(P) (W) T. M. Ges. Manso, Fernando

Anlisis de Modelos de Negocios
Basados en Big Data para

Operadores Mviles
Alumno: Ing. Fernando Manso

Tutor: Dr. Ing. Enrique Hoffman
Tesis, MGSTT, Universidad de San Andrs, 2015
1 ndice de Contenido
1 ndice de Contenido ........................................................................................................................ 2
2 ndice de Figuras ............................................................................................................................. 4
3 Extracto ........................................................................................................................................... 5
4 Introduccin .................................................................................................................................... 6
4.1 Planteo de la problemtica seleccionada .................................................................................. 6
4.2 Contribucin e importancia (acadmica y empresarial) ............................................................ 6
4.3 Objetivo y alcance de la investigacin ....................................................................................... 7
4.4 Hiptesis de trabajo ................................................................................................................... 7
4.5 Preguntas de anlisis ................................................................................................................. 8
4.6 Metodologa de investigacin.................................................................................................... 8
4.7 Definicin de fuentes primarias y secundarias de informacin ................................................ 8
5 La Industria de Telecomunicaciones Mviles ............................................................................... 10
5.1 Antecedentes ........................................................................................................................... 10
5.2 Evolucin de las Telecomunicaciones Mviles ........................................................................ 11
5.2.1 Primera generacin (1G): Maduracin de la idea ......................................................... 13
5.2.2 Segunda generacin (2G): Popularizacin .................................................................... 13
5.2.3 Generacin de transicin (2.5G) ................................................................................... 15
5.2.4 Tercera generacin (3G) ............................................................................................... 15
5.2.5 Cuarta Generacin (4G): La actualidad ......................................................................... 16
5.2.6 Quinta Generacin (5G): El Futuro................................................................................ 16
5.3 Cadena de Valor y Jugadores de la Industria ........................................................................... 17
5.4 FODA ........................................................................................................................................ 18
5.5 Modelo de Negocio Actual....................................................................................................... 19
5.6 Problema en la Sustentabilidad del Modelo de Negocios Actual ............................................ 20
6 Big Data & Advanced Analytics ..................................................................................................... 26
6.1 Qu es Big Data ........................................................................................................................ 26
6.2 Busisness Intelligence Tradicional Vs Busisness Data Lake...................................................... 27
6.2.1 Enfoque tradicional del BI ............................................................................................. 28
6.2.2 Busisness Data Lake ...................................................................................................... 31
6.3 Advanced Analytics .................................................................................................................. 34
MGSTT, Universidad de San Andrs, 2015

Anlisis de Modelos de Negocios Basados en Big Data para Operadores Mviles
Ing. Fernando Jos Manso
2
6.4 Minera de Datos...................................................................................................................... 35
6.5 Proteccin De Datos Personales .............................................................................................. 37
7 Big Data en los Operadores de Telecomunicaciones Mviles ...................................................... 39
7.1 Por qu un BDL en un Operador Mviles? .............................................................................. 39
7.1.1 Volumen ........................................................................................................................ 40
7.1.2 Variedad ........................................................................................................................ 45
7.1.3 Velocidad....................................................................................................................... 47
7.2 La Estrategia de Big Data en los Operadores Mviles ............................................................. 48
7.3 Evolucin de Advanced Analytics en los Operadores Mviles ................................................ 49
7.4 Casos de Uso Para la Optimizacin del Modelo de Negocio Actual ........................................ 50
7.4.1 Networks Performance Analytics.................................................................................. 50
7.4.2 Customer Experience Management (CEM) ................................................................... 55
7.4.3 Prediccin de Churn ...................................................................................................... 57
7.4.4 Comportamiento de Clientes en Redes Social .............................................................. 62
7.4.5 Atencin al Cliente ........................................................................................................ 63
7.5 Casos de Uso de Nuevos Modelos de Negocios ...................................................................... 63
7.5.1 Vender Datos Agregados o Anlisis de Datos ............................................................... 63
7.5.2 Nuevas Fuentes de Ingresos a Travs de la Monetizacin de Datos ............................ 65
7.5.3 Publicidad e Investigacin de Mercado ........................................................................ 67
8 Modelos de Negocios Electrnicos ............................................................................................... 69
8.1 Tipos de Modelos de Negocios ................................................................................................ 69
8.1.1 e-Commerce .................................................................................................................. 69
8.1.2 e-Marketplace ............................................................................................................... 70
8.1.3 e-Advertising ................................................................................................................. 70
8.2 Formas de Monetizacin ......................................................................................................... 73
8.2.1 Direct Cross-Subsidies ................................................................................................... 74
8.2.2 Three-Party Market ....................................................................................................... 75
8.2.3 Freemium ...................................................................................................................... 76
8.2.4 Non-Monetary Market .................................................................................................. 77
9 Propuesta de Modelo de Negocio Basado en Big Data para Operadores Mviles....................... 79
10 Conclusiones y Recomendaciones ........................................................................................... 83
11 Referencias y Bibliografa......................................................................................................... 86

3
2 ndice de Figuras
Figura 1: Evolucin de las Telecomunicaciones Mviles ....................................................... 12
Figura 2: Cadena de Valor de la Industria de Telecomunicaciones ......................................... 18
Figura 3: FODA de una Telco ................................................................................................. 19
Figura 4: Modelo de Negocio Actual de una Telco ................................................................. 20
Figura 5: Perdida de Ingresos de Operadores Mviles de Voz frente a los OTTs................... 21
Figura 6: Perdida de Ingresos de Operadores Mviles de SMSs frente a los OTTs ................ 21
Figura 7: Trafico Vs Ingresos .................................................................................................. 22
Figura 8: Problema estructural en el pricing en los operadores mviles ................................. 23
Figura 9: Comparacin Global de Telcos Vs OTTs ................................................................ 24
Figura 10: Proyeccin de Ingresos (Bn) ................................................................................ 25
Figura 11: Ejemplo de Diferentes Formatos de Datos ............................................................. 27
Figura 12: Arquitectura de BI Tradicional y BDL................................................................... 31
Figura 13: Advanced Analytics ................................................................................................ 35
Figura 14: Etapas de Minera de Datos .................................................................................... 36
Figura 15: Mapa de Calor de las Oportunidades de Big Data por Industria ............................ 40
Figura 16: Proyeccin Global de Dispositivos Mviles y Conexiones ................................... 41
Figura 17: Perfil de consume de ancho de banda por dispositivo............................................ 42
Figura 18: Total de Aplicaciones Mviles Disponibles ........................................................... 44
Figura 19: Proyeccin Trfico Global de Datos Mviles por Regin ..................................... 45
Figura 20: Tipos de Fuentes y Variedad de Datos en una Telco ............................................. 46
Figura 21: Visin 360 de los clientes ..................................................................................... 47
Figura 22: El Valor de los Datos en el Tiempo ....................................................................... 48
Figura 23: KPIs de Calidad de Servicio ................................................................................... 52
Figura 24: Optimizacin y Planificacin de la Red Mvil ...................................................... 53
Figura 25: Calidad de Servicio Georreferenciados en un Periodo de Tiempo ........................ 54
Figura 26: Customer Experience Score ................................................................................... 56
Figura 27: Customer Experience Score: Web Browsing Example .......................................... 56
Figura 28: Customer Experience Score: Overview Example .................................................. 57
Figura 29: Prediccin y prevencin de churning de un suscriptor .......................................... 58
Figura 30: SNA Graph ............................................................................................................. 60
Figura 31: Grfico Lift Chart de Todos los Modelos .............................................................. 61
Figura 32: Panel de Control de la Herramienta Big Data "Smart Steps" ................................. 64
Figura 33: Distribucin de Comportamiento Social en Madrid............................................... 65
Figura 34: JetSetMe ................................................................................................................. 66
Figura 35: Recomendaciones Cruzadas ................................................................................... 66
Figura 36: bitplaces .................................................................................................................. 67
Figura 37: % de Tiempo Dedicado a los Medios Vs % de Gasto de Publicidad ..................... 72
Figura 38: Direct Cross- Subsidies .......................................................................................... 75
Figura 39: Three-Party Market ................................................................................................ 76
Figura 40: Freemium................................................................................................................ 77
Figura 41: Non-Monetary Market ............................................................................................ 78
Figura 42: Cadena de Valor de los Datos ................................................................................ 79
Figura 43: Modelo de Negocio Propuesto ............................................................................... 81

4
3 Extracto
En este trabajo se realiza una descripcin de la problemtica del modelo de negocios actual
de los operadores de telecomunicaciones mviles y la industria. Se introduce los conceptos
bsicos a nivel ejecutivo de las soluciones de Big Data, como estas pueden satisfacer
necesidades que el BI tradicional no puede y se presentan casos de uso de operadores mviles
lderes. Finalmente, se analizan los modelos de negocios de internet y las formas de
monetizacin free como base de la propuesta de un nuevo modelo de negocio basado en la
explotacin de los datos de los operadores mviles.

5
4 Introduccin
4.1 Planteo de la problemtica seleccionada

El ecosistema conformado por los grandes jugadores de internet y las telecomunicaciones
mviles como las conocemos hoy se ha convertido altamente competitivo, presentando
grandes interrogantes sobre su futuro no slo lejano sino inmediato. En efecto, Google, Apple
y Samsung, slo por mencionar algunos ejemplos, han demostrado capacidades para generar
cambios revolucionarios en el ecosistema y modificar fuertes relaciones de poder. Los
grandes actores de esta industria, hasta hoy, son pocos y colosales: Apple, Samsung y Google
son grandes ganadores actuales pero en un ambiente de fuerte competencia y cambios
radicales. Cada uno de los jugadores naturalmente cuenta con su propia filosofa de
plataformas abiertas o cerradas, de negocio con integracin vertical o horizontal, culturas en
las cuales apalancarse y estrategias competitivas propias pero an resulta incierto cules son
las prcticas que pueden llevar al xito del ecosistema. En este contexto, los jugadores de la
industria de las telecomunicaciones mviles han sido impactados por el surgimiento de
nuevos modelos de negocio, afectando la distribucin de poder.
En consecuencia, los operadores mviles se encuentran frente al gran el desafo de revertir la
situacin en los prximos aos realizando un cambio estratgico para no perder rentabilidad a
largo plazo frente a las empresas de internet. Segn Net Consulting (2013), de continuar con
el modelo de negocio y servicios actuales las empresas de telecomunicaciones mviles
perdern la pulseada frente a las empresas de internet ya que en los prximos 13 aos los
ingresos de las OTTs estaran superando a los ingresos de las Telcos1.
4.2 Contribucin e importancia (acadmica y empresarial)

La motivacin para seleccionar este tema se debe a que en primer lugar proporciona un buen
complemento entre visin de negocios y tecnologa, requisito fundamental para una tesis de
Maestra en Gestin de Servicios Tecnolgicos y de Telecomunicaciones.
1
Nombre genrico utilizado para designar a una gran empresa de telecomunicaciones.

