La reciente implementación del nuevo registro de viajeros en nuestro país ha generado un revuelo en el sector turístico. Si bien es cierto que este cambio normativo ha supuesto un desafío inicial para muchas empresas, especialmente en términos de adaptación y carga administrativa, personalmente considero que, a largo plazo, se trata de una oportunidad única para transformar digitalmente el sector y mejorar significativamente la experiencia del cliente.

Durante años, el dataset de los huéspedes han sido un auténtico caos. Los hoteles lidian con múltiples registros para un mismo cliente, datos incompletos como correos electrónicos inválidos o números de teléfono incorrectos. A ello, cabe sumar la falta de estandarización, la duplicidad de información y la baja calidad de los datos que han limitado enormemente las posibilidades de análisis y segmentación de los clientes. Sin embargo, el nuevo registro, al exigir una recopilación exhaustiva y sistemática de datos personales, ofrece una oportunidad sin precedentes para construir bases de datos de alta calidad y gran valor.

Con un identificador único como el DNI o el correo electrónico verificado, podremos identificar de manera precisa a cada viajero y construir perfiles detallados que incluyan información demográfica, de contacto y de comportamiento.

Al conocer la nacionalidad, la ciudad de origen y otros datos geográficos, podremos diseñar campañas de marketing altamente personalizadas y relevantes para cada segmento de clientes. Tendremos a nuestra disposición canales de comunicación directos y efectivos, como el correo electrónico y el teléfono, para mantenernos en contacto con nuestros clientes y ofrecerles un servicio más personalizado. Y, al mismo tiempo, al conocer las preferencias y los hábitos de consumo de nuestros huéspedes, podremos adaptar nuestros productos y servicios a sus necesidades específicas, aumentando así su satisfacción y fidelidad.

Eso sí. Para aprovechar al máximo el potencial del nuevo registro, es fundamental que las empresas del sector turístico inviertan en soluciones tecnológicas que permitan automatizar la recopilación, el almacenamiento y el análisis de los datos. El desarrollo de software especializado será clave para integrar los datos del registro, validar y limpiar los datos para obtener datos de calidad y resultados fiables, y realizar una analítica que nos permita identificar patrones de comportamiento, tendencias y oportunidades de negocio que de otra manera pasarían desapercibidas.

El nuevo registro de viajeros más que un obstáculo es un catalizador de la transformación digital del sector turístico. Nos obliga a innovar, a adoptar prácticas que hasta ahora eran opcionales y, lo más importante, a pensar en los datos como un activo estratégico. Si bien es cierto que este proceso requiere un esfuerzo inicial, los beneficios a largo plazo son indiscutibles para el sector.

En definitiva, el nuevo registro de viajeros representa una oportunidad única para mejorar la competitividad del sector turístico español. Al aprovechar el potencial de los datos, podremos ofrecer a nuestros clientes una experiencia más personalizada y satisfactoria, al tiempo que optimizamos nuestras operaciones y aumentamos nuestra rentabilidad. Y no lo olvidemos: un cliente satisfecho, es un cliente que repite.

Joaquin Oroño, CEO y Fundador de MIND

Cada vez más, observamos cómo las empresas invierten en analytics, convencidas de que este es el camino hacia el crecimiento y la competitividad. 

Sin embargo, ¿sabías que solo un 4% de las compañías logran aprovechar realmente el valor de sus inversiones en analítica? El resto, a pesar de sus grandes inversiones, obtiene resultados mínimos o nulos.

Entonces, ¿por qué unos triunfan y otros fracasan? La respuesta se encuentra en los errores comunes que muchas empresas cometen al abordar estos proyectos. De ahí, la importancia de conocerlos bien para que tu inversión en analytics no corra peligro. 

En este artículo te contamos los cuatro factores clave que hacen que muchas inversiones en analítica terminen siendo un fracaso, y cómo evitarlos para que tu empresa realmente obtenga el retorno de valor que espera. 

• Estrategia de analytics sin rumbo: las empresas que no alinean sus inversiones en analytics con sus objetivos estratégicos corporativos están construyendo castillos de arena. Tener datos no es suficiente, es importante saber cómo usarlos. Es decir, es importante detectar qué problemas queremos resolver y cómo vamos a medir para obtener resultados de éxito. La pregunta clave es “Dónde está el retorno”. Evaluar las oportunidades y el ROI potencial antes de tomar decisiones es lo que marca la diferencia. 
• Evaluar la viabilidad: sin un análisis previo de viabilidad, las inversiones en analytics pueden convertirse en un agujero sin fondo. Identificar las áreas con mayor potencial permite optimizar recursos y obtener resultados más rápido.
• Minimizar gastos iniciales: las grandes inversiones iniciales en tecnología, herramientas y talento no garantizan el éxito de un proyecto de analytics. Un enfoque incremental permite probar y ajustar sobre la marcha, reduciendo el riesgo de inversión.
• Talento especializado: construir un equipo multidisciplinario con las habilidades necesarias para llevar a cabo proyectos de analytics es un gran reto. La escasez de profesionales especializados en datos y otras áreas relacionadas dificulta aún más este proceso.

