Datos que resultan de errores (por ej.: errores en el tipeado durante la carga) o que representan eventos inusuales.
  • Dimensión: En una base de datos relacional o plana, cada campo en un registro representa una dimensión. En una base de datos multidimensional, una dimensión es un conjunto de entidades similares; por ej.: una base de datos multidimensional de ventas podría incluir las dimensiones Producto, Tiempo y Ciudad.
  • Modelo analítico: Una estructura y proceso para analizar un conjunto de datos. Por ejemplo, un árbol de decisión es un modelo para la clasificación de un conjunto de datos
  • Modelo lineal: Un modelo analítico que asume relaciones lineales entre una variable seleccionada (dependiente) y sus predictores (variables independientes).
  • Modelo no lineal: Un modelo analítico que no asume una relación lineal en los coeficientes de las variables que son estudiadas.
  • Modelo predictivo: Estructura y proceso para predecir valores de variables especificadas en un conjunto de datos.
  • Navegación de datos: Proceso de visualizar diferentes dimensiones, "fetas" y niveles de una base de datos multidimensional. Ver OLAP.
  • OLAP Procesamiento analítico on-line (On Line Analitic prossesing): Se refiere a aplicaciones de bases de datos orientadas a array que permite a los usuarios ver, navegar, manipular y analizar bases de datos multidimensionales.
  • Outlier: Un item de datos cuyo valor cae fuera de los límites que encierran a la mayoría del resto de los valores correspondientes de la muestra. Puede indicar datos anormales. Deberían ser examinados detenidamente; pueden dar importante información.
  • Procesamiento paralelo: Uso coordinado de múltiples procesadores para realizar tareas computacionales. El procesamiento paralelo puede ocurrir en una computadora con múltiples procesadores o en una red de estaciones de trabajo o PCs.
  • RAID: Formación redundante de discos baratos (Redundant Array of inexpensive disks). Tecnología para el almacenamiento paralelo eficiente de datos en sistemas de computadoras de alto rendimiento.
  • Regresión lineal: Técnica estadística utilizada para encontrar la mejor relación lineal que encaja entre una variable seleccionada (dependiente) y sus predicados (variables independientes).
  • Regresión logística: Una regresión lineal que predice las proporciones de una variable seleccionada categórica, tal como Tipo de Consumidor, en una población.
  • Vecino más cercano: Técnica que clasifica cada registro en un conjunto de datos basado en una combinación de las clases del/de los k registro (s) más similar/es a él en un conjunto de datos históricos (donde k  1). Algunas veces se llama la técnica del vecino k-más cercano.
  • SMP Multiprocesador simétrico (Symmetric multiprocessor): Tipo de computadora con multiprocesadores en la cual la memoria es compartida entre los procesadores

¿Cómo Trabaja el Data Mining?

¿Cuán exactamente es capaz Data Mining de decirle cosas importantes que usted desconoce o que van a pasar? La técnica usada para realizar estas hazañas en Data Mining se llama Modelado. Modelado es simplemente el acto de construir un modelo en una situación donde usted conoce la respuesta y luego la aplica en otra situación de la cual desconoce la respuesta. Por ejemplo, si busca un galeón español hundido en los mares lo primero que podría hacer es investigar otros tesoros españoles que ya fueron encontrados en el pasado. Notaría que esos barcos frecuentemente fueron encontrados fuera de las costas de Bermuda y que hay ciertas características respecto de las corrientes oceánicas y ciertas rutas que probablemente tomara el capitán del barco en esa época. Usted nota esas similitudes y arma un modelo que incluye las características comunes a todos los sitios de estos tesoros hundidos. Con estos modelos en mano sale a buscar el tesoro donde el modelo indica que en el pasado hubo más probabilidad de darse una situación similar. Con un poco de esperanza, si tiene un buen modelo, probablemente encontrará el tesoro.

Este acto de construcción de un modelo es algo que la gente ha estado haciendo desde hace mucho tiempo, seguramente desde antes del auge de las computadoras y de la tecnología de Data Mining. Lo que ocurre en las computadoras, no es muy diferente de la manera en que la gente construye modelos. Las computadoras son cargadas con mucha información acerca de una variedad de situaciones donde una respuesta es conocida y luego el software de Data Mining en la computadora debe correr a través de los datos y distinguir las características de los datos que llevarán al modelo. Una vez que el modelo se construyó, puede ser usado en situaciones similares donde usted no conoce la respuesta.

Si alguien le dice que tiene un modelo que puede predecir el uso de los clientes, ¿Cómo puede saber si es realmente un buen modelo? La primera cosa que puede probar es pedirle que aplique el modelo a su base de clientes - donde usted ya conoce la respuesta. Con Data Mining, la mejor manera para realizar esto es dejando de lado ciertos datos para aislarlos del proceso de Data Mining. Una vez que el proceso está completo, los resultados pueden ser testeados contra los datos excluidos para confirmar la validez del modelo. Si el modelo funciona, las observaciones deben mantenerse para los datos excluidos.

Una arquitectura para Data Mining

Para aplicar mejor estas técnicas avanzadas, éstas deben estar totalmente integradas con el data warehouse así como con herramientas flexibles e interactivas para el análisis de negocios. Varias herramientas de Data Mining actualmente operan fuera del warehouse, requiriendo pasos extra para extraer, importar y analizar los datos. Además, cuando nuevos conceptos requieren implementación operacional, la integración con el warehouse simplifica la aplicación de los resultados desde Data Mining. El Data warehouse analítico resultante puede ser aplicado para mejorar procesos de negocios en toda la organización, en áreas tales como manejo de campañas promocionales, detección de fraudes, lanzamiento de nuevos productos, etc.

El punto de inicio ideal es un data warehouse que contenga una combinación de datos de seguimiento interno de todos los clientes junto con datos externos de mercado acerca de la actividad de los competidores. Información histórica sobre potenciales clientes también provee una excelente base para prospecting. Este warehouse puede ser implementado en una variedad de sistemas de bases relacionales y debe ser optimizado para un acceso a los datos flexible y rápido.