6
Si bien mltiples empresas de internet estn utilizando modelos de negocios basados en Big
Data desde hace algn tiempo, es un tema nuevo e innovador desde la perspectiva de los
operadores mviles y, desde el punto de vista del autor, podra llegar a ser una oportunidad
para los operadores mviles debido a que un nuevo modelo de negocio basado en Big Data
implicara un cambio de paradigma en el modelo de negocio actual.
4.3 Objetivo y alcance de la investigacin

Objetivo general
Analizar los modelos de negocios para operadores mviles basados en Big Data y generar un
marco referencial que integre las mejores prcticas que lleven a maximizar la generacin de
valor.
Objetivos especficos
Definir fundamentos, prcticas y modelos de negocios convencionales referentes a la
industria de las telecomunicaciones.
Definir conceptos bsicos referentes Big Data y analizar sus modelos de negocios.
Describir los modelos de negocios y procesos econmicos asociados a los operadores
mviles basados en Big Data.
Desarrollar marco referencial orientado a maximizar la generacin de valor de los
negocios orientados a la industria de telecomunicaciones mediante el uso de Big Data.
Validar el marco referencial por medio de juicio experto y compararlo con modelos
de negocios de operadores mviles basados en Big Data en rubros exitosos.
Ajustar el marco referencial segn resultado del juicio de expertos y la comparacin
con otros modelos de negocios asociados.
Realizar conclusiones y recomendaciones del acerca del uso del marco referencial
propuesto
4.4 Hiptesis de trabajo

Las soluciones de Big Data pueden ayudar a mejorar el modelo de negocio actual.

7
Los operadores mviles pueden explotar los datos del trfico de los usuarios
mediante soluciones de Big Data para agregar valor y generar nuevos modelos de
negocios que permitan recuperar la competitividad frente a otros jugadores de la
industria.
4.5 Preguntas de anlisis

Pueden los operadores mviles mejorar el modelo de negocio actual mediante Big
Data?
Pueden los operadores mviles generar valor al ecosistema y recuperar la
competitividad a partir de un modelo de negocio sustentable basados en Big Data?
4.6 Metodologa de investigacin

Esta investigacin se realizar bajo un paradigma cualitativo y se utilizara una metodologa
de investigacin analtica-descriptiva para abordar todos los conceptos claves necesarios para
establecer los modelos de negocios a partir de Big Data para operadores mviles.
Adicionalmente se realizara un estudio de casos para ratificar la hiptesis y contrastar la
viabilidad del modelo terico propuesto con los resultados conseguidos en las entrevistas a
expertos.
4.7 Definicin de fuentes primarias y secundarias de informacin

El marco terico estar basado en la utilizacin de papers, casos de estudios, artculos
acadmicos, informacin de proveedores de la industria, tesis de grado y doctorado,
bibliografa e investigaciones acadmicas.
Asistencia a congresos Insight 2014 (IBM, 2014), Big Data & Analytics (Telesemana, 2014)
y Monetizacin de Big Data (Telesemana, 2014).
Entrevistar a expertos de la industria de forma tal que permitan validar los modelos de
negocios recomendados de la investigacin.

8
Contrastar la base terica con pruebas de conceptos en campo, es decir, utilizar los resultados
realizados en una prueba de concepto de la plataforma de Big Data & Analytics de
proveedores en los datos generados de un operador mvil manteniendo la confidencialidad de
la informacin.

9
5 La Industria de Telecomunicaciones Mviles
5.1 Antecedentes
La historia del telfono mvil o telfono celular se remonta a los inicios de la Segunda
Guerra Mundial, donde ya se vea que era necesaria la comunicacin, es por eso que la
compaa Motorola cre un equipo llamado handie talkie H12-16 que es un equipo que
permite el contacto con las tropas va ondas de radio cuya banda de frecuencias en ese tiempo
no superaban los 600 kHz.
Los sistemas de telefona mvil civil empezaron a desarrollarse a partir de finales de los aos
40 en los Estados Unidos. Eran sistemas de radio analgicos que utilizaban en el primer
momento modulacin en amplitud (AM) y posteriormente modulacin en frecuencia (FM).
Se populariz el uso de sistemas FM gracias a su superior calidad de audio y resistencia a las
interferencias. El servicio se daba en las bandas de HF y VHF.
Los primeros equipos eran enormes y pesados, por lo que estaban destinados casi
exclusivamente a su uso a bordo de vehculos. Generalmente se instalaba el equipo de radio
en el maletero y se pasaba un cable con el telfono hasta el salpicadero del coche.
A finales de los aos 50 del siglo XX el cientfico sovitico Leonid Ivanovich Kupriyanovich
desarroll un sistema de comunicacin mvil que culmina en el modelo KL-1 que utiliza
ondas de radio y es capaz alcanzar una distancia de 30 km pudiendo servir a varios clientes.
Este telfono mvil fue patentado el 11 de enero de 1957 con el Certificado de Patente
115494. Est fue la base para la investigacin que Leonid Ivanovich Kupriyanovich comenz
el ao siguiente en el Instituto de Investigacin Cientfica de Voronezh. De esta investigacin
y desarrollo surgi el "Altay" que fue distribuido comercialmente en 1963 llegando a estar
presente en ms de 114 ciudades de la Unin Sovitica, dando servicio a hospitales y
mdicos. El sistema se extendi por otros pases de Europa del Este como Bulgaria quien lo
mostrara en la exposicin internacional Inforga-65. En 1961 Kupriyanovich dise un
terminal pequeo, que caba en la palma de la mano y tena un alcance de ms de 30 km.
Una de las compaas pioneras que se dedicaron a la explotacin de este servicio fue la
estadounidense Bell. Su servicio mvil fue llamado System Service. No era un servicio

10
popular porque era extremadamente caro, pero estuvo operando (con actualizaciones
tecnolgicas) desde 1946 hasta 1985.
En 1955, Leonid Ivanovich Kupriyanovich public en una revista cientfica para amantes de
la radio, una descripcin de su aparato walkie-talkie, capaz de hacer conexiones de hasta 1,5
km de distancia. Pesaba cerca de 1,2 kilos y funcionaba con dos tubos de vaco. En 1957
present la misma versin de su walkie-talkie, pero esta vez con un alcance de 2 km de
distancia y con un peso de 50 gramos. El inventor sovitico patent su telfono mvil en
1957 (Certificado N115494, 1.11.1957).
El 3 de abril de 1973, Martn Cooper directivo de Motorola realiz la primera llamada desde
un telfono mvil del proyecto DynaTAC 8000X desde una calle de Nueva York
precisamente a su mayor rival en el sector de telefona: Joel Engel, de los Bell Labs de
AT&T.
El DynaTAC 8000X es presentado oficialmente en 1984, ao en que se empez a
comercializar. El telfono pesaba cerca de 1 kg, tena un tamao de 33.02 x 4,445 x 8,89
centmetros y su batera duraba una hora de comunicacin o una jornada laboral (ocho horas)
en espera, con pantalla led.
Ameritech Mobile Communications, LLC fue la primera empresa en los EE.UU. en
proporcionar servicio de telefona mvil al pblico general.
Las telecomunicaciones mviles comenzaron a perfeccionar y amoldar este nuevo sistema
revolucionario ya que permita comunicarse a distancia. Fue as que en los aos 1980 se lleg
a crear un equipo que ocupaba recursos similares a los Handie Talkie pero que iba destinado
a personas que por lo general eran grandes empresarios y deban estar comunicados, es ah
donde se crea el telfono mvil y marca un hito en la historia ya que con este equipo podra
hablar a cualquier hora y en cualquier lugar donde tenga seal.
5.2 Evolucin de las Telecomunicaciones Mviles

En las telecomunicaciones se utiliza las siglas 1G, 2G, 3G, 4G y 5G para referirse a la
generacin de tecnologas de telefona mvil. Por ejemplo, el 4G actualmente en vigencia es
la sucesora de las tecnologas 2G y 3G, y que precede a la prxima generacin, la 5G cmo
puede verse en la Error! No se encuentra el origen de la referencia..

11
Figura 1: Evolucin de las Telecomunicaciones Mviles
La Unin Internacional de Telecomunicaciones (UIT) cre un comit para definir las

generaciones. Este comit es el IMT-Advanced y en l se definen los requisitos necesarios
para que un estndar sea considerado de una dada generacin. Entre los requisitos tcnicos
que se incluyen hay uno muy claro, las velocidades mximas de transmisin de datos que
deben alcanzarse. Hay que resaltar que los grupos de trabajo de la UIT no son puramente
tericos, sino la industria forma parte de ellos y estudian tecnologas reales existentes en
dichos momentos. Por esto, el estndar LTE (Long Term Evolution) de la norma 3GPP, no es
4G porque no cumple los requisitos definidos por la IMT-Advanced en caractersticas de
velocidades pico de transmisin y eficiencia espectral. Aun as la UIT declar en 2010 que
los candidatos a 4G, como era ste, podan publicitarse como 4G.

12
5.2.1 Primera generacin (1G): Maduracin de la idea
En 1981 el fabricante Ericsson lanza el sistema NMT 450 (Nordic Mobile Telephony 450
MHz). Este sistema segua utilizando canales de radio analgicos (frecuencias en torno a 450
MHz) con modulacin en frecuencia (FM). Era el primer sistema del mundo de telefona
mvil tal como se entiende hasta hoy en da.
Los equipos 1G pueden parecer algo aparatosos para los estndares actuales pero fueron un
gran avance para su poca, ya que podan ser trasladados y utilizados por una nica persona.
En 1986, Ericsson moderniz el sistema, llevndolo hasta el nivel NMT 900. Esta nueva
versin funcionaba prcticamente igual que la anterior pero a frecuencias superiores (del
orden de 900 MHz). Esto posibilit dar servicio a un mayor nmero de usuarios y avanzar en
la portabilidad de los terminales.
Adems del sistema NMT, en los 80 se desarrollaron otros sistemas de telefona mvil tales
como: AMPS (Advanced Mobile Phone System) en EE. UU. y TACS (Total Access
Comunication System).
El sistema TACS se utiliz en Espaa con el nombre comercial de MoviLine. Estuvo en
servicio hasta su extincin en 2003.
5.2.2 Segunda generacin (2G): Popularizacin

En la dcada de 1990 nace la segunda generacin, que utiliza sistemas como GSM, IS-136,
iDEN e IS-95. Las frecuencias utilizadas en Europa fueron de 900 y 1800 MHz.
El desarrollo de esta generacin tiene como piedra angular la digitalizacin de las
comunicaciones. Las comunicaciones digitales ofrecen una mejor calidad de voz que las
analgicas, adems se aumenta el nivel de seguridad y se simplifica la fabricacin del
Terminal (con la reduccin de costos que ello conlleva). En esta poca nacen varios
estndares de comunicaciones mviles: D-AMPS (EE.UU.), Personal Digital Cellular
(Japn), cdmaOne (EE. UU. y Asia) y GSM.
Muchas operadoras telefnicas mviles implementaron Acceso mltiple por divisin de
tiempo (TDMA) y Acceso mltiple por divisin de cdigo (CDMA) sobre las redes AMPS
existentes convirtindolas as en redes D-AMPS. Esto trajo como ventaja para estas empresas
poder lograr una migracin de seal analgica a seal digital sin tener que cambiar elementos

13
como antenas, torres, cableado, etc. Inclusive, esta informacin digital se transmita sobre los
mismos canales (y por ende, frecuencias de radio) ya existentes y en uso por la red analgica.
La gran diferencia es que con la tecnologa digital se hizo posible hacer multiplexacin, tal
que en un canal antes destinado a transmitir una sola conversacin a la vez se hizo posible
transmitir varias conversaciones de manera simultnea, incrementando as la capacidad
operativa y el nmero de usuarios que podan hacer uso de la red en una misma celda en un
momento dado.
El estndar que ha universalizado la telefona mvil ha sido el archiconocido GSM: Global
System for Mobile communications o Groupe Spcial Mobile. Se trata de un estndar
europeo nacido de los siguientes principios:
Buena calidad de voz (gracias al procesado digital).
Itinerancia (Roaming).
Deseo de implantacin internacional.
Terminales realmente porttiles (de reducido peso y tamao) a un precio accesible.
Compatibilidad con la RDSI (Red Digital de Servicios Integrados).
Instauracin de un mercado competitivo con multitud de operadores y fabricantes.
Servicio de envo de mensajes de texto SMS (Short Message Service).
Realmente, GSM ha cumplido con todos sus objetivos pero al cabo de un tiempo empez a
acercarse a la obsolescencia porque slo ofreca un servicio de voz o datos a baja velocidad
(9.6 kbit/s) y el mercado empezaba a requerir servicios multimedia que hacan necesario un
aumento de la capacidad de transferencia de datos del sistema. Es en este momento cuando se
empieza a gestar la idea de 3G, pero como la tecnologa CDMA no estaba lo suficientemente
madura en aquel momento se opt por dar un paso intermedio: 2.5G.
En 1997, Philippe Kahn decidi crear una cmara de fotos y que se comportara de esta forma.
Utiliz la ptica de una cmara Casio QV-10, y un telfono Motorola Star Tac, desarroll un
software adecuado para compartir con sus amistades, mediante un mensaje de correo
electrnico.

