Cada vez más, los datos constituyen un activo muy importante para las compañías, que afrontan el desafío de encontrar sentido a tal cantidad de información, revelar su valor y aprovechar las oportunidades que plantean. De este modo, los datos se convierten en una potente herramienta estratégica para la organización.
En PwC tenemos claro que la analítica avanzada debe estar orientada a la mejora en la toma de decisiones para generar impacto de negocio
Las compañías están evolucionando hacia la integración de la Analítica Avanzada y la Inteligencia Artificial en sus operaciones diarias y, posteriormente, la incorporación de los resultados en los procesos y sistemas operacionales. La incorporación de estos análisis de datos en todos los niveles de la organización es lo que permite tomar decisiones más rápidas y sofisticadas.
PwC cuenta con un equipo de AI & Analytics formado por profesionales de nuestras diferentes oficinas en España y de nuestro Centro de Excelencia en Málaga, además de una red de expertos internacionales tanto a nivel funcional como sectorial. Además, PwC ha creado un framework con la tecnología, la estrategia y todos los componentes necesarios para impulsar una cultura basada en los datos y su análisis.
PwC participa en el consorcio TARTAGLIA: redes federadas para acelerar la aplicación de la IA en salud, formado por 16 entidades, y donde PwC lidera un paquete de trabajo centrado en el desarrollo de Gemelos Digitales que ayuden en la prevención, seguimiento y tratamiento de enfermedades cardiometabólicas, como la diabetes.
Ayudamos a nuestros clientes a definir la estrategia y el modelo operativo para garantizar una implementación exitosa de un modelo Data Driven. Una vez definido el plan de despliegue acompañamos en la implementación de los casos de uso definidos a través de un modelo de oficina del dato. Este enfoque permite la implantación de casos de uso de forma creciente y una monitorización rigurosa de la generación de valor.
Para poder ayudar a nuestros clientes en la implementación de plataformas Big Data que aporten valor al negocio, PwC ha desarrollado PowerBrain, nuestra propia plataforma orientada al autoconsumo de datos de forma gobernada.
PowerBrain es una arquitectura modular basada en Cloud que se puede desplegar de forma total o parcial en los clientes que puedan tener necesidad de implementar de forma rápida una infraestructura probada que acorte los plazos en el desarrollo de casos de uso, enfocando los esfuerzos en la ingesta y tratamiento de los datos y no tanto en el desarrollo tecnológico.
La arquitectura de datos orientada a dominios funcionales de PowerBrain facilita el autoconsumo de datos por parte de los usuarios de negocio y de los científicos de datos para el desarrollo tanto de analítica descriptiva como de modelos predictivos o prescriptivos.
En PwC entendemos que la IA y la analítica avanzada deben estar al servicio del negocio. Es por eso por lo que en nuestros equipos de trabajo siempre cuentan con perfiles analíticos y con consultores de negocio que conocen en profundidad el sector y la problemática de nuestros clientes. De esta forma somos capaces de capturar el valor que se puede generar a través de la analítica avanzada.
Para el desarrollo de modelos de analítica avanzada contamos con profesionales expertos con formación académica en múltiples carreras de ciencia e ingeniería incluyendo perfiles con doctorado. El hecho de reunir este abanico de capacidades hace que los equipos sean capaces de emplear soluciones de diversa índole y combinar diferentes técnicas analíticas y de IA para abordar un problema de negocio concreto.
La toma de decisiones basada en la comprensión de datos es el objetivo principal de las compañías en su estrategia analítica. Durante los últimos años, las herramientas visuales han evolucionado hasta convertirse en herramientas intuitivas con un desarrollo relativamente rápido. Sin embargo, el objetivo principal de tomar decisiones en base al análisis de datos no ha ido de la mano de la evolución de las herramientas visuales.
Desde PwC, hemos reorientado el desarrollo visual hacia una metodología de trabajo donde el canal de entrada son los datos y las preguntas a dar respuesta, y la salida son las visualizaciones orientadas a respuestas y el descubrimiento de nuevos insights en datos.
Casos de uso analíticos sin necesidad de instalaciones in house.