Un server multidimensional OLAP permite que un modelo de negocios más sofisticado pueda ser aplicado cuando se navega por el data warehouse. Las estructuras multidimensionales permiten que el usuario analice los datos de acuerdo a como quiera mirar el negocio - resumido por línea de producto, u otras perspectivas claves para su negocio. El server de Data Mining debe estar integrado con el data warehouse y el server OLAP para insertar el análisis de negocios directamente en esta infraestructura. Un avanzado, metadata centrado en procesos define los objetivos del Data Mining para resultados específicos tales como manejos de campaña, prospecting, y optimización de promociones. La integración con el data warehouse permite que decisiones operacionales sean implementadas directamente y monitoreadas. A medida que el data warehouse crece con nuevas decisiones y resultados, la organización puede "minar" las mejores prácticas y aplicarlas en futuras decisiones.

Este diseño representa una transferencia fundamental desde los sistemas de soporte de decisión convencionales. Más que simplemente proveer datos a los usuarios finales a través de software de consultas y reportes, el server de Análisis Avanzado aplica los modelos de negocios del usuario directamente al warehouse y devuelve un análisis proactivo de la información más relevante. Estos resultados mejoran los metadatos en el server OLAP proveyendo una estrato de metadatos que representa una vista fraccionada de los datos. Generadores de reportes, visualizadores y otras herramientas de análisis pueden ser aplicadas para planificar futuras acciones y confirmar el impacto de esos planes.

DATAMINING

Descubriendo Información Oculta

Data Mining, la extracción de información oculta y predecible de grandes bases de datos, es una poderosa tecnología nueva con gran potencial para ayudar a las compañías a concentrarse en la información más importante de sus Bases de Información (Data Warehouse). Las herramientas de Data Mining predicen futuras tendencias y comportamientos, permitiendo en los negocios tomar decisiones proactivas y conducidas por un conocimiento acabado de la información (knowledge-driven). Los análisis prospectivos automatizados ofrecidos por un producto así van más allá de los eventos pasados provistos por herramientas retrospectivas típicas de sistemas de soporte de decisión. Las herramientas de Data Mining pueden responder a preguntas de negocios que tradicionalmente consumen demasiado tiempo para poder ser resueltas y a los cuales los usuarios de esta información casi no están dispuestos a aceptar. Estas herramientas exploran las bases de datos en busca de patrones ocultos, encontrando información predecible que un experto no puede llegar a encontrar porque se encuentra fuera de sus expectativas.

Muchas compañías ya colectan y refinan cantidades masivas de datos. Las técnicas de Data Mining pueden ser implementadas rápidamente en plataformas ya existentes de software y hardware para acrecentar el valor de las fuentes de información existentes y pueden ser integradas con nuevos productos y sistemas pues son traídas en línea (on-line). Una vez que las herramientas de Data Mining fueron implementadas en computadoras cliente servidor de alta performance o de procesamiento paralelo, pueden analizar bases de datos masivas para brindar respuesta a preguntas tales como, "¿Cuáles clientes tienen más probabilidad de responder al próximo mailing promocional, y por qué? y presentar los resultados en formas de tablas, con gráficos, reportes, texto, hipertexto, etc.

Los Fundamentos del Data Mining

Las técnicas de Data Mining son el resultado de un largo proceso de investigación y desarrollo de productos. Esta evolución comenzó cuando los datos de negocios fueron almacenados por primera vez en computadoras, y continuó con mejoras en el acceso a los datos, y más recientemente con tecnologías generadas para permitir a los usuarios navegar a través de los datos en tiempo real. Data Mining toma este proceso de evolución más allá del acceso y navegación retrospectiva de los datos, hacia la entrega de información prospectiva y proactiva. Data Mining está listo para su aplicación en la comunidad de negocios porque está soportado por tres tecnologías que ya están suficientemente maduras:

    • Recolección masiva de datos
    • Potentes computadoras con multiprocesadores
    • Algoritmos de Data Mining

Las bases de datos comerciales están creciendo a un ritmo sin precedentes. Un reciente estudio del META GROUP sobre los proyectos de Data Warehouse encontró que el 19% de los que contestaron están por encima del nivel de los 50 Gigabytes, mientras que el 59% espera alcanzarlo en el segundo trimestre de 1997. En algunas industrias, tales como ventas al por menor (retail), estos números pueden ser aún mayores. MCI Telecommunications Corp. cuenta con una base de datos de 3 terabytes + 1 terabyte de índices y overhead corriendo en MVS sobre IBM SP2. La necesidad paralela de motores computacionales mejorados puede ahora alcanzarse de forma más costo - efectiva con tecnología de computadoras con multiprocesamiento paralelo. Los algoritmos de Data Mining utilizan técnicas que han existido por lo menos desde hace 10 años, pero que sólo han sido implementadas recientemente como herramientas maduras, confiables, entendibles que consistentemente son más performantes que métodos estadísticos clásicos.

En la evolución desde los datos de negocios a información de negocios, cada nuevo paso se basa en el previo. Por ejemplo, el acceso a datos dinámicos es crítico para las aplicaciones de navegación de datos (drill through applications), y la habilidad para almacenar grandes bases de datos es crítica para Data Mining.

Los componentes esenciales de la tecnología de Data Mining han estado bajo desarrollo por décadas, en áreas de investigación como estadísticas, inteligencia artificial y aprendizaje de máquinas. Hoy, la madurez de estas técnicas, junto con los motores de bases de datos relacionales de alta performance, hicieron que estas tecnologías fueran prácticas para los entornos de data warehouse actuales.