14
5.2.3 Generacin de transicin (2.5G)
Dado que la tecnologa de 2G fue incrementada a 2.5G, en la cual se incluyen nuevos
servicios como EMS y MMS:
EMS es el servicio de mensajera mejorado, permite la inclusin de melodas e iconos
dentro del mensaje basndose en los SMS; un EMS equivale a 3 o 4 sms.
MMS (Sistema de Mensajera Multimedia) Este tipo de mensajes se envan mediante
GPRS y permite la insercin de imgenes, sonidos, videos y texto. Un MMS se enva
en forma de diapositiva, la cual cada plantilla solo puede contener un archivo de cada
tipo aceptado, es decir, solo puede contener una imagen, un sonido y un texto en cada
plantilla, si se desea agregar ms de estos tendra que agregarse otra plantilla. Cabe
mencionar que no es posible enviar un vdeo de ms de 15 segundos de duracin.
Para poder prestar estos nuevos servicios se hizo necesaria una mayor velocidad de
transferencia de datos, que se hizo realidad con las tecnologas GPRS y EDGE.
GPRS (General Packet Radio Service) permite velocidades de datos desde 56 kbit/s
hasta 114 kbit/s.
EDGE (Enhanced Data rates for GSM Evolution) permite velocidades de datos hasta
384 kbit/s.
5.2.4 Tercera generacin (3G)

3G nace de la necesidad de aumentar la capacidad de transmisin de datos para poder ofrecer
servicios como la conexin a Internet desde el mvil, la videoconferencia y la descarga de
archivos. En este momento el desarrollo tecnolgico ya posibilita un sistema totalmente
nuevo: UMTS (Universal Mobile Telecommunications System).
UMTS utiliza la tecnologa CDMA, lo cual le hace alcanzar velocidades realmente elevadas
(de 144 kbit/s hasta 7.2 Mbit/s, segn las condiciones del terreno).
UMTS ha sido un xito total en el campo tecnolgico y ha triunfado excesivamente en el
aspecto comercial desde el lanzamiento del iPhone en Junio del 2007. Este hito marco un
antes y un despus en la telefona mvil debido a que inicio una nueva era de Smartphones
favoreciendo la proliferacin de mltiples aplicaciones mviles o apps que se conectan a

15
internet ofreciendo servicios tales como redes sociales (Facebook, Twiter, Instagram, etc),
mensajera (Whatsapp, Viber, etc), mails, etc.
5.2.5 Cuarta Generacin (4G): La actualidad

La generacin 4, o 4G es la evolucin tecnolgica que ofrece al usuario de telefona mvil,
internet con ms rapidez un mayor ancho de banda que permite, entre muchas otras cosas, la
recepcin de contenido en HD o High Definition por medio de video streaming. Hoy en da
existe un sistema de este nivel operando con efectividad en mltiples compaas en todo el
mundo, llamado LTE.
5.2.6 Quinta Generacin (5G): El Futuro

Es la sucesora de la tecnologa 4G que actualmente se encuentra sin estandarizar.
La NGMN Alliance2 compuesta por 16 operadores, NTT Docomo entre otros, est
impulsando la tecnologa la cual se espera que est disponible para el 2020.
NGMN Alliance definen los siguientes requisitos de red 5G con el objetivo principal de dar
una eficiente conectividad a la alta cantidad de dispositivos conectados del tipo sensores que
se espera que haya a media que evoluciones el IoT3:
Velocidades de datos superiores viajando en trenes de alta velocidad (10x-100x)
Superior cantidad de dispositivos conectados simultneamente para los despliegues de
sensores en forma masiva (100x).
Se ofrecer capacidades de 1Gbps en forma simultnea a decenas de usuarios.
La eficiencia espectral debe ser mejorada significativamente en comparacin con 4G.
Superior cobertura del sistema (1000x por km2)
Mejora en la eficiencia de sealizacin.
2
Next Generation Mobile Networks Alliance.
3
Internet of Things

16
5.3 Cadena de Valor y Jugadores de la Industria
Todo proceso productivo comienza con una materia prima que se somete a una serie de
procesos que le van agregando valor, hasta alcanzar un producto final que le llega al
consumidor. Una de las herramientas utilizadas en el anlisis estructural de las industrias es el
modelo de cadena de valor, el cual se basa en el estudio de este proceso productivo.
Una cadena de valor est conformada por una red de actores econmicos que centran sus
actividades en la produccin de un producto o servicio. Generalmente una cadena involucra
desde actores relacionados con la produccin de materias primas hasta actores que
transforman y hacen llegar al consumidor los productos o servicios.
Un eslabn de la cadena est conformado por un grupo de actores econmicos que realizan
actividades similares, tienen procesos de generacin de valor similares, poseen derechos
propietarios sobre un producto o servicio en un estado de valor definido, transfieren este
producto a los mismos clientes y reciben insumos de los mismos proveedores.
Kearney (2010) identific los diferentes jugadores de la industria de telecomunicaciones
mviles y analiz cmo las fuentes de innovacin y desarrollo tecnolgico generan valor a
los clientes cmo puede observarse en la Figura 2. Los agentes fundamentales de la cadena
de valor del Sector de Telecomunicaciones Mviles son:
1. Users: Los usuarios y/o clientes.
2. User interfaces: Aplicaciones y dispositivos (smartphones, tablets, etc).
3. Connectivity: Operadores de red.
4. Enabling Technology Services: Servicios Tecnolgicos.
5. Online Services: Servicios en lnea.
6. Content Rights: Proveedores de contenidos
Los usuarios mediante dispositivos y aplicaciones que se conectan a travs redes de
operadores de telecomunicaciones mviles acceden a plataformas de servicios permitindole
alcanzar contenidos ofrecidos por otros usuarios o proveedores de contenidos.
La convergencia permite a los actores del sector de las telecomunicaciones ya existentes
desempear funciones nuevas. Igualmente, las empresas suelen estar presentes en uno o ms
elementos de la cadena del valor.

17
Figura 2: Cadena de Valor de la Industria de Telecomunicaciones
Este trabajo estar centrado principalmente en los OTTs y Connectivity o tambin llamados
Telcos. Los OTTs son en general empresas de internet que brindan servicios mediante
plataformas a clientes a travs de aplicaciones que pueden ser descargada de un App Store
desde cualquier dispositivo con conectividad a internet con bajas barreras de entrada,
teniendo de alcance global independientemente de las redes de los operadores. Por otro lado,
estn las Telcos que son las empresas de telecomunicaciones que tienen infraestructura de red
de alcance local o regional para brindar conectividad a clientes que acceden a servicios de
voz, servicios de valor agregado brindado por las mismas Telcos cmo SMSs y conectividad
a internet (MBB4); y, tambin, servicios y contenidos a travs de las empresas de internet
mediante Apps5.
5.4 FODA
En la Figura 3 se describe la matriz FODA6 desde la perspectiva de un operador mvil.
4
Mobile BroadBand
5
Abreviacin de aplicacin de ingls (applications)
6
Fortalezas, Oportunidades, Debilidades y Amenazas.

18
Figura 3: FODA de una Telco
Las Telcos se ven cada vez ms amenazadas debido a que los servicios de los OTTs son ms
innovadores, tiempo de lanzamiento anticipado, con GUI7 amigables y, si bien estn en silos
debido a que no son interoperables con servicios de otras apps, se viralizan rpidamente en
las comunidades por el efecto de red.
5.5 Modelo de Negocio Actual

Como se describi en la Seccin 5.3, los principales servicios que brindan actualmente las
empresas de telecomunicaciones mviles son llamadas de Voz, SMSs y MBB. Estos utilizan
modelos de negocios tradicionales o One-sided Market donde los ingresos provienen
principalmente de servicios contratado por los clientes (consumidores, pequeas y medianas
empresas, grandes empresas, etc) y las erogacin a proveedores (infraestructura de red,
7
Guide User Interfaces

19
espectro electromagntico, dispositivos, interconexiones, etc) como puede verse en la Figura
4.
Figura 4: Modelo de Negocio Actual de una Telco
Los servicios de las empresas de internet han ido desplazando al servicio brindado por las
empresas de telecomunicaciones. Esto se debe principalmente a que los nuevos actores
brindan servicios innovadores para mercado global utilizando modelos de negocios no
convencionales llamados Free (Chris Anderson, 2009) los cuales se detallaran ms adelante
en la Seccin 8. Estos modelos la caracterstica principal que tienen es que estn compuestos
por mltiples mercados, conocidos como Multi-sided Market. En general son gratuitos para
los usuarios pero obtienen rentabilidad por terceras partes, por ejemplo a travs de la
publicidad como es el caso de Google y Facebook.
La pregunta a resolver es si este tipo de modelo es sustentable en el contexto competitivo,
regulado y mercado satura que actualmente se encuentran las empresas las empresas de
telecomunicaciones mviles.
5.6 Problema en la Sustentabilidad del Modelo de Negocios Actual

Segn Ovum (2013), se estima que para el 2016 las empresas de telecomunicaciones mviles
estarn perdiendo U$S52bn en el servicio de Voz y U$S54bn en servicio de SMSs de

20
ingresos a nivel global (Figura 5 y Figura 6 respectivamente) frente a las empresas de internet
cmo Skype, Whatsapp, Facebook Messeger, Viber, Line, etc.
Figura 5: Perdida de Ingresos de Operadores Mviles de Voz frente a los OTTs
Figura 6: Perdida de Ingresos de Operadores Mviles de SMSs frente a los OTTs

21
No solo la prdida de competitividad de las Telcos frente a los OTTS est siendo un
problema sino que, por otro lado segn OPENET Telecom (2010), el trfico MBB crece
exponencialmente a partir de la era de los datos pero sus ingresos tienden a estancarse
provocando un gap cada vez mayor entre ambos (Figura 7).
Figura 7: Trafico Vs Ingresos
Este desajuste se debe a que inicialmente las empresas de telecomunicaciones mviles

lanzaron planes ilimitados a tarifa plana para impulsar los el uso de datos mviles. Este
enfoque funcion inicialmente pero atrajo dos problemas fundamentales:
1. Planes de tarifas planas independientes del uso de los clientes presentan un
crecimiento de datos ilimitado (Figura 8). Desde el punto de vista de los operadores
mviles, hay un problema estructural fundamental en la fijacin de precios en el
modelo sobre ambos lados del mercado debido a que actualmente no incentiva al uso
eficiente de la red.

