Unificación de la información como base de la omnicanalidad

La omnicanalidad es la generación de rutas interrelacionadas que le permite a un cliente, que inició una comunicación por medio de un canal dado, pueda continuar interactuando a través de otro.

Esto se logra mediante la integración de todos los canales existentes. Por lo tanto, en una empresa la omnicanalidad puede ser resumida como la intención de unificar todos los canales en los que está presente, de manera que el cliente no logre apreciar las diferencias.

En consecuencia, implementar una estrategia omnicanal trae diversos beneficios. Por un lado, permite mejorar los resultados y la experiencia de los clientes, y a su vez, aumenta la eficiencia de la empresa mejorando los tiempos de respuestas en todos los procesos de logística.

El siguiente ejemplo nos permite comprender de mejor manera el concepto: un cliente potencial que establece una comunicación con una marca por medio de redes sociales (Facebook, Instagram, Twitter, LinkedIn, etc) puede continuar a través de un correo electrónico y finalizar el proceso con una visita.

Es claro, que toda la información que surge de la anterior relación debe actualizarse de manera precisa y eficiente durante el proceso. Una manera de lograr esto es mediante la centralización o unificación de la información, lo cual consiste en recoger datos de diversas fuentes y combinarlos en una sola mediante la realización de transformaciones, integraciones de esquemas, deduplicaciones y limpieza general de toda la información.

En el contexto de un científico de datos, es un proceso que puede consumir más del 60% del tiempo, según afirman muchos estudios recientes.

En los siguientes pasos se puede obtener una idea más clara de todo lo que involucra un proceso de unificación de datos. En primer lugar, debemos realizar la ingestión u obtención de los datos disponibles de diversas fuentes. En un segundo paso, se procede a realizar una limpieza de los datos obtenidos. Por ejemplo, ‘0’ es a menudo usado para un dato ‘nulo’, cuando nos referimos a variables temporales.

En paralelo se puede realizar una transformación de los datos, por ejemplo, pasar de código de un almacén o sede a nombre de la ciudad o localidad (barrio, sector, etc). En tercer lugar, se hace una deduplicación de datos, con lo que se busca eliminar copias duplicadas de datos repetidos. Por ejemplo, en una fuente de datos un cliente puede aparecer como ‘Alberto Rodríguez’ y en otra fuente como ‘Sr. Rodríguez’. Finalmente se exporta los datos unificados a uno o más sistema.

Como es de esperarse, este proceso se enfrenta a unos desafíos que resultan ser ineludibles. Piense por un momento en todos los diferentes programas utilizados en su empresa. Note que cada uno de ellos captura datos de diversas maneras. Finalmente, imagine tratar de combinarlos todos en una sola fuente.

Es claro que la complejidad de este proceso depende de la cantidad de datos. Puede resultar increíblemente difícil de lograr a escala, cuando hay millones de conjuntos de datos involucrados.

Generalmente la unificación de los datos gira alrededor de herramientas tradicionales como: ETL (Extract, Transform, and Load) y MDM (Master Data Management). Estas herramientas requieren una activa mano de obra, que involucra desarrollo de complejos sistemas de reglas para unificar datos.

Por otro lado, recientemente han surgido herramientas vanguardistas que giran alrededor de modelos de aprendizaje automático (Machine Learning) para la limpieza y unificación de datos, las cuales resultan ser más escalables.

[Si deseas conocer más sobre Machine Learning te invitamos a ver este video]

La gestión y aprovechamiento de los datos puede ser el mayor desafío para varias empresas, el cual una vez superado genera valor en muchos frentes. Como en el caso de la omnicanalidad en una organización.