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

Quien más quien menos es usuario de Netflix. Sin duda, el gigante del streaming es un claro ejemplo de cómo la calidad de los datos puede transformar un negocio. En sus inicios, la plataforma se enfrentó a problemas como recomendaciones poco relevantes debido a datos erróneos o inconsistentes. Sin embargo, al invertir en mejorar la calidad de la información que recopila, los datos, ha logrado ofrecer una experiencia de usuario personalizada, lo que ha provocado un gran crecimiento en los usuarios y un mayor engagement. 

Pero, ¿qué es exactamente la calidad de datos?

Cuando nos referimos a la calidad de los datos hablamos sobre cómo los datos deben cumplir determinados criterios que garanticen su utilidad y confiabilidad para un posterior análisis y toma de decisiones. Entre estos criterios encontramos:

• Completitud: es decir, ¿disponemos de todos los datos necesarios? ¿faltan datos? ¿están todos los campos solicitados rellenos?  La completitud se centra en asegurar que todos los datos requeridos estén presentes y sean accesibles. La medición de esta dimensión puede involucrar el cálculo del porcentaje de campos de datos llenos en comparación con el total de campos.
• Confiabilidad: los datos cumplen con los estándares establecidos. ¿Se guardan los datos en un formato estándar? La confiabilidad evalúa el grado en que los datos pueden ser considerados como verídicos y fiables. Ello implica verificar la credibilidad de las fuentes de datos y la integridad de los procesos de recopilación de datos.
• Consistencia: los datos son coherentes entre sí. ¿Hay valores que generan conflictos en la información? La consistencia hace referencia a la coherencia de los datos a través de diferentes fuentes y sistemas. Es necesario identificar y resolver las discrepancias para asegurar que los datos son uniformes en todo el ecosistema de datos.
• Exactitud: los datos son correctos y válidos. ¿Hay datos incorrectos o fuera de rango? Para medir la exactitud, es vital comparar los datos con una fuente de referencia fidedigna y calcular el porcentaje de datos correctos.
• Unicidad: ¿existen datos o atributos duplicados? La unicidad está relacionada con la eliminación de duplicados en el conjunto de datos. Es crucial identificar y gestionar los registros duplicados para evitar redundancias e inconsistencias.
• Actualidad: La actualidad implica que los datos deben ser recientes y relevantes. Es fundamental monitorizar la antigüedad de los datos para asegurar que reflejen la situación actual y sean pertinentes para las decisiones del momento.
• Integridad: Los datos están completos y referenciados. ¿Hay datos que no están referenciados? La integridad referencial se asegura de que las relaciones entre diferentes conjuntos de datos sean mantenidas correctamente. Debe haber coherencia en los vínculos entre diferentes bases de datos para asegurar la lógica relacional.

Una vez definida la calidad del dato, es importante saber cómo podemos mejorar la calidad de un dato, con el fin de poder usarlos para la toma de decisiones.

Aun así, es importante ser conscientes de que la mejora de la calidad de los datos no es inmediata. Esta requiere una estrategia bien definida, así como herramientas apropiadas y un cambio cultural dentro de la compañía. Existen siete pasos clave que pueden ayudarte a mejorar la calidad de los datos de tu organización:

1. Define una estrategia de calidad de datos: crea un plan que abarque desde la recopilación hasta el uso de los datos, con políticas claras y metas medibles.
2. Identifica datos críticos: enfoca tus esfuerzos en los datos que son más relevantes para tu negocio o tu departamento. Los datos maestros siempre son una buena medida para empezar (Clientes, Productos, Proveedores, Categorías, Segmentos, etc)
3. Establece reglas de negocio: define estándares y criterios que los datos deben cumplir, como formatos específicos o valores obligatorios.
4. Evalúa la calidad: realiza de forma regular auditorías para detectar y corregir errores, inconsistencias o datos obsoletos.
5. Prioriza mejoras: focaliza en primer lugar aquellas áreas con mayor impacto 
6. Define objetivos claros: fija metas específicas, como mejorar la precisión de los datos o reducir duplicados.
7. Aplica operaciones de calidad: Limpia, valida y actualiza tus datos usando herramientas automáticas o procesos manuales.