Obtenga el máximo rendimiento de los datos del sector hotelero
Eficiencias en toda la cadena de valor de la industria
Obtenga una clara ventaja competitiva para su empresa
Controle su inversión en marketing y publicidad y tome decisiones basadas en datos
Nos adaptamos a las circunstancias de cada cliente y realizamos un control sistemático del fraude
Eficiencia a lo largo de su funnel comercial
En PwC entendemos la analítica como una parte fundamental de los procesos de toma de decisión en las empresas tanto a nivel estratégico como a nivel operativo. Es por esto que buscamos siempre combinar las capacidades de analítica de datos con el conocimiento sectorial para producir impacto de negocio. con esta visión, somos diferenciales en las siguientes áreas:
Objetivo: maximizar los ingresos mediante fórmulas que nos permiten encontrar el precio ideal para cada cliente
Resultados: en los últimos años hemos implantado este modelo de pricing para productos banca retail. Como resultado de la implantación de nuestra solución, el volumen de caja de los préstamos aumentó un 20% y el margen porcentual ascendió un 1,5%.
Objetivo: explotar de forma eficiente y mejorar el funcionamiento de las plataformas de MOOCs (Massive Open Online Courses) del cliente.
Resultados: hemos acompañado y apoyado la práctica de Learning Analytics que consiste en explotar grandes cantidades de datos generados por las plataformas MOOCs del cliente, con el fin de abordar nuevos retos de negocio. Gracias al conocimiento del usuario y a la mejora de los contenidos hemos conseguido un incremento en cursos realizados del ~3%.
Objetivo: incrementar el EBITDA de la compañía en sus tres principales recorridos
Resultados: hemos diseñado una metodología que parte de un diagnóstico profundo de las potenciales áreas de mejora, realiza un análisis extenso de los datos históricos y despliega modelos avanzados de forecasting. Esto ha permitido incrementar el EBITDA en un 8-10% en los tres principales recorridos de la compañía.
Objetivo: mejorar los modelos predictivos de ventas respecto a los de los competidores del sector de venta de cerveza.
Resultados: se ha mejorado en 27 puntos la exactitud del modelo predictivo de ventas sobre 5 barriles de cerveza de un retail. Se ha implementado un modelo predictivo con una exactitud del 96,56%.
Objetivo: habilitar el desarrollo de soluciones analíticas con impacto directo al negocio y apoyar el cambio de estrategia y también a las líneas de negocio core como MCM y R&D
Resultados: identificamos 79 casos de uso de análisis de datos para ayudar a las unidades de negocio a superar sus nuevos desafíos. Además, definimos los componentes necesarios para abordar los casos de uso y las capacidades de organización requeridas para ejecutarlos y administrarlos. Impulsamos el traspaso del business intelligence tradicional a un departamento de Data & Analytics lo que nos permitió descubrir nuevos mercados.
Objetivo: desarrollar una estrategia de retención para determinar qué tomadores estaban en mayor riesgo de no renovación
Resultados: hemos desarrollado un modelo de predicción estratégico, que ayudó al cliente a aprovechar el puntaje de retención para cada cliente, lo que le proporcionó una predicción cuantificable para las decisiones futuras.
El cliente pudo mejorar la retención para segmentos de alta prioridad y mantener la rentabilidad implementando modelos de retención predictiva
Objetivo: desarrollar un modelo analítico para la identificación de fraude RETA, evaluando el riesgo de que se simule un alta ficticia.
Resultados: se realizan búsquedas de trabajadores sin necesidad de agrupar a nivel empresa, lo que mejora la tasa de acierto en la identificación de empresas reales con altas fraudulentas.
Objetivo: identificar clientes fraudulentos y las zonas de la red (y sus puntos de suministro) de mayor propensión de fraude “no-cliente”.
Resultados: se identificaron entre 20K y 25K de puntos de suministro candidatos de fraude. Cerca de 350K inspecciones de fraude, pasando de un ~7% de fraude a un ~0.75%.
Objetivo: aumentar eficiencia y calidad, reduciendo los cortes de suministro mediante mantenimiento predictivo.
Resultados: la empresa líder en la producción de cajas de cambios deseaba mantener su alta posición implementando enfoques para aumentar su calidad y eficiencia.
El algoritmo de mantenimiento predictivo fue capaz de detectar de antemano el 99% de los fallos en la maquinaria que ocasionan cortes de suministro.