22
2. La explosin del trfico de datos mviles est causando problemas de capacidad,
conduciendo a los operadores a aumentar su inversin en los recursos de
infraestructura de red para soportar dicho crecimiento y poder brindar un servicio de
calidad aceptable para mantener controlado el churn8.
Figura 8: Problema estructural en el pricing en los operadores mviles
De la Figura 9, donde se compara las estructuras de los estados de resultados de grandes

Telcos vs grandes OTTs, se desprende que si bien los ingresos son un 23% superior en las
operadoras mviles las inversiones son 3,4 veces superiores a las empresas de internet segn
Gruppo Telecom Italia (Telecoms Regulation Forum, 2013).
8
El churn es la tasa de prdida de clientes a partir de una base de clientes de una compaa

23
Figura 9: Comparacin Global de Telcos Vs OTTs
En consecuencia, las Telcos se encuentran frente al gran el desafo de revertir la situacin en

los prximos aos realizando un cambio estratgico para no perder rentabilidad a largo plazo
frente a las empresas de internet. Segn Net Consulting (2013), de continuar con el modelo
de negocio presente y la prdida de competitividad de los servicios actuales perdern la
pulseada frente a los OTTs, ya que para el 2016 se espera que los ingresos de los mismos
superen a lo de las telcos como puede apreciarse en la Figura 10.

24
Figura 10: Proyeccin de Ingresos (Bn)

25
6 Big Data & Advanced Analytics
6.1 Qu es Big Data

El trmino general que se utiliza para describir la tendencia creciente de datos donde el
volumen, variedad, velocidad y veracidad excede a la capacidad de los mtodos tradicionales
de BI9 es conocido como Big Data. Este fenmeno se caracteriza por las cuatro uves ya
mencionadas:
Volumen: Ms informacin de lo que es econmicamente factible almacenar
(terabytes a petabytes de datos).
Variedad: Datos en mltiples formatos tales cmo estructurado, semi-estructurado,
no estructurado y de tipo texto, imgenes, videos, audio, interactividad, etc. Un
ejemplo de texto en distintos formatos se puede ver en la Figura 11.
Velocidad: Anlisis en tiempo casi real (near real-time) de flujo (streaming) de datos
para permitir la toma de decisiones en fracciones de segundos.
Veracidad: Gestin de la fiabilidad y la previsibilidad de la incertidumbre intrnseca
de los datos.
Big Data es uno de los temas ms candentes en la actualidad y su crecimiento se prev que
sea exponencial. Cmo afectar esto a la sociedad? Y, lo ms importante puede ayudar los
datos a mejorar la vida de las personas?
Este boom puede traducirse en mejoras en la gestin de diferentes aspectos de nuestra
sociedad, desde las catstrofes del planeta, la salud, la agricultura, la productividad, el medio
ambiente, la educacin o el gobierno abierto, entre otros. La clave est en encontrar la va,
mediante un uso responsable, para poder hacer uso de estas grandes cantidades de datos para
el beneficio de la sociedad.
9
Bussisnes Intelligent

26
Figura 11: Ejemplo de Diferentes Formatos de Datos
6.2 Busisness Intelligence Tradicional Vs Busisness Data Lake

Segn la consultora Capgemini (2014), los sistemas de Business Intelligence (BI), tradicional
proporcionar diversos niveles y tipos de anlisis, pero Big Data trae grandes problemas para
estos sistemas debido a las grandes limitaciones que se describen a continuacin:
1. La aparicin de grandes volmenes de datos requiere un enfoque radicalmente nuevo
para la gestin de datos debido al costo que implica el almacenamiento de los
mismos.
2. No estn diseados para manejar datos no estructurados siendo un gran problema
debido a que los datos que se generan pueden ser tanto estructurados como no
estructurados.
3. Otro problema involucra la necesidad de anlisis en tiempo real. Esto requiere que el
capacidad de manejar y procesar datos a alta velocidad en tiempo casi real, el mayor
desafo de los mtodos de BI tradicionales, que tienen alta latencia integrado en su
arquitectura.

27
Por tal razn, las empresas deben realizarse un replanteamiento completo de la forma en se
utiliza BI, en trminos de cmo se ingiere los datos, se almacenan y son analizados.
Un Busisness Data Lake (BDL), es un repositorio de datos que puede almacenar y manejar
una cantidad masiva de datos estructurados, semi-estructurados y no estructurados en su
forma cruda en sistemas de almacenamiento de bajo costo por ser un commodity. Este
proporciona la capacidad de realizar anlisis de una lnea de negocios especfica y aun
presentando una visin global de la empresa. Los metadatos son mantenidos durante el
tiempo que se necesite para la trazabilidad, la historia y la necesidad de futuros refinamiento
de los datos. Proporciona la capacidad de utilizar los datos para los beneficios empresariales
en tiempo casi real, con la capacidad de mostrar informacin rpidamente y permitir BI gil.
6.2.1 Enfoque tradicional del BI

Los enfoques tradicionales de BI exigen la construccin de:
o ETL (Extract, Transform and Load): Es el proceso que permite a las organizaciones
mover datos estructurados desde mltiples fuentes, reformatearlos, limpiarlos y
cargarlos en un Data Mart, o DWE para analizar.
o Enterprise Data Warehouses (EDWs): Proporciona una visin global, comn e
integrada de los datos estructurados de la organizacin, independiente de cmo se
vayan a utilizar posteriormente por los consumidores o usuarios, con las propiedades
siguientes: estable, coherente y fiable. Son bases de datos relacionales y suelen ser el
soporte tcnico ms comnmente usado para almacenar las estructuras de estos datos
y sus grandes volmenes en las empresas. Normalmente en el almacn de datos habr
que guardar informacin histrica que cubra un amplio perodo de tiempo. Al abarcar
un mbito global de la organizacin y con un amplio alcance histrico, el volumen de
datos puede ser muy grande
o Data Mart: Este es como un EDWs pero est pensado para cubrir las necesidades de
un grupo de trabajo o de un determinado departamento dentro de la organizacin. Es
el almacn natural para los datos departamentales. En cambio, el mbito del EDWs es
la organizacin en su conjunto. Es el almacn natural para los datos corporativos
comunes.

28
La mayora de las implementaciones tradicionales de BI responden a una estrategia Top-
Down o Botton-Up para configurar la arquitectura del EDW y Data Marts como puede
versen en la Figura 12.
Estrategia Top-Down:
La arquitectura de BI tradicional Top-Down incorpora todas las fuentes de datos y, luego del
proceso ETL, su almacenamiento en un EDW en un formato basado en un modelo relacional
y, luego del proceso ETL, la construccin de Data Marts con informacin y dimensiones en
la parte superior de la EDW, para el anlisis y presentacin de informes enfocados a cada
departamento especfico de la compaa.
o Ventajas:
1. Mantiene la autenticidad y pureza de los datos por mantenerlos almacenados
cerca de la fuente donde se genera los mismos.
2. Proporciona una nica visin de la verdad de la empresa debido a que todos
los datos estn almacenados en forma centralizada en el EDW.
o Desventajas:
Este tipo de arquitecturas pueden fracasar debido al largo ciclo de implementacin y
por no ser amigable en el anlisis on the fly en empresas donde el negocio es
dinmico.
1. Requiera dos etapas de procesos ETLs y el mantenimiento del EDW ms Data
Marts.
2. Poner a disposicin los datos a travs de toda la compaa es complejo.
3. El tiempo de implementacin es lento y la demora en generar resultados no
acompaa la necesidad del negocio.
4. Las necesidades del negocio pueden cambiar durante el largo periodo de
implementacin.
Estrategia Button-Up:
Una arquitectura de BI tradicional Button-Up incorpora datos de las fuentes en forma similar
a la Top-Down pero, luego del proceso ETL, almacena los datos en modelos

29
unidimensionales en cada Data Marts respectivo. Los Data Marts estn enfocados a las reas
especficas conteniendo dimensiones conformadas a cada rea temtica.
o Ventajas:
1. Esta solucin va creciendo de menor a mayor siendo ms rpido de
implementar que la estrategia Top-Down y permitiendo visualizar resultados a
los usuarios ms rpidamente.
2. Hay una nica etapa de ETL en los Data Marts que puede ser alta pero
siempre menor que las dos etapas de ETLs de la estrategia Top-Down.
o Desventajas:
Esta arquitectura es muy flexible para realizar los anlisis de negocio pero requiere un
esfuerzo muy grande para mantener una nica visin de la verdad debido a la
posible existencia de datos redundantes en los distintos Data Marts. Eventualmente,
el modelo puede convertirse en una integracin de los fragmentos de los Data Marts.
1. La carga de datos en los Data Marts implica ETLs complejos.
2. Tener una visin integral del negocio a nivel de toda la organizacin requiere
ms tiempo debido a que los Data Marts estn enfocados a departamentos
especficos.
3. Esta estrategia es tpicamente un conjunto de islas de datos fragmentados y
difcilmente podra transformarse en un EDW.

30
Figura 12: Arquitectura de BI Tradicional y BDL
La eleccin entre una estrategia Top-Down o una Button-Up, por lo general, se basa
puramente en las necesidades del negocio. De hecho, la mayora de las organizaciones
adoptan un modelo hbrido, una solucin de compromiso que cubre parcialmente a ambos
estrategias.
6.2.2 Busisness Data Lake

Cmo se introdujo al inicio de esta seccin, el BDL ha sido diseado para resolver los
desafos acarreados por Big Data. En Figura 12, podemos ver la arquitectura de dicha
solucin.
La principal diferencia es que los datos, tanto estructurados como no estructurado, fluyen de
las fuentes que los generan siendo cargados en el BDL, se almacena all hasta que se
necesitan, permitiendo analizar los datos segn la necesidad del negocio. Cualquier tipo de

31
dato de cualquier fuente puede ser cargado en el BDL y no hay necesidad de realizar
estructuras o relaciones alrededor cmo en el proceso ETL del BI tradicional, reduciendo la
dependencia de las fuentes del sistema. Adicionalmente, tecnolgicas como Hadoop pueden
almacenar todos los datos de la organizacin sin preocuparse en la capacidad de
almacenamiento o tener que determinar si ciertos datos van a ser requerida o no.
Los BDL poseen tecnologas tales como Apache Hadoop, bases de datos NoSQL, como
Apache Cassandra, y el Next Generation Column-Oriented Data Warehouses (Spiess &
otros, 2014). Las tecnologas Apache Hadoop y bases de datos NoSQL logran escalabilidad
mediante la adicin de clusters de servidores que permiten escalabilidad horizontal, que
procesa los grandes conjuntos de datos en paralelo. Next Generation Column-Oriented Data
Warehouses alcanzan escalabilidad mediante la organizacin de los datos en columnas en la
base de datos relacional, en lugar de filas, que es mucho ms eficiente para los clculos de
agregacin sobre muchas filas pero con un conjunto limitado de columnas. Esto permite
acceso en paralelo a los datos a travs de muchas unidades de disco duro en lugar que el
acceso secuencial a travs de una sola unidad.
En una solucin tradicional de EDW la Staging Area (etapa de ETL) es transitoria, es decir,
no hay persistencia de los datos debido a que no es posible procesar grandes volmenes de
informacin debido a los altos costos de hardware y limitaciones en almacenamiento
temporal en memoria. En la solucin del EBL, los costos de almacenamiento se eliminan por
utilizar hardware de consumo masivo el cual es mucho ms econmico. Por lo tanto, los
datos que se procesan y preparan para ser almacenados persistente en el tiempo y no son
voltiles.
Las soluciones tradicionales DW requieren largos procesos de ingestin de datos. El BDL
permite agilidad en anlisis de datos en near real-time, permitiendo brindar los resultados
adecuados para los usuarios adecuados en el momento adecuado.
Los beneficios del BDL son:
Una misma rea de almacenamiento para todas las fuentes de datos en forma cruda.
Limitaciones en los volmenes de datos y el costo de almacenamiento se reducen
significativamente a travs del uso de hardware de consumo masivo.
Una vez que todos los datos se pone en el lago, los usuarios pueden extraer datos
relevantes para el anlisis sin conocer su inicial estructura.