Métricas de calidad de datos

Una vez que haya identificado las dimensiones con las que desea medir la calidad de sus datos, es hora de traducirlas en métricas específicas y mensurables. Visualizar estas métricas en paneles le permite realizar un seguimiento de la calidad de los datos a lo largo del tiempo y priorizar áreas de mejora.

Algunas métricas para diferentes dimensiones de calidad de datos:

Métricas de precisión: Medir qué tan precisos son los conjuntos de datos. Los ejemplos pueden incluir:

• Tasa de error: porcentaje de puntos de datos que son incorrectos.
• Tasa de coincidencia: porcentaje de puntos de datos que coinciden con una fuente de verdad conocida.
• Error absoluto medio: diferencia promedio entre los puntos de datos y sus valores verdaderos.

Métricas de integridad: Medir la proporción de datos faltantes dentro de un conjunto de datos. Los ejemplos generalmente incluyen:

• Porcentaje de valores faltantes: Porcentaje de campos con valores faltantes.
• Tasa de finalización: porcentaje de registros con todos los campos obligatorios completados.
• Proporción de recuento de registros: Relación entre registros completos y registros totales.

Métricas de coherencia: Medir si los datos se adhieren a reglas y formatos predefinidos. Algunos ejemplos incluyen:

• Tasa de estandarización: porcentaje de puntos de datos que se ajustan a un formato específico.
• Tasa de valores atípicos: porcentaje de puntos de datos que se desvían significativamente de la norma.
• Tasa de registros duplicados: Porcentaje de registros que son copias idénticas de otros.

Métricas de puntualidad: Para medir la frescura y relevancia de sus datos. Ejemplos incluyen:

• Antigüedad de los datos: tiempo promedio transcurrido desde que se capturaron o actualizaron los datos.
• Latencia: Tiempo que tardan los datos en estar disponibles después de su generación.
• Tasa de moneda: Porcentaje de puntos de datos que reflejan la información más reciente.

Métricas de unicidad: Garantizar que todos los registros sean distintos y evitar duplicados. Ejemplos incluyen:

• Tasa de registros únicos: Porcentaje de registros con identificadores únicos.
• Tasa de deduplicación: Porcentaje de registros duplicados identificados y eliminados.

En resumen, para cualquier empresa, la calidad de los datos es una inversión a largo plazo que permite tomar decisiones más acertadas. Al garantizar la precisión, integridad y consistencia de tus datos, estarás construyendo una base sólida para el crecimiento futuro de tu empresa. Al igual que Netflix, contar con datos de calidad puede ser la clave para transformar información en resultados tangibles y  alcanzar los objetivos de tu negocio.

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

Vivimos en plena era digital, donde los datos se han convertido en un recurso crítico para cualquier negocio. Hace ya casi 10 años, con la aparición del Big Data, surgió la convicción de que si una empresa generaba grandes volúmenes de datos podría llegar a generar un gran valor empresarial. Sin embargo, con el paso del tiempo y la expansión masiva de los datos generados año tras año, las compañías líderes en su sector se han dado cuenta de que el verdadero poder de los datos radica en saber cómo extraer el máximo valor de estos.

Por ello, para desbloquear el verdadero valor potencial de los datos, las empresas deben volver al punto de partida y evaluar su nivel de madurez de los datos. Un Modelo de Madurez de Datos (DMM) es un marco para evaluar el desarrollo de las capacidades de una empresa en la gestión y procesamiento de datos, así como en el uso de los datos para obtener beneficios óptimos. 

En otras palabras, las empresas necesitan evaluar dónde se encuentran en la gestión y el procesamiento de sus datos para determinar el beneficio que están obteniendo, comprender sus limitaciones y riesgos en el escenario actual, y definir las acciones necesarias para convertirse en una empresa Data-Driven.

Cómo entiende MIND los diferentes estados de madurez

Gracias a nuestros más de 20 años de experiencia en la analítica del dato hemos desarrollado un modelo de diagnóstico de madurez propio, cómo resultado del camino que nuestro equipo entiende que es necesario para llegar a ser una empresa guiada por los datos.