El Alcance de Data Mining

El nombre de Data Mining deriva de las similitudes entre buscar valiosa información de negocios en grandes bases de datos - por ej.: encontrar información de la venta de un producto entre grandes montos de Gigabytes almacenados - y minar una montaña para encontrar una veta de metales valiosos. Ambos procesos requieren examinar una inmensa cantidad de material, o investigar inteligentemente hasta encontrar exactamente donde residen los valores. Dadas bases de datos de suficiente tamaño y calidad, la tecnología de Data Mining puede generar nuevas oportunidades de negocios al proveer estas capacidades:

    • Predicción automatizada de tendencias y comportamientos. Data Mining automatiza el proceso de encontrar información predecible en grandes bases de datos. Preguntas que tradicionalmente requerían un intenso análisis manual, ahora pueden ser contestadas directa y rápidamente desde los datos. Un típico ejemplo de problema predecible es el marketing apuntado a objetivos (targeted marketing). Data Mining usa datos en mailing promocionales anteriores para identificar posibles objetivos para maximizar los resultados de la inversión en futuros mailing. Otros problemas predecibles incluyen pronósticos de problemas financieros futuros y otras formas de incumplimiento, e identificar segmentos de población que probablemente respondan similarmente a eventos dados.
    • Descubrimiento automatizado de modelos previamente desconocidos. Las herramientas de Data Mining barren las bases de datos e identifican modelos previamente escondidos en un sólo paso. Otros problemas de descubrimiento de modelos incluye detectar transacciones fraudulentas de tarjetas de créditos e identificar datos anormales que pueden representar errores de tipeado en la carga de datos.

Las técnicas de Data Mining pueden redituar los beneficios de automatización en las plataformas de hardware y software existentes y puede ser implementadas en sistemas nuevos a medida que las plataformas existentes se actualicen y nuevos productos sean desarrollados. Cuando las herramientas de Data Mining son implementadas en sistemas de procesamiento paralelo de alta performance, pueden analizar bases de datos masivas en minutos. Procesamiento más rápido significa que los usuarios pueden automáticamente experimentar con más modelos para entender datos complejos. Alta velocidad hace que sea práctico para los usuarios analizar inmensas cantidades de datos. Grandes bases de datos, a su vez, producen mejores predicciones.

Las bases de datos pueden ser grandes tanto en profundidad como en ancho:

    • Más columnas. Los analistas muchas veces deben limitar el número de variables a examinar cuando realizan análisis manuales debido a limitaciones de tiempo. Sin embargo, variables que son descartadas porque parecen sin importancia pueden proveer información acerca de modelos desconocidos. Un Data Mining de alto rendimiento permite a los usuarios explorar toda la base de datos, sin preseleccionar un subconjunto de variables.
    • Más filas. Muestras mayores producen menos errores de estimación y desvíos, y permite a los usuarios hacer inferencias acerca de pequeños pero importantes segmentos de población.

Las técnicas más comúnmente usadas en Data Mining son:

    • Redes neuronales artificiales: modelos predecible no-lineales que aprenden a través del entrenamiento y semejan la estructura de una red neuronal biológica.
    • Arboles de decisión: estructuras de forma de árbol que representan conjuntos de decisiones. Estas decisiones generan reglas para la clasificación de un conjunto de datos. Métodos específicos de árboles de decisión incluyen Arboles de Clasificación y Regresión (CART: Classification And Regression Tree) y Detección de Interacción Automática de Chi Cuadrado (CHAI: Chi Square Automatic Interaction Detection)
    • Algoritmos genéticos: técnicas de optimización que usan procesos tales como combinaciones genéticas, mutaciones y selección natural en un diseño basado en los conceptos de evolución.
    • Método del vecino más cercano: una técnica que clasifica cada registro en un conjunto de datos basado en una combinación de las clases del/de los k registro (s) más similar/es a él en un conjunto de datos históricos (donde k  1). Algunas veces se llama la técnica del vecino k-más cercano.
    • Regla de inducción: la extracción de reglas if-then de datos basados en significado estadístico.

Muchas de estas tecnologías han estado en uso por más de una década en herramientas de análisis especializadas que trabajan con volúmenes de datos relativamente pequeños. Estas capacidades están ahora evolucionando para integrarse directamente con herramientas OLAP y de Data Warehousing.

SISTEMA DE INFORMACION DE MERCADEO


Antecedentes


"Quién controla el pasado, controla el futuro. Quien controla el presente controla el pasado". George Orwell "1984" Página 7.
El manejo de la información, ha sido de interés para el hombre desde el mismo momento en que inventó la escritura. Durante siglos (y hasta milenios)l hombre se ha dado a la tarea de recopilar la información que le permitirá a través del pasado mejorar las decisiones del futuro. Para esto ha diseñado diversos sistemas. Cuando Guttenberg inventó la imprenta, lo hizo a través de libros. Luego las bibliotecas, hasta que fue insuficiente y se vio obligado a desarrollar nuevas tecnologías que le permitieran manejar y almacenar más información.
En el campo del Mercadeo se han desarrollado y perfeccionado herramientas para el manejo de la información: los Sistemas de Información de Mercadeo SIM.

Definición

Es la estructura para reunir y manejar información de fuentes internas y externas a una organización. Suministra un flujo continuo de información, sobre precios, gastos publicitarios, ventas, competencia, comportamiento del consumidor, tendencias del mercado, gastos de distribución, etc.

Cuando hablamos de fuentes internas tenemos: los contactos con los Clientes, registros contables, y demás datos financieros y operativos. En el caso de fu entes externas: datos del gobierno (censo de la Oficina Central de Estadística e Informática), estudios de asociaciones comerciales, revistas comerciales, e informes suministrados por empresas externas de recolección de datos. En Venezuela tenemos a Data Análisis, también a Datos. Esta última, aparte de estudios puntuales desarrollados especialmente para los Clientes, publica todos los años, un libro con datos estadísticos generales del país, así como proyecciones de diversas áreas económicas llamado "Índice Económico":


Los Sistemas de Información en Mercadeo tienen una orientación hacia el futuro de las personas, equipos y procedimientos, cuya finalidad es la de almacenar y procesar un conjunto de información capaz de ayudar en la correcta toma de decisiones de la gerencia de mercadeo, en función de su respectivo programa de comercialización.


Ejemplo: En Estados Unidos, la empresa Information Resources (casa matriz representada en Venezuela por la empresa Datos), ha instalado "videocar" en supermercados para obtener información sobre patrones de compra. La información sobre flujo de tráfico y tiempo que los compradores gastan en cada sesión, se puede utilizar para medir el éxito de exhibiciones y promociones.

En Venezuela (primer país de Latinoamérica en tener este sistema), la empresa AGB ha instalado en una muestra de los televisores de la población, dispositivos electrónicos que permiten medir los patrones de comportamiento frente al televisor. Estadísticas utilizadas por los canales de televisión para la medición del Rating en los diversos programas, así como, para generar estadísticas más exhaustivas en cuanto a patrones por sexo y edad.