Aunque muchas empresas se quedan a mitad de camino, el éxito en analytics es posible. Con una estrategia clara, una evaluación previa, una inversión estudiada y el talento adecuado, es posible aprovechar al máximo los datos. 

¡Deja de desperdiciar dinero y empieza a obtener resultados concretos!  Cuéntanos tu proyecto

Los formatos clásicos de BI – dashboards o cuadros de mando e informes – han sido útiles para monitorizar el negocio, pero raramente lo suficientemente intuitivos como para tomar decisiones proactivas. El BI siempre ha sido retrospectivo, mirando hacia atrás a partir de los eventos que ya han ocurrido. La tecnología apenas guía al usuario demasiado humano, dándole sólo los hechos y dejándole a su merced el trabajo más estresante: analizar.

¿Y si le añadiéramos Análisis Predictivo?

El mismo nombre describe su enfoque de cara al futuro, un campo de trabajo dentro de la Inteligencia Artificial. Los algoritmos extraen patrones de los datos existentes y los proyectan hacia adelante. Estos patrones a menudo están profundamente ocultos, difíciles de inferir a simple vista. El Análisis Predictivo permite optimizar con éxito numerosos escenarios de negocio calculando: las puntuaciones de crédito en finanzas, los niveles de stock en la fabricación, las reservas de habitaciones que van a ser canceladas, los consumos de un determinado cliente y mucho más.

Entonces, ¿cuál es el problema? Simplemente que el Análisis Predictivo sigue siendo un área especializada, que en la mayoría de los casos requiere herramientas que no están diseñadas para los usuarios empresariales habituales. Como resultado, son dos mundos separados, difíciles de integrar y a menudo requiere de un gran un esfuerzo por parte de la empresa para comprender las implicaciones que conllevan a partir de los métodos estadísticos involucrados.

La verdad es que los seres humanos no estamos preparados para informes estáticos o modelos estadísticos.

Para que estamos preparados los humanos

En su lugar, prestamos atención y recordamos las narrativas que tienen dirección y flujo. No representamos el mundo internamente en nuestras mentes como estructuras de datos y algoritmos, sino como historias que tienen estructura y carácter, incluso cuando se trata de conceptos abstractos. Así como un vendedor puede tener dificultades para cumplir con sus números y los productos pueden tener dificultades para llegar y traspasar las barreras teóricas del budget establecido. Esto es una historia, no un análisis. Conocer el porqué.

Pero también somos buenos dándonos cuenta rápidamente de nuevas informaciones, irregularidades y advertencias. Los patrones y las excepciones saltan a la vista con una lucidez notable, a medida que entendemos el negocio y aprendemos a detectar los cambios. Prestamos atención a las alertas y somos sensibles a los cambios en los patrones regulares.

¿Cómo vamos a aprovechar al máximo estos diversos estilos de cognición en la toma de decisiones empresariales?

Afortunadamente, las nuevas tecnologías y técnicas de visualización y Machine Learning nos permiten integrar lo mejor del Business Intelligence con el Análisis Predictivo y la creación de sentido común humano. La tarea consiste en reunir, con un ligero toque y en un único entorno, las diversas formas en que la cognición humana y el análisis de la máquina, generalmente considerados como técnicas separadas, pueden trabajar juntos. Lo que técnicamente se llama como Augmented Intelligence, como la alta capacidad computacional de las máquinas puede ayudarnos en nuestras decisiones.

En primer lugar, los usuarios deben ser capaces de construir Historias. En lugar de presentar los resultados de una manera seca y estática, es realmente útil poder construir una narrativa que fluya de una observación a otra, de las dudas a las decisiones, apoyada por datos y gráficos efectivos. Los usuarios y sus colaboradores deben ser capaces de profundizar en los detalles, ya que las buenas visualizaciones plantean nuevas preguntas en lugar de limitarse a ilustrar las respuestas. Y es importante hacer esto en un estilo mucho más interactivo que las presentaciones de diapositivas o un Excel cocinado (que no permite llegar al detalle). No hay una buena pregunta de negocio a la que la respuesta sea “más PowerPoint”.