El principal objetivo es poder ayudarles a definir bien las acciones a realizar y, en consecuencia, poder desarrollar una buena estrategia de datos y mejorar sistemáticamente sus capacidades de gestión y explotación de datos.

En función del nivel de confianza de la calidad de los datos corporativos, la etapa de madurez irá desde:

1. El “Inconsciente”: donde los datos no se ven como un activo estratégico
2. Pasando por la etapa de “Transición”: donde se empieza a construir un data warehouse y a pensar en usos avanzados del dato 
3. Hasta el “Consciente“: donde hay una política de “Data Quality By Design” implementada

En función del nivel de madurez a nivel personas, procesos y tecnología para el aprovechamiento de los datos corporativos, las etapas las clasificamos en:

• Informal: En esta etapa la organización se encuentra en una etapa inmadura en términos de datos pero se pueden identificar iniciativas individuales de informes entre departamentos aunque el dato todavía no se ve como un activo y no hay cultura del dato en la organización, el excel es sistema de BI en este tipo de organizaciones.
• Basic: Empieza a haber Iniciativas individuales dentro de la organización. Producción intensiva de hojas de cálculos y se empiezan a estructurar los procesos de producción de información pero todavía hay discrepancias entre los reportes departamentales. En esta etapa empiezan las iniciativas individuales por la exploración en herramientas de visualización de datos.
• Starter: La organización empieza a ser consciente de que el dato debe ser transversal a toda la organización, empieza a madurar el concepto de “dato único” o “única versión de la verdad”. La calidad del dato llega a transformarse en negocio ya que evita errores y mejora la toma de decisiones. Se comienza a estandarizar el reporting. Se dan los primeros pasos en la construcción de un data warehouse.
• Growth: El dato pasa a guiar por completo la estrategia empresarial. Cuadros de mando maduros soportan las decisiones. La calidad del dato está controlada y la organización es consciente de su importancia. Se empiezan a usar procesos avanzados del dato.
• Cruise: Equipo específico para la gestión del dato en la organización (interno o externo). Se automatizan los procesos de obtención de datos y el modelo de negocio está representado en modelos de datos. Se integran los datos descriptivos y predictivos en los procesos operativos. Se comienzan pruebas piloto de decisiones basadas en IA.
• Nirvana: La organización piensa en el dato como activo y prioriza siempre la automatización del dato que va al igual más rápido que el negocio en la producción de insights. Política “Data Quality By Design” en los procesos operativos implementada. Organización “Al Ready”.

El verdadero valor de realizar un buen diagnóstico del estado de madurez de una organización se traduce en el poder diseñar una hoja de ruta precisa que detalle los pasos a seguir, así como el ritmo al que la organización puede avanzar mientras se implementan las diferentes acciones a llevar a cabo. 

La adopción del dato en una organización es un proceso de madurez y un camino que se debe recorrer sin pasar por alto las etapas, a lo largo de la trayectoria de MIND hemos visto organizaciones que han ido más rápido que la capacidad de absorber el dato por parte de la organización y la consecuencia es el nulo éxito de la estrategia de datos y normalmente viene acompañado de una cantidad importante de dispendio de recursos.  

Pero sin duda, la madurez data-driven es un viaje que las organizaciones deben emprender para aprovechar al máximo los datos disponibles

–

En MIND podemos ayudarte a evaluar el nivel de madurez data driven de tu organización. Nuestra metodología nos permite identificar tu situación actual y analizar la calidad de los datos, la integración de sistemas y el uso de herramientas modernas. Tras esta evaluación te entregamos un informe con todas las recomendaciones para que tu empresa pueda obtener más valor en los datos y te guiamos a dar cada paso y avanzar en cada nivel del modelo de madurez. 

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.

Para poder optimizar el producto turístico (portfolio) y la infraestructura tecnológica, de una forma correcta se necesitan datos cómo:

• ¿Cuáles son los productos que piden cada uno de los clientes?
• Qué es lo que compran y qué no.
• Qué productos no nos piden y cuáles pueden ser interesantes para aumentar la conversión.