Importancia de los sistemas de información


La importancia de los Sistemas de Información radica en que permiten una orientación metódica, y una coordinación adecuada de los recursos disponibles, identificación más rápida de los problemas y evaluación cuantitativa de los resultados. Tienen como es natural, ciertos problemas de aplicación que están fundamentalmente vinculados con la naturaleza psicológica de los ejecutivos de mercadeo.


El éxito de un ejecutivo de mercadeo dependerá en gran parte de los factores tales como: habilidad para responder a los factores externos de un sistema de mercadeo, el cual esta en permanente proceso de cambio y de la correcta utilización de los recursos controlables por la empresa para adaptarse adecuadamente al medio ambiente externo.


La implementación de un sistema de información de mercadeo es una herramienta de trabajo de gran utilidad para un ejecutivo de mercadeo de una empresa importante en un mercado altamente competitivo. Veamos porqué:

  1. Porque es frecuente que cada vez sean más cortos los ciclos de vida de los productos, lo cual hace que se tenga que tomar decisiones mercadoctécnicas fundamentales en lapsos cada vez más breves.
  2. Los consumidores aumentan sus exigencias en relación a la calidad de los productos y los niveles de información que reciben sobre los mismos, lo cual obliga a estar constantemente al tanto de sí nuestro producto o servicio cumple o no con las expectativas del mercado.
  3. El volumen de información a disposición crece de forma tan explosiva que se hace necesario manejarlo y procesarlo de manera automatizada para obtener del mismo los beneficios adecuados.
  4. Las actividades de mercadeo se vuelven más y más complejas por su amplitud física debido a la creciente internacionalización de los mercados, por la necesidad de conocer más profundamente las necesidades y deseos del consumidor, y por la necesidad de saber cuáles productos y clientes son rentables y cuales no lo son.

Ejemplo: Kraft General Foods, Inc. posee uno de los Sistemas de Información más grandes de la industria alimenticia. La empresa ha construido un sistema para mantener, utilizar y compartir información con diferentes usuarios de información en una forma tal que se incremente el valor de la empresa que ofrece a los consumidores. Kraft busca desarrollar un diálogo con los consumidores poniendo a su disposición líneas 800 para llamadas gratuitas. Anualmente recibe ciento de llamadas de consumidores, quienes formulan preguntas y expresa sus inquietudes sobre el producto.

Ventajas De Los Sistema De Información En Mercadeo (SIM)


El uso adecuado por parte de la gerencia de mercadeo, de los Sistemas de información, redundará en una serie de beneficios tangibles en la operación comercial de la empresa:

Diferencias entre sistemas de información en mercadeo e investigacion de mercados.


Algunas personas tienden a confundir los Sistemas de Información en Mercadeo con la Investigación de Mercados, ya que ambos están orientados a la búsqueda, captura y análisis de información por parte del mercado, por lo cual hemos considerado pertinente dedicar un espacio en esta investigación a fin de determinar tanto sus diferencias y como su interelación. Hasta ahora no hemos analizado las características de los Sistemas de Información en Mercadeo, pero el cuadro que veremos a continuación, nos permitirá, al compararlas con la Investigación de Mercados, entender su verdadero alcance.

Cuadro Nº1: Diferencias entre sistemas de información en mercadeo e investigación de mercados

SISTEMAS DE INFORMACION

INVESTIGACION DE MERCADOS

ü Opera de una forma continua

ü Opera de forma intermitente

ü Tiene orientación hacia el futuro

ü Tiene orientación hacia el pasado

ü Recaba y maneja información interna y externa

ü Recaba información externa

ü Trata de evitar que se presenten problemas

ü Se ocupa de resolver problemas que ya se han presentado

ü Exige una operación computarizada

ü No se fundamenta necesariamente en la computación

ü Incluye, además de la investigación de mercadeo, otros subsistemas.

ü Es una fuente de entrada a los Sistemas de Información.

Fuente: los autores.

La principal diferencia entre la Investigación de Mercados y los Sistemas de Información de Mercadeo (SIM), radica en que la primera es un proceso de recolección de información para situaciones específicas, mientras el SIM proporciona una entrada continua de datos para una organización.


Las decisiones no recurrentes que se refieren a la dinámica en el entorno de mercadeo con frecuencia exigen una búsqueda de datos estructurada de conformidad con el problema y la decisión. La investigación de mercados se caracteriza por un análisis a fondo de los principales problemas o temas. La información que se necesita sólo puede obtenerse de fuentes externas a los canales de información formales con que cuenta una organización.

Ejemplo: Una empresa puede tener necesidad de saber algo sobre sus competidores o lograr una compresión imparcial de sus propios clientes, es posible que estas necesidades de información requieran una investigación de la información independiente mediante la investigación de mercadeo.

Tipos de sistemas de información


Podemos clasificar los sistemas de información en tres tipos:

  1. SIM de la empresa hacia el medio ambiente.
  2. SIM dentro de la empresa.
  3. SIM del mercado hacia la empresa.

Un sistema de información emana de la empresa hacia el medio ambiente (mercado) consistente en datos propiamente dichos y en la promoción del producto y de la empresa. Es aquí donde entra la Publicidad, Imagen de Marca, promociones de ventas, campañas de relaciones públicas, etc.

Fuente: "La Publicidad Comercial" por Dorothy Cohen. Pág 538.


Otra información, interna, fluye entre diversos puntos de enlace de la empresa.


Otra información comercial, que va del medio ambiente a la empresa. A este tipo pertenecen los datos aportados por Clientes y competidores, las acciones del gobierno relativas al comercio, los precios, la eficiencia de la publicación, etc.

Elementos que constituyen sistema de información


Los Sistemas de Información de Mercadeo se sustentan en una Base de Datos de Mercadeo.


La Base de Datos de Mercadeo


A.1. El Software de Base de Datos


A.2. Los Datos


Sistemas de Recolección de Datos.


A. La Base de Datos de Mercadeo.


La Base de Datos de Mercadeo (BDM) es la columna vertebral de cualquier Sistema de Información y más aún en programas de mercadeo Uno a Uno. La BDM está constituida por dos componentes fundamentales: el software de base de datos y los datos.