Las historias son excelentes para la comunicación y la colaboración, pero también necesitamos estar atentos a las señales que llaman la atención sobre los cambios en nuestra situación. El Análisis Predictivo puede ayudar en este sentido, pero sólo si se integra perfectamente con nuestras herramientas habituales. La tecnología debe trabajar con nuestro conocimiento del negocio, sin requerir experiencia teórica, pero sin dejar de recoger cualidades ocultas que nosotros mismos no podemos encontrar en el volumen y la complejidad de los datos del negocio de hoy.

En Mind trabajamos para la democratización de la Inteligencia Artificial. Todas las empresas pueden beneficiarse del Análisis Predictivo como complemento a su dashboard de Business Intelligence. No es necesario ser un Google o un Amazon para disponer de un gran equipo de data scientists para que lleven a cabo este cambio. Hoy en día hay herramientas sencillas que nos pueden aportar mucho más valor a nuestra toma de decisiones, cambiando el centro de gravedad hacia una visión más predictiva, que nos permita estar preparados a lo venidero.

Estamos preparados para ayudarte en este cambio. Podemos acompañarte desde el inicio para definir las estrategias a seguir como también si ya tienes claro el qué, pero no el cómo, este servicio te puede interesar: Estrategia de datos.

A medida que evoluciona la ingeniería de datos moderna, DBT (Data Build Tool) ha surgido como un cambio de juego para los conductos ELT, simplificando las transformaciones, mejorando la eficiencia y garantizando la integridad de los datos. En nuestro proyecto, dbt desempeñó un papel crucial en la automatización de los flujos de trabajo, la reducción del código redundante y la racionalización de los procesos de datos. Este artículo proporciona una visión en profundidad de cómo dbt mejoró el rendimiento de nuestro proyecto y por qué es una herramienta esencial para cualquier equipo de datos.

Los ingenieros de datos a menudo se encuentran con varios retos a la hora de crear y mantener pipelines de datos:

• ETL complejas: Las herramientas ETL tradicionales requieren un gran esfuerzo de ingeniería para gestionar las dependencias y transformaciones.
• Desarrollo y despliegue lentos: escribir, probar y desplegar transformaciones puede llevar mucho tiempo.
• Problemas de calidad de los datos: Es difícil garantizar la coherencia de los datos, gestionar los duplicados y realizar comprobaciones de integridad.
• Almacenamiento y optimización del rendimiento: Gestionar grandes conjuntos de datos de forma eficiente sin cálculos innecesarios es todo un reto.
• Falta de control de versiones: los procesos ETL tradicionales carecen de control de versiones basado en Git, lo que dificulta la colaboración.
• Documentación manual y seguimiento del linaje: comprender las dependencias y transformaciones suele ser tedioso.

Para superar estos retos, utilizamos dbt en nuestros proyectos.

Comprensión de dbt y sus características clave

dbt (Data Build Tool) es una herramienta de ingeniería analítica de código abierto que permite a los equipos de datos transformar datos sin procesar dentro del almacén utilizando SQL. Garantiza que la lógica de transformación sea modular, reutilizable y fácil de mantener. dbt opera dentro del paradigma ELT (Extract, Load, Transform), centrándose en las transformaciones después de que los datos se hayan cargado en el almacén.

Características principales de dbt

• Transformaciones SQL: Permite transformaciones directamente en SQL, haciéndolo accesible a analistas e ingenieros.
• Modelos modulares y reutilizables: Utiliza macros Jinja y modelos reutilizables para garantizar un código limpio y DRY (Don’t Repeat Yourself).
• Pruebas y comprobaciones de calidad de datos integradas: proporciona validación de datos para garantizar la integridad y la fiabilidad.
• Control de versiones e integración CI/CD: admite versiones basadas en Git y despliegues automatizados.
• Documentación automatizada y linaje de datos: genera documentación y visualiza las dependencias, mejorando la transparencia.
• Gestión de dependencias: garantiza que los modelos se ejecuten en la secuencia correcta mediante la función ref().
• Procesamiento incremental de datos: Procesa sólo los datos nuevos o modificados, reduciendo los costes computacionales.
• Compatibilidad entre almacenes: funciona con Snowflake, Redshift, BigQuery y PostgreSQL, entre otros.
• Rendimiento ELT optimizado: Transforma los datos directamente en el almacén, aprovechando las modernas arquitecturas en la nube para obtener velocidad y escalabilidad.

¿Cómo aplicamos dbt en nuestros proyectos?