Con estos datos en la mano se puede llegar a conclusiones que ayudan a la optimización del producto por cliente. Podremos analizar el cliente, el source market, el destino, los hoteles más solicitados, los convertidos, los no solicitados y los solicitados. En el posible caso que los datos ofrezcan una visión negativa de un producto, gracias a ellos, se podrá saber por qué este producto no está siendo atractivo y se podrá cambiar estrategias en concreto.

¿Cómo conseguir optimizar el producto turístico?

Toda esta información sólo se consigue a través de los datos y su posterior análisis empleando herramientas de Machine Learning. Es importante tener acuerdos con proveedores, en varias zonas, para poder ofrecer un precio competitivo dónde más clientes interesados haya. Es decir, gracias a esta información podemos focalizarnos en los destinos donde nuestro producto turístico es más competitivo, atractivo y olvidarnos de aquellos que generan menos interés.

Apostar de manera clara, por la estrategia que mejor optimiza el negocio, reduciendo costes de infraestructura y llamadas a proveedores, solo se puede si se cuenta con el análisis de datos.  Conociendo gracias a ellos, incluso, las plataformas que funcionan mejor.

La optimización del producto turístico es uno de los retos a los que esta industria debe de hacer frente si quiere seguir a flote en este negocio. Pero no solo eso, en un mundo tan variable como es el del travel, hay que estar pendiente de todos los cambios y saber hacerles frente.

¡Solicita una demo gratuita y descubre cómo podemos ayudarte a alcanzar tus objetivos!

Según un estudio realizado por Gartner Group para conocer los motivadores para el uso RPA en las empresas, la automatización de tareas repetitivas o manuales aparece como primer foco para invertir en IA.

Y los trabajadores, también esperan de la IA que les ayude en el trabajo más tedioso.

¿Qué es RPA?

RPA es una combinación de Inteligencia Artificial (IA) y automatización de software. Esencialmente, permite a las empresas configurar software informático para recopilar y extraer conocimientos, reconocer patrones y aprender, adaptarse y responder a nuevas situaciones.
RPA es diferente a un programa de ordenador estándar. Es dinámico – busca patrones, hace predicciones y puede configurarse para “observar” la forma en que un usuario realiza una tarea en particular.
La configuración para la automatización de procesos no necesita de un trabajo preliminar de programación o scripting y puede incluso automatizarse reproduciendo los movimientos realizados por nosotros en la interfaz.

¿Quiénes invierten en RPA?

RPA es uno de los sectores de más rápido crecimiento de la industria de tecnología. Puede aumentar la eficiencia y la productividad de una empresa, aportando beneficios al resultado final.
El proveedor de comunicaciones móviles del Reino Unido Telefónica O2 ha desplegado más de 160 robots para procesar entre 400.000 y 500.000 transacciones cada mes, con un rendimiento de la inversión de más del 650% durante tres años. Más sorprendente aún, es que Telefónica O2 lo ha alcanzado formando sólo a cuatro personas.
Otra gran empresa de servicios públicos con sede en el Reino Unido, desplegó más de 300 robots que procesan una media de tres millones de transacciones por trimestre, con un rendimiento anual de la inversión del 200 por ciento. Aquí, dos humanos orquestan estos 300 robots que realizan el trabajo de 600 personas.

“La próxima década se tratará de reemplazar la mano de obra más barata por la automatizada”

En general, los primeros que adoptan el RPA descubren que la automatización transforma radicalmente las operaciones, ofreciendo costos mucho más bajos al mismo tiempo que mejora la calidad del servicio, aumenta el cumplimiento (porque todo lo que hace el software se registra) y disminuye los tiempos de entrega.
“La última década se trató de reemplazar la mano de obra con mano de obra más barata. La próxima década se tratará de reemplazar la mano de obra más barata por la automatizada”, cuenta Chetan Dube, fundador de IPsoft.