A.1. El software de base de datos.


Existen diversos tipos de software de bases de datos diseñados para fines distintos. El software de base de datos de mercadeo no debe ser una adaptación de otro tipo de software. Las características básicas de un software de base de datos de mercadeo son las siguientes:

  • Debe ser un software relacional
  • Debe permitir el almacenamiento de datos históricos
  • Debe permitir el almacenamiento de actividades de seguimiento
  • Debe contar con interfaces que sean "amigables" a los usuarios
  • Debe contener rigurosos elementos de seguridad
  • Debe permitir la interconexión con otras bases de datos
  • Debe permitir generar comunicaciones (cartas, faxes y correo electrónico)
  • Debe permitir discado de números telefónicos directamente desde las pantallas
  • Debe contar con interfaces con la central telefónica para la realización de discado predictivo
  • Debe permitir interconectividad con la central telefónica para que se ejecuten las funciones propias de CTI (Computer Telephone Integration)
  • Debe estar en capacidad de contener módulos de guiones de Telemercadeo con ayudas en línea.
  • Debe contener tablas con informaciones diversas para ayuda a los teleoperadores y sus respectivos motores de búsqueda
  • Debe permitir la generación de múltiples tipos de reportes y estadísticas
  • Debe permitir el almacenamiento de grandes cantidades de registros sin que merme su desempeño
  • Debe tener una gran flexibilidad para introducir modificaciones

Las plataformas más recomendadas para este tipo de software son SQL Server y Accsses97, ambas de Microsoft. La mayoría de las bases de datos de mercadeo en Venezuela son desarrolladas en MSAccess97 (cuando se manejan hasta 100.000 registros) y SQL Server 7 (cuando se manejan de 100.000 a varios millones de registros).

Existen otras plataformas para manejar bases de datos que se utilizan cuando se requiere el manejo simultáneo de diferentes bases de datos de millones de registros (Oracle, Sybase e Informix, entre otras), tanto la plataforma como los desarrollos de aplicaciones en estas plataformas son considerablemente más costosos que las mencionadas en el párrafo anterior.

Lo que más se usa en nuestro país, debido a su compatibilidad es desarrollar el software de Base de Datos de Mercadeo en MSAccess97 o MS SQL Server 7 con interfaces gráficas desarrollados en Visual Basic. Estas alternativas permiten una gran interconectividad con todos los programas de Microsoft que servirán de soporte para la generación de las comunicaciones que se le envíen a los integrantes de la BDM.

El paso más importante en el desarrollo de un software de BDM está en el diseño del mismo. Se deben incorporar todos los elementos de mercadeo que la experiencia señala como necesarios para este tipo de herramientas. Sólo así se podrá contar con un instrumento robusto que requerirá pocos cambios en el futuro cercano.

Las computadoras que se utilizan en los Sistemas de Información de Mercadeo van desde los equipos personales hasta los costosos mainframes de alto poder. El tamaño del computador, los componentes físicos conocidos como hardware son una unidad central de procesamiento y unidades de entrada/salida. Los siguientes términos son importantes para comprender el manejo de un Software para manejo de Información de Mercadeo:

< .- Unidad Central de Procesamiento.
< .- Dispositivos Periféricos.
< .- Red de computadoras.

Unidad Central de Procesamiento (mejor conocido como CPU Central Processing Unit). Es la memoria y el componente de procesamiento del computador, que almacena datos y programas, procesa instrucciones y realiza cálculos.

Dispositivos Periféricos. Se utilizan para ingresar datos (entrada) y transmitir datos procesados (salida). Los dispositivos periféricos incluyen un módem para que el computador pueda comunicarse a través de líneas telefónicas y una unidad de CD-ROM (memoria de sólo lectura en disco compacto) para almacenar grandes cantidades de memoria óptica que puedan presentar imágenes de texto y sonido. El teclado, el monitor, el Mouse y la impresora, se consideran como periféricos.

Red de computadoras. Es un sistema que permite la intercomunicación de diferentes computadoras. Los usuarios de la red tienen acceso de la información proveniente del resto de la red, a través de un módem o de otro dispositivo

A.2. Los datos.


Los datos, están constituidos por toda la información de relevancia que pueda se incluida en el SIM. Datos de nuestros Clientes, de la competencia, de los distribuidores, de las transacciones, de las ventas, etc. En necesario un banco de datos para recoger y almacenar (administrar) la información interna de la empresa para su posterior consulta. Permiten recuperar una variedad de información útil en la toma de decisiones sobre mercadeo; incluir artículos de periódicos, publicaciones sobre noticias de empresas, informe de gobierno, datos económicos y bibliografías.


La calidad de los datos es el elemento fundamental para cualquier actividad o decisión soportada sobre el SIM, para lo cual debe tener tres características fundamentales: que sea fiable, (lo cual depende de la fuente), que sea homogénea (lo cual depende del mantenimiento periódico) y que sea actual.


Por calidad de los datos se entiende que los mismos estén debidamente actualizados, que los géneros se correspondan con el de los receptores de la información, que la ortografía sea correcta, que el registro efectivamente pertenezca al Target que se quiere alcanzar, que contengan todos los datos necesarios para contactar a las personas, etc.


Esto implica que se deben cumplir criterios precisos, los cuales habrá que establecer, para incorporar datos a la BDM. Más que la cantidad de datos lo realmente importante es su calidad. Detallaremos esos criterios a continuación:

1 Las Fuentes de los Datos
1 El mantenimiento de los Datos de la BDM

Las Fuentes de los Datos


La BDM pueden contar con diversas fuentes de datos:


Información de clientes capturados a través de diferentes actividades de ventas


Los datos de esos listados deben ser diagnosticados, depurados y homogeneizados de acuerdo a un mismo formato antes de ser incorporados a la BDM. Esto implica establecer los criterios que deben cumplir los datos de cada registro antes de ser transcritos o importados a la BDM.

Información de clientes y prospectos capturados a través de programas especialmente diseñados con este fin


Información de prospectos provenientes de fuentes externas


Estos datos deben ser sometidos a un diagnóstico previo, para luego proceder a su normalización de acuerdo a los estándares que se hayan acordado. Se debe ser muy cuidadoso al momento de adquirir estas listas ya que la calidad de las mismas varía considerablemente en el mercado venezolano.