32
Nuevas fuentes de datos pueden ser almacenadas en el BDL basados en la necesidad
de la empresa.
A diferencia del BI tradicional, se elimina el inconveniente de crear un modelo de
datos. Esto no es posible en Big Data debido a la diversidad de los datos y la
limitacin en los anlisis de negocios.
BI Tradicional
BDL Top-Down Top-Down
(EDW) (EDW)
Datos Datos
Procesamiento Todos los datos
Estructurados Estructurados
Almacenamiento Costo Bajo Alto Medio
Esfuerzo Bajo Alto Bajo
Mltiples fuentes Mltiples fuentes
Todas las fuentes de
Procesamiento de datos de datos
datos
estructurados estructurados
Alto, debido al Medio, debido al
Costo Bajo
Ingestin esfuerzo esfuerzo
Medio, debido a la
Alto, debido a la
preparacin de los
Esfuerzo Bajo preparacin de los
datos para los Data
datos para EDW
Marts
Realizado on demand
basado en las
Ya depurados
necesidades del negocio, Ya depurados y
estructurado y
permitiendo la estructurado los
agregados los
Depuracin identificacin de datos, no permitir
datos, no permitir
patrones y relaciones una mayor
una mayor
existentes en los datos. depuracin
destilacin
Este proceso es un
diferenciador
Capaz de administrar los
anlisis de datos en el No es posible No es posible
Procesamiento BDL. directamente en el directamente en
Este proceso es un EDW los Data Marts
diferenciador
Capacidad para analizar
Los anlisis Los anlisis
los datos segn sea
necesitan ser necesitan ser
necesario. Permite la
definidos por definidos por
exploracin de datos y
Insigths adelantado y por lo adelantado y por lo
por lo tanto permite el
tanto es rgido tanto es rgido
descubrimiento de
para la necesidad para la necesidad
nuevas ideas que no eran
del negocio del negocio
directamente visibles

33
Capacidad de integracin Tcnicamente Tcnicamente
con sistemas de negocios factible, pero no factible, pero no
Accin
de toma de decisiones eficaz debido a eficaz debido a
para realizar acciones latencia de datos latencia de datos
Tabla 1: Comparativa BDL Vs BI Tradicional
Un BDL es un enfoque simple pero de gran alcance para resolver problemas de negocios.
Est dirigido a necesidades de negocios cambiantes porque permite el almacenamiento de
todos los datos y proporcionar la capacidad de derivar informacin procesable de cualquier
tipo de datos, permitiendo trabajar de manera transparente en un ambiente que permite una
visin integrada de toda la empresa.
6.3 Advanced Analytics

Segn Goeffrey Zbinder (2014), Advanced Analytics es proceso que permite la identificacin
patrones y correlaciones significativas entre variables complejas, datos estructurados y no
estructurados, histricos, prediccin de eventos y evaluacin de efectos futuros de las
acciones tomadas de grandes volumen de datos para la resolucin de problemas de negocios.
Para esto, suelen utilizarse tcnicas de minera de datos tales como modelizacin descriptiva
y predictiva, investigacin de optimizacin de la operacin, simulacin y estadsticas
analtica que, a diferencia de mtodos estadsticos tradicionales, incorporan herramientas de
Machine Learning que, mediante induccin de algoritmos de redes neuronales, permite tomar
acciones en near real time. Como puede verse en la Figura 13, este proceso consta
principalmente tres etapas: formulacin del problema, resolucin del mismo y toma de
decisiones.

34
Figura 13: Advanced Analytics
6.4 Minera de Datos

Se denomina Data Mining al proceso de descubrir e interpretar patrones a partir de grandes
volmenes de datos y convertirlos en informacin con el fin de resolver problemas de
negocios y tomar acciones (Leventhal, 2010).
El proceso de minera de datos tiene dos estados diferenciados Modelling y Deployin como se
puede ver en la Error! No se encuentra el origen de la referencia..
1. La primera etapa se busca encontrar un modelo que permita tomar acciones basados
en el entendimiento del negocio, el anlisis y preparacin de los datos histricos
2. La segunda etapa es la implementacin del modelo obtenido en el paso anterior con
datos recientes de forma tal de predecir el comportamiento basados en la informacin
histrica de forma tal que permita agregar valor y, pudiendo accionar en near real-
time si la necesidad del negocio lo requiera.

35
Figura 14: Etapas de Minera de Datos
Estos patrones son aplicados a algoritmos que principalmente provienen de la inteligencia

artificial y de la estadstica, que se aplican sobre un conjunto de datos con el fin de obtener
resultados. Las tcnicas ms representativas son:
Redes neuronales: procesamiento automtico inspirado en la forma en que funciona el
sistema nervioso de los animales.
Regresin lineal: eficiente y eficaz pero insuficiente en espacios multidimensionales
donde puedan relacionarse ms de 2 variables.
rboles de decisin: es un modelo de prediccin utilizado en el mbito de la
inteligencia artificial, dada una base de datos se construyen estos diagramas de
construcciones lgicas, muy similares a los sistemas de prediccin basados en reglas,
que sirven para representar y categorizar una serie de condiciones que suceden de
forma sucesiva (Algoritmo ID3 y C4.5).
Modelos estadsticos: es una expresin simblica en forma de igualdad o ecuacin
que se emplea en todos los diseos experimentales y en la regresin para indicar los
diferentes factores que modifican la variable de respuesta.
Agrupamiento o Clustering: es un procedimiento de agrupacin de una serie de
vectores segn criterios habitualmente de distancia; se tratar de disponer los vectores
de entrada de forma que estn ms cercanos aquellos que tengan caractersticas
comunes (Algoritmo K-means y K-medoids).

36
Reglas de asociacin: se utilizan para descubrir hechos que ocurren en comn dentro
de un determinado conjunto de datos.
6.5 Proteccin De Datos Personales

Por definicin, los datos individuales solo se pueden usar para el propsito del servicio que se
ha contratado: por ejemplo, si doy mis datos personales a una entidad financiera, sta los
deber utilizar exclusivamente para mis operaciones bancarias; en cambio una operadora
mvil los deber usar para darme servicios de telecomunicaciones. El nico propsito en que
los datos se pueden utilizar individualizados y con toda su riqueza de detalle es en el contexto
del servicio primario (principal) que ofrece la empresa que nos presta un servicio.
La Ley Orgnica de Proteccin de Datos (LOPD) es la que protege este uso, y las Agencias
de Proteccin de Datos, las que se encargan de que las empresas cumplan esta
normativa: usar datos personales solamente para la prestacin del servicio original.
Para usos secundarios, se aplica una anonimizacin y agregacin de los datos, que dan lugar a
una informacin de carcter estadstico, como por ejemplo el censo, que ya se consideran
como un clculo con el que se puede trabajar abiertamente.
Segn Jos Luis Adndez, Director de Big Data Innovation en Telefnica, algunas de las
normas de la Agencia de Proteccin de Datos dicen que no se pueden agrupar menos de una
muestra determinada de datos, para asegurar que los datos se puedan entender como un
grupo; o que no se puede hacer ingeniera inversa de la anonimizacin. En definitiva, hay una
serie de normas que permiten posicionarse en un mbito seguro en el que no se est
vulnerando ningn dato de carcter personal, trabajando con datos estadsticos.
En Europa tambin se estn poniendo las medidas necesarias para proteger a la sociedad
digital. En el caso de Espaa, es la segunda normativa de proteccin de datos personales ms
exigente despus de la alemana, y eso da garantas. Digamos que las empresas van obrando
dentro de la legalidad, y tanto los organismos a nivel nacional, como la Comisin
Europea (que est muy activa sobre todo con los players online como Google o Facebook,
que vienen de Estados Unidos donde la normativa es ms abierta) son muy exigentes frente a
la proteccin de los datos personales de la sociedad, teniendo en cuenta todo el espectro de
leyes internacionales. Por ejemplo, se est empezando a ver que cuando visitas una pgina
web espaoles aparece un banner avisndote de que van a instalar cookies; de momento tan

37
slo hay obligacin de informar de que se recogen esos datos de cookies pero no sobre el uso
que se le va a dar a esos datos.
En el libro de Proteccin de Datos, una de las normas dice los datos no se cruzan, salvo con
datos abiertos. Por ejemplo, un banco y una aerolnea no pueden cruzar datos. Pero, si los
agregas a nivel estadstico y se geolocalizan sobre la misma zona (en un mapa), puedes llegar
a obtener nueva informacin agregada sobre ese cdigo postal. Este tipo de cosas son las que
podras llegar a hacer, pero no ms all. Son dos conocimientos (no datos) que colocas en el
mismo mapa para entender mejor los movimientos en la ciudad o donde sea preciso.
Los datos s tienen lmites geogrficos. La normativa europea dicta qu datos personales
identificables no se pueden sacar del territorio de la Comunidad Europea. Es decir, cualquier
pas europeo puede almacenar datos personales en otros pases de la comunidad; pero desde
Espaa (u otro pas comunitario) no puedes almacenar datos en Estados Unidos, o viceversa.

38
7 Big Data en los Operadores de Telecomunicaciones Mviles
Como se vio en la Seccin 6.1, en los datos se encuentran activos econmicos de un inmenso
valor. Es de gran inters en las empresas explotar estos datos pudiendo utilizar el valor de
estos activos. En esta seccin veremos los desafos y oportunidades que se les presentan a los
operadores mviles a la hora de explotar los datos para mejorar la rentabilidad del modelo de
negocio actual y encontrar nuevas formas de monetizacin.
7.1 Por qu un BDL en un Operador Mviles?

Big Data est siendo un gran desafo para algunas industrias. Gartner (2012), describe en su
mapa de calor (Figura 15) las oportunidades potenciales de Big Data abierto por industria.
Observando la correspondiente a la industria de telecomunicaciones, se ve que en la mayora
de las dimensiones tiene valores muy altos en la mayora de las dimensiones en relacin a
otras industrias.

39
Figura 15: Mapa de Calor de las Oportunidades de Big Data por Industria
7.1.1 Volumen
El trfico de datos mviles est creciendo exponencialmente alcanzando volmenes sin
precedentes. Esto se debe principalmente al creciente nmero de dispositivos mviles, a la
evolucin tecnolgica de dichos dispositivos y las redes mviles (descripto en la Seccin
5.2), y la creciente cantidad aplicaciones en el mercado:
Dispositivos Mviles
Ms de quinientos mil millones de nuevos dispositivos y conexiones se aadieron en el 2013.
Los dispositivos mviles y las conexiones globales crecieron, en 2013, a 7 mil millones,
frente a los 6,5 mil millones en el 2012. A nivel mundial, los dispositivos mviles y las

40
conexiones crecern a 10,2 mil millones para el 2018 a un CAGR de 8% (Figura 16). Para el
2018, habr 8,2 mil millones de handset y 2 mil millones de conexiones M2M (por ejemplo,
los sistemas de GPS en los coches, los sistemas de seguimiento de activos en los sectores de
transporte y fabricacin, o aplicaciones mdicas haciendo registros de los pacientes y de su
estado de salud). A nivel regional, Amrica del Norte y Europa Occidental van a tener el
crecimiento ms rpido de dispositivos mviles y conexiones con una CAGR del 12% y 10%
respectivamente, entre 2013-2018.
Figura 16: Proyeccin Global de Dispositivos Mviles y Conexiones
Evolucin Tecnolgica
Como se muestra en la
Figura 17, un solo telfono inteligente puede generar tanto trfico como 49 telfonos de
caracterstica bsica; una tableta de tanto trfico como 127 telfonos de la caracterstica
bsica; y una sola computadora porttil puede generar tanto trfico como 227 telfonos de
caractersticas bsicas.