Gartner apuntaba en 2018 un gasto de 680 millones de dólares en este tipo de software en todo el mundo, creciendo a un ratio del 60% anual hasta llegar a los 2400 millones de dólares en 2022.
Para finales de 2022, la consultora espera que el 85% de las organizaciones grandes y muy grandes habrán adquirido algún sistema de RPA.

¿Para qué usar bots?

Gartner apunta como principales puntos donde usar estos bots:

• Aplicaciones que acceden a la web de la empresa.
• Recolección de datos de diferentes aplicaciones.
• Copiar y Pegar.
• Extracción de datos estructurados de documentos.
• Siguiendo reglas condicionales del tipo if/then.
• Abrir emails y ficheros adjuntos.

RPA es ideal para tareas que implican datos transaccionales de una variedad de fuentes. Algunos ejemplos de su aplicación actual incluyen: procesamiento de facturas, cuentas por pagar, viajes y gastos, procesamiento de reclamos, entrada de nómina y cambio de (dirección, nombre, etc.). Se estima que hasta un 45 por ciento de las actividades por las que las empresas pagan a las personas pueden ser automatizadas a través de RPA.

Para conocer más en profundidad toda esa transformación digital, Alex Dichter, socio principal en McKinsey ha analizado datos agregados y anónimos de seguimiento, de clics en dispositivos a partir de 300.000 términos de búsquedas relacionadas con viajes. Las conclusiones fueron:

Las personas se sienten agobiadas por las opciones de viaje.

Antes, poder planificar unas vacaciones, era una tarea que llevaba tiempo y que, de cierta manera, tenías que adaptarte a las opciones que existían (opciones en agencia de viajes). Pero, en la actualidad, con la transformación digital, tienes disponible el mundo entero en tus manos. Esto, ¿Es del todo positivo? Se ha llegado a la conclusión que cuantas más opciones, más indecisión entre los viajeros. Los datos lo reflejan claramente. Se observa que el recorrido de compra para un hospedaje dura increíblemente, aproximadamente, 36 días e incluye 45 puntos de contacto en diferentes dispositivos y tipos de sitio web. ¿Cómo mejorar la experiencia de compra del usuario? La tecnología nos permite conocer las necesidades del viajero, por eso, en vez de abrumar con servicios o productos irrelevantes, hay que centrarse en lo que realmente les interesa y evitar todo lo demás. La optimización es la clave, y los datos la permiten.

Con la transformación digital, el viaje comienza en el motor de búsqueda.

En 2018, el 31% de las búsquedas empiezan en motores de búsqueda, lo cual representa un crecimiento respecto del 23% de 2017. Parece lógico pensar que, las personas que empiezan una búsqueda, lo hacen para explorar opciones y tardar más en hacer una reserva, pero no. Las compras, que comenzaron con búsquedas, llegaron a la compra mucho más rápido que aquellos que comienzan en el sitio web de una agencia de viajes en línea.

Los compradores de viajes usan distintos dispositivos.

Cada vez son más las personas que utilizan el smartphone o alternan distintos dispositivos para comprar viajes. Este dato crece interanualmente un 10%. Pero este tipo de comprador se enfrenta a algunos obstáculos. Los datos han demostrado que aquellos que usan varios dispositivos para reservar un viaje, tienen recorridos más largos que aquellos que solo usan uno. Los primeros necesitan 5 días más y un 55% más de sesiones, lo que se puede traducir en perdidas de reservas. ¿Cómo solucionar esto? Se deben crear experiencias rápidas ya que estos medios alternados son cada vez más usados, no deben existir fricciones en desktop, páginas móviles o apps. La experiencia de usuario es fundamental.

La clave del éxito está en ofrecer experiencias de forma personalizada a los clientes. Por esto, las empresas de viajes tienen que invertir más en tecnología, y en conseguir buenas experiencias digitales.

Para aquellos que no pertenecen a este mundo, el business intelligence y la analítica predictiva pueden sonar algo extraños, incluso para aquellos que deciden instaurarlos en sus empresas. Por eso, hoy queremos centrarnos un poco más en que es la analítica avanzada y la analítica de negocio o business intelligence y la importancia que tienen cada uno.