El mantenimiento de los Datos de la BDM


Los datos componen un conjunto dinámico que obsolesce muy rápidamente. Todos los registros deben contener un campo con la fecha en la cual el registro fue incorporado a la BDM y un campo donde se registre la última fecha en la cual el registro fue actualizado.

De igual manera se deben establecer procedimientos en el software que alerten cuando algún registro tiene más tiempo del que se fije como el adecuado para su actualización. Los criterios para activar esos procedimientos varían de acuerdo al tipo de registro (más tiempo para la información correspondiente a una empresa que para una persona natural). Los procedimientos señalados pueden ser automáticos en la forma de "flags" o manuales en la forma de reportes periódicos.

También se deben establecer criterios para eliminar registros de la BDM. No todos los registros que se incluyan serán valiosos en el tiempo y un número apreciable de registros inútiles afectan el desempeño de las BDM.

B.- Sistemas de Recolección de Datos. Un dispositivo de comunicación que constituya un enlace en ambas direcciones entre el usuario y el sistema.

Ejemplo: En Julio de 1998, se lanzó a nivel mundial un nuevo sistema de telecomunicaciones inalámbricas: los teléfonos satelitales Iridium. El segundo lanzamiento global (después de Windows ‘95) de la historia, es decir, el 13 de Julio se lanzó la misma campaña en todos los países del mundo. La estrategia, consistía, en captar Leads (prospectos) a través de los avisos de prensa, revista y comerciales de televisión que se interesaran en buscar más información. Los mismos deberían llamar a un número gratuito 800 en donde solicitarían un folleto que se les enviaría por correo, pero antes deberían contestar una serie de preguntas que permitiría determinar si eran prospectos calificados para un teléfono Iridium.

Para este lanzamiento se diseñó un Software de Base de Datos, el cual debía almacenar los datos de todos los prospectos así como toda la información que se recaudara sobre el mismo a lo largo de la llamada.

El Software, especialmente diseñado para el manejo de la información de esta campaña, permite, además, generar una serie de reportes, compatibles con los reportes de todos los países alrededor del mundo. Estos reportes permiten a los gerentes de mercadeo tomar decisiones: determinar prospectos calificados, modificar la pauta publicitaria, modificar estrategias de mercadeo, etc. (Favor ver anexo 1, Manual del Software de Base de Datos de Iridium).

Sistemas De Recolección De Datos
Los Sistemas de recolección de datos pueden dividirse en cuatro subgrupos los cuales describiremos a continuación:
ΠSubsistema de datos internos.
 Subsistema de Inteligencia de Mercadeo.
Ž Subsistema de Investigación de Mercados.
 Subsistema de apoyo a las decisiones de Mercadeo.

Subsistema de datos internos. La misión de este subsistema es la de recopilar y manejar información que se genera en el interior de la organización. Se trata básicamente de datos sobre tipos de clientes por consumo, por área geográfica, por antigüedad, por distribuidores, por agentes de ventas, por volúmenes de venta, etc.

Es la información diaria sobre el desarrollo del ambiente de mercadotecnia que ayuda a los gerentes a preparar y adaptar sus planes; esta información puede obtenerse en diferente fuentes, gran parte puede ser proporcionada por el personal de la empresa. Se debe vender la idea de que sus empleados son importantes en la recolección de información, capacitarlos para que detecten nuevos desarrollos y estimularlos para que transmitan la información.

La información de mercadotecnia no tiene valor hasta que los gerentes no la utilizan para tomar mejores decisiones La mayoría de las compañías tienen Sistemas de Información de Mercadotecnia centralizados para proporcionar a aquellos informes de desempeño periódico, actualizaciones e informes de los resultados de los estudios Los gerentes necesitan estos informes rutinarios para la planeación, ejecución y control de las decisiones cotidianas. Por ejemplo un gerente de ventas que tiene problemas con un cliente importante podría necesitar un resumen del estado de cuenta de ventas y beneficios durante el año. Los recientes desarrollos en el manejo de la información han revolucionado la distribución de la misma.

Muchas compañías están descentralizando sus Sistemas de Información de Mercadotecnia usando los últimos avances en microcomputadoras, software y comunicaciones y con ello proporcionan a los gerentes acceso directo a la información almacenada en el sistema. En ciertas compañías, los gerentes de mercadotecnia pueden utilizar una microcomputadora para vincularse con la red de información de la compañía. Desde cualquier ubicación pueden obtener datos de los registros internos o de servicios externos de información, analizarlos mediante paquetes y modelos estadísticos preparar informes con un procesador de textos y comunicarse con otros usuarios de la red a través de las telecomunicaciones.

Esta debe también pueden obtenerla de proveedores, revendedores y clientes, se puede conseguir datos sobre los competidores lo que se dice de ellos mismos en sus informes anuales, discursos y comunicados de prensa y anuncios, lo que dicen de ellos en publicaciones y exhibiciones comerciales u observar lo que compran y analizan sus productos, controlando sus ventas y sus nuevas patentes.

Se puede comprar información a proveedores externos, es posible utilizar esta información para evaluar las propias estrategias y estilos de publicidad y la competencia, espacio publicitario, medios utilizados y presupuestos para publicidad; la base de datos DONNLLY DEMOGRAPHICS proporciona información de los censos, además de sus propias proyecciones demográficas por estados, ciudad o código postal; hay bases de datos en línea al alcance de la mano para localizar casi cualquier tipo de información de mercadotecnia que se necesite. Puede funcionar en dos sentidos, las empresas toman medidas para protegerse de los espías de la competencia, algunas empresas disponen de una oficina que reúne y hace circular la información de mercadotecnia. Analizan las principales publicaciones, resume de noticias importantes y envía boletines a los gerentes de mercadotecnia, archiva la información y colabora con los gerentes en la evaluación de nuevos datos. Estos servicios mejoran grandemente la calidad de la información disponible para ellos.