41
Figura 17: Perfil de consume de ancho de banda por dispositivo
Aplicaciones
o iPhone: Segn Mobile Statistics (2014), el lanzamiento del iPhone de Apple inici un
mercado altamente competitivo que actualmente cuenta con un 18% de la cuota de
mercado de telfonos inteligentes en todo el mundo, alcanzando el primer lugar en
cantidad de unas 900.000 aplicaciones disponibles para descargar del App Store cmo
puede observarse en la Figura 18.
o Android: Poco ms de un ao despus de que Apple haba demostrado el xito de una
nueva generacin de telfonos inteligentes, Google se uni a la lucha con su sistema
operativo Android. A finales de 2010, se llevaron el primer lugar como la plataforma
lder para smartphones y hoy cuentan con la mayor cuota de mercado mvil 76%
alcanzando el segundo lugar en cantidad de apps con un total de 800.000. A
diferencia de hardware y software integrado de Apple, Android es un sistema
operativo de cdigo abierto utilizado por diferentes proveedores de smartphones
(Samsung, HTC, Sony, etc.) y gratuito para desarrolladores de aplicaciones mviles.

42
Por tanto, Android est disponible en una gran variedad de telfonos y de precios ms
accesibles que su competidor ms grande, el iPhone.
o Blackberry: RIM (Research-in-Motion) lanz su primer telfono inteligente,
Blackberry, en el sector empresarial en 1999. Actualmente cuenta con una cuota de
mercado de solo el 3% de smartphones. Se enorgullece en ofrecer soluciones de
calidad para las empresas y personas de negocios debido su gran atencin a la
seguridad. Los telfonos inteligentes BlackBerry son la aprobacin perfiles altos,
como el presidente Barack Obama y varias agencias del gobierno de Estados Unidos.
En cuanto al estilo de muchos Blackberry difieren enormemente de los smartphones
ms populares con su teclado QWERTY preferido por algunos sobre la tipificacin de
pantalla tctil. Siguiendo los pasos de Apple y Android, RIM lanz su propio
Blackberry App World en abril de 2009, alcanzando en la actualidad un total de
120.000 aplicaciones disponibles.
o Windows: 2010 fue un punto de inflexin enorme para Microsoft cuando el nuevo
Windows Phone fue lanzado. El diseo del nuevo Windows Phone, llamado Metro, ha
sido adoptado por varios desarrolladores de telfonos como el Nokia y HTC. Han
alcanzado unas 100.000 aplicaciones y una cuota del mercado del 3%.

43
Figura 18: Total de Aplicaciones Mviles Disponibles
La combinacin entre el crecimiento de dispositivos mviles, la evolucin tecnolgica y el

creciente aumento de ancho de banda por dispositivo est generando crecientes volmenes de
datos en las empresas de telecomunicaciones mviles cmo puede observarse en la Figura 19.
Se espera que crezca a 15,9 exabytes por mes para 2018, casi un aumento de 11 veces ms
trfico de datos mvil 2013 y que crecer a una CAGR10 del 61% desde 2013 hasta 2018.
10
Compound Annual Growth Rate

44
Figura 19: Proyeccin Trfico Global de Datos Mviles por Regin
7.1.2 Variedad
Cmo se mencion en la Seccin 6.1, los datos de una organizacin pueden ser tanto
estructurados cmo no estructurados y obtenidos de mltiples fuentes de informacin que,
por lo general, corresponden a fuentes internas o externa a la organizacin. Segn IT Flux
(2014), se estima que los datos no estructurados, tanto internos como externos a la compaa,
representan el 80% de la informacin de los datos de una compaa.
En la Figura 20, se pueden observar ejemplos de los tipos de fuentes y la variedad de datos
que un operador de telecomunicaciones. En particular, las Telcos tienen vastas fuentes de
datos consideradas externas tales como redes sociales, video streaming, audio streaming,
chatting, calls, GPS, etc. pero son esencialmente todos los datos de los clientes pasa a travs
de sus pipes para acceder a servicios brindados por distintas aplicaciones mediante sus
dispositivos mviles, es decir, es el trfico de datos de los clientes que atraviesan las redes de
los operadores para acceder el servicio brindado por las OTTs.

45
Las soluciones de BI tradicional no pueden determinar que aplicaciones estn siendo
utilizadas por los clientes ni el comportamiento de los mismos y, si bien la mayora de estos
datos estn encriptados11 generalmente por los mismos OTTs, mediante BDL el operador de
telecomunicaciones puede saber a qu aplicacin corresponde el trfico de datos cursado por
un cliente y la experiencia de usuario est teniendo en near real-time, de forma tal de poder
determinar si existe un problema en la red o en el servicio del OTT y actuar en consecuencia.
Figura 20: Tipos de Fuentes y Variedad de Datos en una Telco
En estos datos se puede extraer toda la informacin y tener una visin 360 del cliente como puede verse
puede verse en la
Figura 21. Un operador mvil puede conocer la ubicacin del cliente, los dispositivos que
utiliza, el segmento el cliente pertenece, que servicios y aplicaciones utiliza, que calidad
experimenta, la experiencia de uso percibida, los elementos de red intervinientes en el
servicio y, sobre todo, poder determinar el comportamiento en distintos momentos.
11
Cifrado o codificado destinadas a alterar las representaciones lingsticas de ciertos mensajes con el fin de
hacerlos ininteligibles a receptores no autorizados.

46
Figura 21: Visin 360 de los clientes
7.1.3 Velocidad
Cmo se pude ver en la Figura 22, cuanto ms rpido y cerca al real-time se analizan los
datos ms valor tienen. Esto es algo que, a diferencia de las soluciones de Big Data que
analizan los datos en near real-time, el BI tradicional no pudo resolver cmo vimos
anteriormente.

47
Figura 22: El Valor de los Datos en el Tiempo
En la industria de telecomunicaciones mviles esto es fundamental debido a que por ejemplo

no tiene el mismo valor saber que un cliente tuvo una mala experiencia de usuario antes o
despus que dejo la compaa, ya que en la primera opcin se podra haber tomado acciones
en forma proactiva para retener y fidelizar al cliente, impactando directamente en el churn de
la compaa. Este es un gran problema en la industria sobre todo para los operadores con una
alta cuota de mercado prepago, donde las barreras de salidas para cambiar de compaa son
relativamente bajas teniendo en cuenta la portabilidad numrica.
7.2 La Estrategia de Big Data en los Operadores Mviles

Amin y Feizi (2014) realizan un anlisis sobre la incorporacin de una estrategia de la
explotacin de los datos mediante BDL en las empresas de telecomunicaciones identificando
las oportunidades potenciales de mejorar la calidad de los servicios, ayudar a la organizacin
a entender mejor el comportamiento de los clientes, adaptar la infraestructura en funcin del
negocio en forma continua, eficiente y reducir los riesgos. Los autores en su trabajo
determinan que para alcanzar el xito deben realizar un cambio de diseo organizacional y
cultural que permita integrar en forma centralizada mediante un Chief Data Officer (CDO)

48
las reas de ingeniera, IT y servicio al cliente que actualmente trabajan en forma de silos.
Esto se debe a que una plataforma de estas caractersticas permite agregar valor al negocio
mediante la integracin de informacin complementaria, es decir, cada una de las reas con
informacin de las otras reas, de los clientes y el mercado permitira alcanzar la prxima
generacin de resultados. Los autores advierten que en una estrategia de estas caractersticas
se debe tener especial cuidado en la seguridad y manipulacin de los datos de los clientes
dado que podra tener un impacto negativo de no considerarlo como parte de la estrategia y,
que para obtener estrategia exitosa en la explotacin de los datos los lderes empresariales
debern estar estrechamente involucrados en la disposicin de la estrategia.
Segn Jos Luis Agndez (2014), Director del programa de innovacin en Big Data en
Telefnica, hay que ayudar a reducir los miedos de la sociedad a compartir datos, siempre
que haya unas reglas de juego y una transparencia. Si se consigue que, cmo ciudadanos,
queramos compartir un poco ms los datos que estamos generando y percibamos claramente
el uso que se hace de stos datos y la contrapartida al final, l cree que s se puede
materializar la visin de los pensadores del momento, pudiendo hacer cosas mucho ms
ajustadas a nuestras necesidades. l ve la transparencia como el ladrillo en la base del
edificio que hay que construir. Hay que dar una visin ms responsable y mucho ms madura
de lo que se puede hacer con los datos para que no parezca lejano.
7.3 Evolucin de Advanced Analytics en los Operadores Mviles

Segn Deutsche Telekom (2014), las empresas de telecomunicaciones estn sentadas en un
enorme montn de datos pero pueden utilizar de manera eficiente slo una pequea porcin.
Aprovecharlos eficazmente requiere un enfoque muy orientado a obtener resultados que
tengan utilidad.
La identificacin es un gran paso, obtener los datos, otro, y el ms complejo es saber qu
hacer con ellos. La evolucin de la explotacin de los datos en los operadores mviles
pareciera tener una avance natural a medida que va conocindose qu hacer con los mismos:
En la primera etapa, el objetivo debiera ser el de proporcionar datos para la propia empresa
con el fin de tomar mejores decisiones. Para ello, esta debe comenzar por conocerse
internamente a partir de los datos de la red (Network Insigths) y as mejorar la experiencia de

49
usuario de los clientes y, sobre esto, realizar una introspeccin a partir de la informacin
obtenida para optimizar el modelo de negocio actual (Busisness Insights) por ejemplo, para
conseguir clientes ms fieles o evitar que se vayan a otro competidor tuyo. En la etapa final,
el operador debe trabajar en nuevos modelos de negocios y nuevas formas de monetizacin
proporcionando datos a terceras empresas, con el fin de conseguir que estas tomen mejores
decisiones basadas en el conocimiento que el mercado les pueda proporcionar.
De esta forma, los proveedores de servicios pueden pasar de brindar servicios tradicionales,
los cuales se estn convirtiendo en commodities donde la nica diferenciacin frente a la
competencia de otros operadores es la calidad y sin poder competir frente a los servicios de
los OTTs, a brindar servicios innovadores de forma tal que sea diferencial frente a la
competencia de los OTTs.
En esta evolucin se identifican los casos de usos de dos etapas o saltos evolutivos que
bsicamente son Optimizacin del Modelo de Negocio Actual y Nuevos Modelos de
Negocios. En la primera etapa permite mejorar el modelo de negocio actual mencionado en la
Seccin 5.5, y son la base que sustentara la monetizacin de los datos mediante nuevos
modelos de negocios.
7.4 Casos de Uso Para la Optimizacin del Modelo de Negocio Actual
La aplicacin ms tradicional basada en el BI, donde el objetivo es proporcionar datos para la

propia empresa con el fin de tomar mejores decisiones internamente (por ejemplo, para
conseguir clientes ms fieles o evitar que se vayan a otro competidor tuyo).
7.4.1 Networks Performance Analytics

En esta primera etapa de explotacin de los datos los operadores pueden identificar el uso y
la performance, detectar el impacto de los eventos que inciden en la calidad de los servicios
analizando en forma integrada los KPIs, en ingles Key Performance Indicators, conocido
como indicadores claves de desempeo y el trfico de red permitiendo optimizar los recursos
de infraestructura de red. Entre los KPIs de red ms importantes son:
Servicio de MBB:

50
Roud Trip Time
Jitter
Packet Loss
Throughput
Frame Rate
Time to First Bye
Page Download Time
Video Start Time
Playback Gap Ratio
Lip Synch Delay
Servicio de Voz :
Voice MOS
Drop Calls
Accessibility
Estos KPIs permiten la deteccin proactiva y preventiva del desempeo de los servicios o
aplicaciones de los clientes segmentados por ejemplo por ARPU12, tendencias de consumo,
problemas en los dispositivos mviles, impacto de aplicaciones OTTs en la red permitiendo
optimizar el CAPEX13 y OPEX14. En la Figura 23 se pude ver un ejemplo de dashboards de
los KPIs por usuario, dispositivos, celdas, servicios propios o aplicaciones OTTs en casi
tiempo real.
12
Average Revenue Per User
13
CAPital EXpenditures
14
OPerational EXpenditures

51
Figura 23: KPIs de Calidad de Servicio
De esta forma, Telenor Group (Congreso de IBM Insight 2014) identifica los KPIs ms
relevantes para la percepcin del cliente, la correlacin entre lo percibido y la calidad real del
servicio en tiempo casi real. Mediante esta informacin, establecer el punto de inflexin del
mercado a partir de la cual la calidad percibida por los clientes es satisfactoria o no y, de esta
forma, utilizar este umbral como input para la optimizacin de los parmetros de la red mvil
y la planificacin de la misma en forma proactiva, cmo puede verse en los ejemplos de la
Figura 24:
a) Experiencia de usuario en un trayecto determinado.
b) Mapa de cobertura.
c) Optimizacin de celdas vecinas para 2G/3G/4G.
d) Mapa de Calor.

52
Figura 24: Optimizacin y Planificacin de la Red Mvil
Esta informacin calidad del servicio puede ser georreferenciada en mapas a partir de la
geolocalizacin de los eventos de un determinado periodo o en tiempo casi real, y visualizar
las zonas que cumplen o no cumplen con dicho criterio por ejemplo para el segmento de
clientes de mayor ARPU. Esto puede verse en la Figura 25 (Telefnica Argentina, IBM
Insight 2014).

53
Figura 25: Calidad de Servicio Georreferenciados en un Periodo de Tiempo
Vodafone India (Congreso de IBM Insight 2014) utiliza soluciones de Big Data que le
permite entender el comportamiento de las aplicaciones OTTs que utilizan sus clientes
permitindoles:
Identificar y realizar un seguimiento de los usuarios OTT existentes y nuevos en
tiempo real.
Identificar aplicaciones OTTs utilizadas y el volumen de datos que consumen.
Alerta en tiempo real en los nuevos clientes la descarga de aplicaciones OTT.
Comprender las preferencias de uso de Msica, Social, Vdeo, Chat, descargas,
transmisin, etc.
Esta informacin la utilizan para conocer el target de los clientes y ofrecer mejores paquetes
de datos, ofertas de SMS, paquetes de bonificacin en tiempo real para mantener el uso.

54
7.4.2 Customer Experience Management (CEM)
La experiencia del cliente sigue siendo una diferencia clave, si tenemos en cuenta que la
confiabilidad de la red, la cobertura, atencin, aprovisionamiento y facturacin de todo tienen
un impacto en la percepcin del suscriptor de su operador mvil. Con el fin de mejorar la
experiencia y la satisfaccin del cliente, los operadores mviles deben primero ser capaces de
analizar la percepcin del usuario respecto al servicio, conocerlos mejor e incluir esta
informacin en la construccin de los modelos de CEM, en ingls Customer Experience
Management, conocido como gestin de la experiencia de cliente. Esto tiene el beneficio que
clientes satisfechos que en promedio gastan ms y cuestan menos en el ciclo de vida del
cliente, pudiendo vender ms productos y servicios entre los usuarios existentes.
En un entorno donde los operadores mviles tienen las mismas ofertas de servicios, ofrecer
una experiencia superior al cliente es una prioridad para competir. Las soluciones que tienen
la capacidad para poner de relieve lo que realmente importa en la satisfaccin del cliente y
entregar informacin de su cliente de gran alcance, la red y los datos de servicio son factores
clave de diferenciacin para las Telcos.
Las herramientas de BDL permiten determinar en casi tiempo real la "excelente" o "pobre
experiencia de servicio de red que tuvo un cliente, mediante la ponderacin de los KPIs del
servicio o aplicacin respectivo (Figura 26) y mediante la determinacin de valores umbrales
(Figura 27).

55
Figura 26: Customer Experience Score
Experience Score Rule
80% or more Page loads < 2 seconds AND

Excellent
0% of Page loads > 7 seconds
80% or more Page loads < 4 seconds AND
Very Good
10% or less of Page loads > 7 seconds
30% or more Page loads > 7 seconds OR
Fair
10% or more of Page loads > 10 seconds
50% or more of Page loads > 7 seconds OR
Poor 20% or more page loads > 10 seconds OR
Any page loads > 20 seconds
Figura 27: Customer Experience Score: Web Browsing Example
De esta forma es posible monitorear la real experiencia del servicio que tuvo un usuario
basado en la correlacin de los KPIs de red y el umbral del servicio respectivo, actuar sobre
incidentes por servicio, dispositivo, cliente, locacin, etc., y priorizar la resolucin de
problemas con gran impacto en el negocio. En la Figura 28, se puede ver un ejemplo de
CEM, donde en color rojo se identifica una pobre experiencia de usuario, celeste una
intermedia y color verde una muy buena.

56
Figura 28: Customer Experience Score: Overview Example
El operador Telenor Group (Congreso de IBM Insight 2014), utiliza CEM para detectar en
tiempo casi real una pobre experiencia de usuario sobre la conexin de datos mviles, enva
un aviso por SMS pidiendo disculpas al cliente siendo este evento almacenado en el BDL y,
una vez que haya sido solucionado el problema, le enva otro aviso por SMS al cliente que ha
sido solucionado el mismo.
7.4.3 Prediccin de Churn

El churn ha sido identificado como un problema en la mayora de los sectores industriales
debido a que lograr la lealtad del cliente no solo es positivo porque genera mayores ventas
para la compaa sino tambin porque implica menores costos: una regla tradicional del
marketing indica que es cinco a seis veces ms costoso lograr un nuevo cliente que mantener
ms antiguo (Kotler, 1994). Por lo tanto, las empresas tienen como objetivo identificar el
riesgo de churn de sus clientes ms valiosos en una etapa temprana y, si este se puede
predecir con exactitud, los departamentos de marketing pueden dirigirse a los clientes de
manera eficiente con actividades de captacin y retencin de clientes para evitar que dejen la
compaa.
El churn ha sido ampliamente analizado, no slo en la industria de las telecomunicaciones
(Ferreira, 2004; Hadden & otros, 2006; Radosavljevik, 2010). Muchas de las tcnicas de

57
aprendizaje automtico como rboles de decisin, bayesiano, la regresin logstica, redes
neuronales y algoritmos genticos, a menudo se utilizan para construir modelos de
prediccin de churn.
Nominum (Telesemana Congress, 2014), presentaron algunas tcnicas que estn siendo
utilizadas en la industriad de telecomunicaciones para predecir y prevenir el churn de los
suscriptores tomando acciones de retencin en tiempo casi real cmo puede verse en la
Figura 29. En el ejemplo, cuando el cliente est por dejar el sitio web, le podemos ofrecer un
descuento mediante un mensaje para retener al cliente.
Figura 29: Prediccin y prevencin de churning de un suscriptor
Amazon utiliza tcnicas de Machine Learning para identificar los clientes con alta
probabilidad de abandono, lo que le permite interactuar con ellos proactivamente a travs de
promociones o contactos de atencin al cliente.
Los modelos de churn tradicionales tratan a los clientes como entidades aisladas. Pero los
clientes individuales no son entidades aisladas. Por el contrario, los clientes se ven influidos
por los amigos, amigos de amigos, y otras personas dentro de su red, pudiendo inclusive
producir efecto viral del cambio de compaa por parte de los clientes. Dasgupta (2008)
demostr que este problema podra resolverse mediante el uso de informacin de la red
social.

58
Una red social es un grupo de personas que estn conectados a travs servicios de
comunicaciones cuya estructura proporciona una manera natural de entender las relaciones de
las mismas y, en cierta medida, el comportamiento grupal. El conjunto de procedimientos de
investigacin para identificar grupos de personas que comparten estructuras y patrones
comunes en sistemas basados sobre las relaciones entre los actores empleando teoras de
grafos y sistemas es denominado Social Network Analysis (SNA). Esta tcnica de minera de
datos ha demostrado ser medidas de gran alcance para el estudio de las redes en diversas
industrias como la banca, la fsica, el mundo social, la web y es de gran inters en la industria
de telecomunicaciones, ya que no slo ayuda en la exploracin de la informacin sobre la red
social de los abonados, sino tambin ayuda a los operadores a centrarse en sus anlisis de
negocio.
Segn Phd. Ing. Pablo Rodriguez (Big Data e Innovacin. IIC, 2013), si bien Facebook tiene
alcanz 1.350 millones de usuarios, la mayor red social est conformada por las redes
interconectadas de los operadores de telecomunicaciones mviles.
Las redes sociales se ilustran tpicamente a travs de un grafo (Figura 30) constituido por
una serie de nodos y vnculos que muestran que la gente (o los hogares o empresas) estn
conectados. Los vnculos o lazos tambin pueden ser ponderados para mostrar la fuerza de la
conexin de forma tal de descubrir los clientes ms influyeron en la red y poder ofrecer ms
servicios para poder retenerlos. El peso de los vnculos se determina de datos obtenidos de
los Call Detail Records (CDRs) del operador: cantidad, frecuencia, duracin de llamadas,
SMS y envo de datos entre nodos vecinos.
SNA est comenzando a ser utilizado en los operadores mviles para dar una solucin a
algunos de los problemas de telecomunicaciones como a mejorar la prediccin del churn,
agilizar las campaas de up-selling y actividades de cross-selling y, en general, para la
satisfaccin y retencin de clientes (Tang & Liu, 2010).