Conociendo un poco más sobre Analítica avanzada vs Business Intelligence

Es complicado clasificar a la analítica debido a los muchos subcampos que presenta, pero podemos decir que la analítica son habilidades, tecnologías y aplicaciones utilizadas para explorar e investigar datos. Gracias a esto, obtenemos conocimientos que ayudan a impulsar la planificación del negocio. Podemos decir que la analítica se divide en dos áreas principales: Analítica avanzada e inteligencia de negocio.

BI: gracias a las métricas, podemos medir el trabajo del pasado y hacer una guía de planificación de negocio, ya que se puede responder qué sucedió, cuándo, quiénes y cuánto. Es decir, mira al pasado y se centra en generar informes y consultas.

Analítica avanzada: va un paso más allá, mira al futuro. Se usan técnicas de modelado para predecir eventos futuros o descubrir patrones. Esta ciencia puede responder a qué pasará, por qué sucede, qué pasa si cambio esto, qué es lo mejor que puede pasar… Trata de optimizar, y predecir las mejores acciones o la próxima acción.

Y las empresas…

La mayoría de las empresas ya utilizan y ponen en funcionamiento las aplicaciones de BI dentro de sus procesos de negocio, con esto lo que quieren hacer es aprovechar el potencial que les aporta los datos y conocer como ha ido el negocio y que se puede mejorar.

No pasa lo mismo con la analítica avanzada y más concretamente con el análisis predictivo. El uso de datos, con esta analítica, ayudan a conocer el futuro y optimizan operaciones, mejoran las ventas, reducen costes y mitigan riesgos en diferentes áreas de empresa. En la actualidad muchas empresas no ven la analítica predictiva como algo imprescindible pero dentro de la analítica predictiva esta el futuro del buen funcionamiento de las empresas y su optimización. Aprovechemos todo el valor que nos aportan los datos porque pueden abrir nuevos caminos de mejora.

La historia de World Travel Market comienza en 1980 en el centro de convenciones Olimpia en Londres, con 350 expositores y casi 8000 visitantes profesionales. Desde entonces la industria ha cambiado mucho.  Ahora, el WTM cuenta con más de 30.000 visitantes y casi 5.000 empresas participan en la feria. Se convierte así, en una gran plataforma para conocer, conectar y negociar con otros profesionales del mundo turístico.  

El WTM facilita a los profesionales turísticos la búsqueda de oportunidades comerciales que contribuyen a una industria de viajes exitosa. El año pasado debutaron aproximadamente 170 expositores, destacando compañías aéreas como Air Transat, Go Airlines o la asiática Royal Brunet Airlines, además de empresas de innovación tecnológica, operadores de turismo de aventuras o películas.

Gracias al programa de conferencias, durante los días del evento, se puede acudir a escuchar a las principales figuras del negocio compartiendo experiencias, novedades y casos de éxito de diversos sectores, todos ellos enfocados en el turismo.

Programa una reunión con nosotros en el World Travel Market

Mind Analytics acudirá como asistente a este gran evento con el objetivo de conocer la actualidad de la industria turística de la mano de profesionales y presentar sus soluciones tecnológicas focalizadas en el sector. Los productos que desarrolla Mind Analyticis tienen un objetivo claro, ayudar a los negocios de este sector a su crecimiento y optimización mediante aplicaciones basadas en analítica de datos, procesos robóticos de automatización, técnicas de machine learning e inteligencia artificial. Gracias a todo ello, se consiguen herramientas transformadoras para el sector, una forma exclusiva de acelerar el rendimiento de este.

Además, queremos que conozcas el futuro que le espera a la industria turística. Puedes descubrirlo en nuestro ebook “How to become a Smart Travel Distributor: The Future of Business Travel”. Para decargártelo solo tienes que hacer clic aquí.

Si quieres conocernos y descubrir todas nuestras soluciones basadas en el estudio de datos reales para la toma correcta de decisiones, te esperamos del 4 al 6 de noviembre en Londres. Si quieres programar una reunión no dudes en ponerte en contacto con nosotros en ventas@mindanalytics.es. ¡Nos vemos muy pronto en el evento turístico del año!