Nuestros proyectos constan de tres capas de datos clave, en las que utilizamos estratégicamente las opciones de materialización de dbt:

Materializaciones optimizadas para un procesamiento de datos eficiente

Capa de almacenamiento (vistas): se utilizó la materialización de vistas para evitar la duplicación innecesaria de datos y mantener la dinámica de las transformaciones.
Capa intermedia (modelos efímeros): materialización efímera implementada para cálculos temporales, lo que reduce los costes de almacenamiento.
Capa de almacén (instantáneas): se utilizó la materialización de instantáneas para realizar un seguimiento de los cambios históricos de las dimensiones de cambio lento (SCD).

Beneficios:

• Reducción de los costes de almacenamiento al evitar la creación innecesaria de tablas.
• Mejora del rendimiento de las consultas mediante transformaciones eficientes en cada capa.
• Mejora de la modularidad y la capacidad de mantenimiento de las transformaciones.

Estandarización y reutilización de código con macros

Generación de claves sustitutas – Creación de macros para generar claves primarias únicas.
Automatización de las actualizaciones de las tablas de auditoría – Estandarización de las actualizaciones de las tablas de auditoría en diferentes modelos.
Carga de registros recientes – Implementación de una macro para recuperar sólo los registros más recientes para el procesamiento incremental.
Estandarización de los nombres de columna: se garantizó la coherencia de los nombres aplicando automáticamente prefijos y sufijos a los nombres de columna en la capa de preparación.

Beneficios:

• Reducción de la duplicación de código, lo que hace que las transformaciones sean más eficientes.
• Mejora de la gobernanza de los datos con convenciones de nomenclatura coherentes.
• Lógica de transformación centralizada, simplificando el mantenimiento.

Generación de SQL dinámico mediante plantillas Jinja

Consultas parametrizadas – En lugar de codificar valores en las consultas SQL, utilizamos variables Jinja para hacerlas dinámicas y reutilizables. Esto nos permitió generar consultas dinámicamente basadas en diferentes valores de entrada.
Selección dinámica del modelo – Aplicamos lógica condicional para determinar la ejecución del modelo en función de las dependencias.
Componentes SQL reutilizables: se crearon consultas basadas en plantillas para estandarizar las transformaciones en varios modelos.

Beneficios:

• Mejora de la flexibilidad ajustando dinámicamente la lógica SQL sin codificar valores.
• Reducción del esfuerzo manual para modificar las consultas SQL en todos los modelos.
• Permitió una rápida adaptación a los cambiantes requisitos empresariales.

Automatización de procesos con Post-Hooks

Comprobación de la calidad de los datos: ejecución de consultas posteriores al gancho para validar los datos después de la carga.
Registro y auditoría: actualización automática de los registros de auditoría tras las transformaciones.
Limpieza y mantenimiento de tablas: se aseguraba de que las tablas temporales se eliminaban o actualizaban después del procesamiento.

Beneficios:

• Reducción de la intervención manual, garantizando una ejecución sin problemas.
• Mejora de la calidad de los datos mediante la automatización de las comprobaciones de validación.
• Mantenimiento de un almacén de datos limpio y eficiente.

Mejorar la fiabilidad de los datos con pruebas y documentación

Aplicación de pruebas de dbt integradas (por ejemplo, valores únicos, no nulos, aceptados) para garantizar la integridad de los datos.
Desarrollo de pruebas personalizadas para validar la lógica empresarial y la precisión de la transformación.
Incorporación de descripciones de modelos y documentación a nivel de columna.
Aprovechamiento de la documentación dbt generada automáticamente para proporcionar visibilidad de las dependencias y transformaciones.

Beneficios:

• Aumento de la confianza y fiabilidad de los datos mediante la aplicación de comprobaciones de calidad.
• Mejora de la gobernanza de los datos gracias a una documentación clara.
• Permitió una colaboración fluida con una lógica de transformación transparente.

Como asegurar la calidad con Great Expectations

A modo de conclusión, nuestra experiencia con dbt demostró su inmenso valor en la ingeniería de datos moderna. Al aprovechar la arquitectura modular de dbt, las pruebas automatizadas y las estrategias de materialización, mejoramos significativamente la eficiencia, la capacidad de mantenimiento y la calidad de los datos de nuestro proyecto. Para cualquier equipo de datos que busque optimizar su canalización ELT, dbt proporciona una solución escalable, rentable y altamente adaptable.

Si tiene alguna pregunta o necesita ayuda con dbt, no dudes en contactarnos conmigo. Estaremos encantados de ayudarle y compartir conocimientos basados en nuestra experiencia.