Ejemplo: SEARS. Utiliza sus registros internos como un poderoso instrumento de mercadotecnia. Los gerentes utilizan información computariza sobre sus 40 millones de clientes para promover productos y servicios especiales a segmentos meta tan diversos como jardineros, compradores de aparatos eléctricos para el hogar y futuras madres. Registra todos los aparatos eléctricos que compra un cliente y promueve paquetes especiales de servicio para quienes tienen varios aparatos pero carecen de una póliza de mantenimiento. Pronto los gerentes de otras subsidiarias podrán desarrollar liderazgos de ventas utilizando la misma información.

Por otra parte, Kellogg's había ofrecido al público un recorrido por su planta de Battle Creek desde 1906, pero recientemente impidió la entrada de extraños a la fábrica que acababa de ser modernizada para impedir que sus competidores obtengan información sobre su equipo de alta tecnología.

Subsistema de Inteligencia de Mercadeo. Una de las misiones de este subsistema es la utilización de información secundaria externa ya elaborada: procedente de libros, revistas, periódicos, censos, informes para recabar información, información relacionada con la organización y similares. En esta segunda parte también se obtiene información, sobre cuestiones relevantes de la competencia, y de la propia empresa, como promociones que realizan, precios a los que lanzan sus productos al mercado, nuevos productos, modificaciones de precios, y cómo reaccionan los clientes ante las ofertas de la competencia.

Subsistema de Investigación de Mercados. Este se refiere a estudios sobre situaciones específicas, que tienen a materializarse en exigencias de proyectos individuales. Se trata de realizar un estudio de Ad - Hoc para llevar a cabo una investigación formal de Mercados que proporcione información relevante para la toma de decisiones.

Es la función que vincula a consumidores, clientes y público con el mercadólogo a través de la información, la cual se utiliza para identificar y definir las oportunidades y problemas de mercado; para generar, definir y evaluar las medidas de mercadotecnia y para mejorar la compresión del proceso de mercadotecnia. La investigación de mercado especifica la información necesaria para resolver problemas de mercado, diseña el método para reunir la información, administra y lleva a cabo el proceso de recolección de datos, analiza los resultados y comunica los hallazgos y sus implicaciones.

Los investigadores de mercado emprenden una amplia gama de actividades que van del análisis de venta y participación en el mercado hasta análisis de valores y políticas sociales. Las diez actividades más comunes son:

  • Medir el potencial del mercado.
  • Analizar la porción de mercado.
  • Determinar las características del mismo.
  • Analizar las ventas.
  • Estudiar las tendencias de los negocios.
  • Hacer pronósticos a corto plazo.
  • Analizar los productos de la competencia.
  • Hacer pronósticos a largo plazo.
  • Analizar estudios de los Sistemas de Información de mercadotecnia e investigar sobre los precios.

Subsistema de apoyo a las decisiones de Mercadeo. Son un conjunto de modelos y técnicas estadísticas, que con ayuda de los equipos computarizados de la empresa, permiten mejorar las decisiones de mercadeo. Por un lado disponen de un banco estadístico, en el cual se encuentran distintos tipos de estadística, con paquetes apropiados de software para efectuar estudios y análisis. Por otro disponen de un banco de modelos deterministas, de optimización, simulación, programación, que ayudan a la toma de decisiones comerciales.


Los Software de Base de Datos, deben incluir reportes que permitan al gerente poder evaluar los datos o resultados de una acción en particular. Estos reportes deben desarrollarse de acuerdo a los requerimientos de la gerencia en cuanto a indicadores estadísticos de gestión.

Tipos De Sistema De Recolección De Datos


Cada subsistema puede apoyarse en uno o varios sistemas de recolección de información de acuerdo con sus necesidades. A continuación mencionaremos algunos de los más conocidos y usados sistemas, a través de los cuales, los mercadólogos pueden interactuar con su mercado y obtener información valiosa que le permita tomar decisiones.

Números de teléfonos gratuitos (800).


Fax.


Mercadeo de respuesta directa.


Televisión interactiva.


E-mail.


Infocomerciales.


Tableros electrónicos de anuncios.


Servicios de información en línea.


Internet.

Numeros De Telefonos Gratuitos (800): Este tipo de mercadeo suele depender mucho de la facilidad de disponer de un número telefónico de acceso gratis para los consumidores, donde formulan preguntas y expresan sus inquietudes sobre el producto, la campaña o la empresa. La idea consiste en facilitar a los consumidores la comunicación con la empresa a través de una línea dedicada con este fin y sin cargo para el que llama, sin importar el origen.

FAX: Es un medio de comunicación de uso cada vez más frecuente en el campo del mercadeo, tan frecuente, que está siendo objeto (en algunos países) de restricciones legales, debido a la recepción de fax no deseados por el receptor, lo cual, además, de utilizar tiempo útil de su máquina, le hace incurrir en gastos, tales como papel, tinta, etc. Según información proveniente de la Asociación Americana de Mercadeo Directo, por este medio se envían anualmente cerca de 30.000 millones de hojas cada año. Como consecuencia, en Nueva York, es una infracción enviar un fax no solicitado, entre las 6 A.M. y las 9.P.M. y en Illinois, el remitente de un fax no deseado puede ser demandado hasta por 5.000 $.

MERCADEO DE RESPUESTA DIRECTA: Tipo de mercadeo que ocurre cuando un minorista anuncia un producto y lo pone a disposición de los consumidores por medio de pedidos por correo o teléfono. Tenemos por ejemplo los pedidos de comida a domicilio como el *Vip-Vip o el 800 Suchi y hasta el 800 FLORES:

Ejemplo: Un comercial de televisión que ofrece la colección musical de un artista que está disponible por medio de un número telefónico de llamadas gratuitas.


TELEVISION INTERACTIVA: Permite al televidente una interacción con lo que sucede en la pantalla, consta de un dispositivo de control remoto que con la ayuda de la banda radial FM, facilita la participación, desde el hogar, en programas de concursos, como pronosticar el resultado final de eventos deportivos que se están transmitiendo en vivo y el desarrollo final de una película.


E-MAIL: Sistema para enviar mensajes, información y datos entre computadoras, a través de la Internet.


INFOCOMERCIALES: Estos, son comerciales en forma de shows de 30 minutos a través de los cuales, los consumidores pueden aprender por que ellos necesitan el producto. Estos general ventas por más de 750 millones de dólares anuales. Desde sus inicios se han implantando sobre todo en la televisión por cable, no obstante, a pesar de la proliferación de los infocomerciales persisten dudas acerca de estos. En Venezuela tenemos como ejemplo la empresa Procompra 2002.


TABLEROS ELECTRONICOS DE ANUNCIOS: Las redes de computador permite a las empresas interactuar con fuentes de datos y clientes con información casi instantánea sobre productos y desempeño de las ventas. Las firmas pueden intercambiar correo electrónico (E-mail) entre sus empleados, proveedores y clientes.

Muchas empresas están instalando tableros electrónicos de anuncios con el fin de comunicarse con los empleados y clientes, para desarrollar información para el sistema de información de mercadeo, constituye una ayuda en el desarrollo de la estrategia. Algunas empresas utilizan los tableros de anuncios para ayudar a los clientes a resolver problemas y contestar preguntas.


Hay firmas que desarrollan tableros de anuncios que permiten a los clientes intercambiar ideas para la solución creativa de problema en relación con el producto. Así aprenden que a medida que monitorean los mensajes se obtiene nuevas ideas sobre el mercadeo del producto. Los tableros de anuncios internos pueden ayudar a las empresas a mantenerse orientada al cliente.

Ejemplo: Texas Instruments Incorporated mantiene un tablero de anuncios en el cual los empleados pueden expresar sus quejas en forma anónima, Sus inquietudes pueden estar dirigida a los ejecutivos que coordinan e integran los esfuerzos haciendo el desarrollo de la firma en relaciones positivas con los clientes.


SERVICIOS DE INFORMACION EN LINEA: se obtiene al conectarse a un sistema de red de computador. Es tan simple como hacer una llamada, presionando la tecla de retorno e ingresar una contraseña. Esta comunicación con clientes, proveedores y empleados proporcionando un enlace de alta velocidad para coordinar el desarrollo de un sistema de información de mercadeo. Ha alcanzado significativo importancia durante los últimos años es Internet, una red integrada por redes de computador de corporaciones, universidades, gobierno y otras.


INTERNET: Con el acceso a la Internet, las empresas le permiten a sus empleados intercambiar mediante correo electrónico, cargar o bajar archivos de otros sistema de computación o que usuarios bajen archivos de su propio sistema, se unan a grupos de discusión sobre cualquier tema y se conecten a otras redes para tener acceso a los bancos de datos. Los que no tienen acceso a las bases de datos en línea, las bibliotecas mediante el disco óptico de CD-ROM son leídos por medio de lásers en unidades especial anexadas a computadoras. Las bases de datos comerciales se desarrollan al lograr que se suministren datos útiles para que tomen decisiones. Estas bases de datos se obtienen por medio de una conexión telefónica, en forma impresa o en disquetes. Él usuario busca en la base con una palabra clave, tema o empresa para extraer un artículo o informe luego se imprime esta información.

La información que suministra una sola firma sobre aspectos demográficos de familias, compras, comportamiento del televidente y respuesta a las promociones como cupones y muestra gratis es datos de una sola fuente. Las empresas pueden desarrollar sus propias bases de datos o vender sus bases de datos.

Ejemplo: CENDATA del U.S. census bureau, es una base de datos en línea de compuserve que permite a los comerciantes el acceso a los datos del censo de 1.990, la información se encuentra disponible en forma tabular y de informe. Se encuentran los nombres, las dirección y los números telefónicos de las oficinas locales, regionales y nacionales del censo. CENDATA, tiene características sobre población y vivienda a nivel de estado para variables como ingreso, educación, idioma que se habla y otras.

Evaluación De Las Necesidades De Información


La empresa empieza por entrevistar a los gerentes para conocer el tipo de datos que desearían tener, pero no siempre necesitan todo lo que piden y podrían no pedir la que realmente necesitan. El Sistema de Información de Mercadeo no siempre puede proporcionar todos los datos que solicitan. La tecnología actual de la información, las empresas pueden proporcionar muchos más datos que los gerentes pueden realmente utilizar y cuando el exceso de información puede ser tan perjudicial como falta de la misma. El SIM debe vigilar el ambiente de mercadotecnia y proporcionar a quienes toman las decisiones que información debe tener para hacerlo adecuadamente. Por ejemplo, un gerente de P&G que administra Ariel, quiere conocer cada mes las ventas al detalle de todas las marcas de detergentes por región geográfica. Ese mismo ejecutivo, tal vez desee recibir informes trimestrales sobre los precios de los competidores y cuanta publicidad realizan. Con menos frecuencia, una vez al año, debe estar enterado de los factores del mercado, entre ellos, los cambios demográficos, que pueden afectar a Ariel a largo plazo.

Además de estos informes periódicos y probablemente de otros, el gerente solicitará periódicamente, informes especiales que puedan recopilarse a partir de los datos existentes, por ejemplo, tal vez desee saber, que participación (Share) del mercado total tubo cada detergente, durante los últimos 5 años (comparados con aspectos económicos particulares que hayan afectado la economía del país en ese mismo período de tiempo) y tener una proyección de cual será su desempeño probable en los 3 años venideros.

La empresa debe decidir si los beneficios de tener ciertos datos valen lo que costará conseguirlo y con frecuencia es difícil evaluar el costo y el valor. La información en sí misma no tiene valor, éste deriva de su utilización. Se han desarrollado sistemas para calcular el valor de la información, los que toman las decisiones con frecuencia se apoyan en juicios subjetivos y si la empresa puede sumar el costo del Sistema de Información de Mercadotecnia o los proyecto de investigación de mercados, es difícil imaginarse el costo de ciertos datos específicos.

Los costos de obtención, procesamiento, almacenamiento y distribución de la información pueden incrementarse rápidamente. Los datos adicionales tienen poca incidencia en el mejoramiento o cambio de la decisión del gerente o el costo de la misma excederá los beneficios de la decisión resultante.


Ejemplo: Una empresa estima que sin más información, el lanzamiento de un nuevo producto producirá ganancias por $ 500.000 dólares. El gerente supone que la información adicional mejora la mezcla de mercadotecnia y permitirá que la empresa gane $ 525.000 dólares. Sería tonto pagar $ 30.000 por la información adicional.