59
Figura 30: SNA Graph
Varios estudios de redes sociales se han llevado a cabo mediante la utilizacin de grafo de
datos de llamadas mviles para examinar la estructura y evolucin de las redes sociales.
Dasgupta (2012) analizan la influencia del impacto de vecinos que dejaron al operador
mediante la aplicacin de una tcnica basa propagacin. Utilizando los datos del grafo de
llamadas, fueron capaces de demostrar que el churn se puede propagar a travs de una red
social. Aunque el estudio est limitado a utilizar informacin de slo vnculos, la exactitud
de prediccin es razonable pero an se podra mejorar. El anlisis identifica que la
propensin al churn de un abonado se correlaciona positivamente con el nmero de vecinos
que hicieron churn.
Kawale (2009) realiz un estudio similar usando la red social, utilizando datos de una
comunidad de juegos online popular. Proponen una nueva vuelta de tuerca al modelo de
propagacin de la rotacin existente propuesto por Dasgupta (2012) mediante la combinacin
de influencia social y engagement de los usuarios en el juego. El engagement de los usuarios,
que se refiere a la duracin de la sesin de juego durante el perodo de observacin, puede ser
clasificado como una variable intrnseca. La investigacin muestra que los modelos
entrenados usando una combinacin de factores sociales y el engagement de los usuarios
muestra un mejor desempeo que los modelos de propagacin tradicionales.
Kusuma & Otros (2013) aplican ideas similares de las obras antes mencionadas. La decisin
de un cliente para hacer churn no slo puede depender de las influencias sociales, sino
tambin en cmo se perciben los productos y servicios. En su trabajo se encontr que la tasa
de vecinos que hicieron churn produjo a vecinos adyacentes que se correlacionara
positivamente con el comportamiento prdida de clientes. Cuando la mitad de los vecinos han

60
dejado al operador, la probabilidad de un abonado a hacer churn es de 2 veces superior a la
tasa base de churn. Esto implica, en cierta medida que el comportamiento social puede tener
un impacto en la decisin de churn los abonados. En la Figura 31, estn el grafico Lift Chart
con los resultados de todos los modelos analizados por el autor. Este indica la ganancia en
identificar un abonado que est por hacer churn en relacin al azar en funcin de la
poblacin. Se puede ver el modelo 3, el cual combina un modelo tradicional con redes
sociales, es el que tienen mayor precisin para predecir el churn.
Figura 31: Grfico Lift Chart de Todos los Modelos
Segn Pablo Rodriguez (TEDxBarcelona, 2012) a travs de una prueba en Mxico con 800
voluntarios donde psiclogos clasificaron su personalidad durante 6 meses y lo contrastaron
contra la utilizacin de tcnicas de SNA con datos provistos de los CDRs de Telefnica.
Result que esta modelizacin tuvo un 87% probabilidad de xito de detallar los rasgos
psicolgicos con la misma precisin que los psiclogos haban hecho.
El operador mvil Vodafone India (Congreso de IBM Insight 2014) utiliza tcnicas de SNA
para entender el comportamiento de los clientes y utilizarlo para reducir el churn
permitiendo:
Ahorro en costos, dando prioridad ofertas de retencin y esfuerzos adquisiciones
incrementales

61
Mejora de la adopcin de las VAS/Bonus Pack.
Identificar influenciadores, lderes y seguidores.
Asignar puntuaciones y evaluar el impacto econmico en el churn identificando el
ARPU por usuario.
Utilizar ofertas y esfuerzos de retencin en funcin del crculo de influencia del
cliente.
Utilizado para marketing viral en nuevos productos/contenidos/bonus packs de VAS
Adquirir clientes de la competencia mediante llamadas salientes hacia otro operador.
Los resultados muestran que los modelos de redes sociales en combinacin con modelos
tradicionales son la mejor forma en que los operadores mviles pueden capitalizar los datos
de sus redes debido a que detectan otros tipos de usuarios que abandonan en comparacin con
los modelos tradicionales solos. Los clientes estn influenciados por amigos dentro de la red
y por los amigos de los amigos, y la incorporacin del peso de los vnculos conduce a
mejores predictores y ganancias.
7.4.4 Comportamiento de Clientes en Redes Social

Mediante el monitoreo de redes sociales (Facebook, Twiter, flickr, etc), Vodafone India
(Insight 2014) busca patrones en el comportamiento de sus clientes permitindoles:
Captura de las tendencias emergentes en su etapa incipiente
Identificar los problemas antes que se viralicen.
Aumento de adquisicin de nuevos clientes antes que la competencia
Identificar clientes potenciales disconformes con el servicio de la competencia.
Identificar los temas clave de discusin en varios blogs de telecomunicaciones,
identificar las tendencias emergentes en aplicaciones, etc.
Seguimientos de opiniones sobre el operador, su red, servicio, marca, etc, as como
para la competencia
Identificar nuevas oportunidades por ejemplo, el seguimiento de clientes insatisfechos
de la competencia y hacer ofertas relevantes para ellos.

62
7.4.5 Atencin al Cliente
El Deutsche Telekom (Congreso de Monetizacin de Big Data, 2015) utiliza tcnica de Voice
Analytics en sus centro de atencin al cliente para obtener informacin relevante del usuario
mediante la identificacin del mismo mediante el patrn de la voz. De esta forma, logra
mejorar los procesos, la CEM y reducir costos.
7.5 Casos de Uso de Nuevos Modelos de Negocios

En esta seccin se describe casos de nuevos negocios en la industria de telecomunicaciones.
7.5.1 Vender Datos Agregados o Anlisis de Datos

Telefnica Dynamic Insights anunci en noviembre del 2012 el lanzamiento de Smart Steps
en Reino Unido para Retail y Transporte. Smart Steps es un Marketplace de datos que
muestra la afluencia de gente por tiempo, sexo y edad como puede verse en la Figura 32. La
propuesta de valor de este proyecto consiste en que, por ejemplo, para una gran cadena de
tiendas, si tienen que abrir un nuevo establecimiento, Smart Steps te ofrece informacin
geolocalizada de lo que ocurre en la calle (nmero de personas en un punto determinado) o
datos de movimientos de grupos de gente; en definitiva, informacin que la empresa
normalmente no la va a saber mirando en su caja o poniendo una persona en la puerta del
establecimiento en determinados momentos.
Las organizaciones podrn analizar los movimientos de masas en un lugar dado a una hora o
en un da/semana o mes determinados, y podrn realizar una comparativa por zona y
comprender los modelos de captacin.
Los minoristas podrn utilizar Smart Steps para comprender la afluencia en sus tiendas,
realizar promociones de productos a medida, determinar las mejores ubicaciones y formatos
de sus nuevas tiendas y medir el impacto de la actividad de marketing sobre la afluencia de
pblico.
Smar Steps permite conocer la afluencia en una zona por tiempo, sexo y edad sin revelar la
informacin personal ni se realiza un seguimiento de las personas. Este servicio distribuido
por Telefnica y GfK, ayudar, no solo a los minoristas sino tambin a los ayuntamientos,
instalaciones deportivas y servicios de emergencia. Lanzamiento inicial fue en el Reino
Unido al que seguir el lanzamiento en otros pases del grupo Telefnica.

63
Segn Steve Alder, Responsable Ejecutivo de Telefnica Dynamic Insights, las tendencias se
extrapolan a partir de la combinacin de datos. No se revela la informacin personal, no se
realiza un seguimiento de las personas y nunca se podr identificar a los clientes. Smart Steps
mide el tamao de las concentraciones de gente, no se centra en los individuos.
Segn Ph.D. Ing. Frias-Martinez (2012) se puede detectar automticamente el patrn de usos
por rea en ciudades utilizando tcnicas de agrupamiento sobre CDRs. En el congreso Big
Data e Innovacin. IIC (2013), present como a partir de esta informacin podra establecerse
patrones de conducta de los ciudadanos en Barcelona y Madrid a travs de la informacin de
la actividad de los smartphones.
Figura 32: Panel de Control de la Herramienta Big Data "Smart Steps"

64
Figura 33: Distribucin de Comportamiento Social en Madrid
7.5.2 Nuevas Fuentes de Ingresos a Travs de la Monetizacin de Datos

Telefnica anunci en julio del 2013 JetSetMe un piloto en Reino Unido y probado con algn
banco internacional. En este caso, un usuario de un banco, cuando se va al extranjero y tiene
planeado usar su tarjeta de crdito para cantidades elevadas de dinero, debera avisar a su
agente bancario para asegurarse de que la tarjeta funcionar (por defecto, el sistema de
riesgos del banco emite una alarma simplemente porque no ests en tu ciudad o pas, y te
bloquea la tarjeta). La experiencia de usuario en estos casos no es buena. El servicio
JetSetMe se centra en resolver esto: permite que Telefnica le mande un mensaje al banco
conforme el usuario enciende su mvil en otro pas, y el propio banco, a su vez, le pide
consentimiento al usuario para activar la tarjeta en el pas donde est automticamente, a la
recepcin de estos mensajes. Una aplicacin de gran utilidad si lo que buscamos es la
automatizacin de operaciones muchas veces necesarias, pero un tanto complicadas de
recordar, y que generan frustracin en los usuarios, y costes al banco incluyendo la fuga de
clientes.

65
Figura 34: JetSetMe
Deutsche Telekom (Congreso de Monetizacin de Big Data, 2015) utiliza recomendaciones

cruzadas de dominios para incrementar sus ventas en sus portales Musicload, Videoload,
Gameload (Figura 35).
Figura 35: Recomendaciones Cruzadas

66
Esta tcnica es utilizada tambin por Amazon, logrando incrementos del 35% en sus ventas.
Mediante tcnicas de Machine Learning puede ayudar a su sitio web a proporcionar una
experiencia al cliente ms personalizado mediante modelos predictivos para recomendar
artculos u optimizar el flujo del sitio web a partir de las acciones anteriores del cliente.
Deutsche Telekom (Congreso de Monetizacin de Big Data, 2015) mediante modelos

predictivos que ayudan a identificar posibles transacciones comerciales fraudulentas para
pagos online diferidos. Estos determinan el riesgo en tiempo casi real, reduciendo en un 84%
el potencial de impagos.
7.5.3 Publicidad e Investigacin de Mercado

Deutsche Telekom (Congreso de Monetizacin de Big Data, 2015) ofrece un servicio basado
en la nube de marketing directo llamado bitplaces, el cual est dirigido al segmento de ventas
minoristas para realizar campaas. Este permite enviar notificaciones de promociones y
ofertas para usuarios de smartphones que visitan el local del cliente conociendo la
geolocalizacin del Smartphone, con el objetivo de atraerlos a la tienda cuando el inters est
en su pico.
Bitplaces consta tambin del servicio de Advanced Analytics para la comprensin del
comportamiento de los clientes finales, combinando los datos de las campaas en exterior e
interior del local. Tambin permite medir la efectividad de sus campaas en tiempo casi real
y tener una base significativa para las actividades futuras (Figura 36).
Figura 36: bitplaces

67
Un servicio similar brinda Amazon que, mediante tcnicas de Machine Learning, puede
ayudarle a efectuar campaas de marketing dirigidas. Por ejemplo, puede utilizar las
actividades anteriores de los clientes para elegir las campaas de correo electrnico ms
relevantes para los clientes objetivos.

68
8 Modelos de Negocios Electrnicos
8.1 Tipos de Modelos de Negocios

8.1.1 e-Commerce
El comercio electrnico, tambin conocido como e-commerce (electronic commerce en

ingls), consiste en la compra y venta de productos o de servicios a travs de medios
electrnicos, tales como Internet y otras redes informticas.
La mayor parte del comercio electrnico consiste en la compra y venta de productos o
servicios entre personas y empresas, sin embargo un porcentaje considerable del comercio
electrnico consiste en la adquisicin de artculos virtuales (software y derivados en su
mayora), tales como el acceso a contenido Premium de un sitio web.
Tipos de comercio electrnico:
B2C (Business-to-Consumer): Empresas que venden al pblico en general.
B2B (Business-to-Business): Empresas haciendo negocios entre ellas.
B2G (Business-to-Government): Empresas que venden a instituciones de gobierno.
C2C (Consumer-to-Consumer): Plataforma a partir de la cual los consumidores
compran y venden entre ellos.
Ventajas del comercio electrnico en las empresas
Expandir la base de clientes al entrar a un mercado ms amplio.
Extender el horario de venta las 24 horas del da, los siete das de la semana, 365 das
al ao.
Crear una ventaja competitiva.
Reducir costos de produccin, capital, administracin, entre otros.
Mejorar la comunicacin con los clientes y efectividad de campaas publicitarias.
Todos estos factores, han permitido que el comercio electrnico haya crecido de manera
significativa en los ltimos aos. Este crecimiento se explica, en gran medida, por la
evolucin que han mostrado diversos pases en aspectos claves para transformar el Internet
como un canal de ventas efectivo.

69
8.1.2 e-Marketplace
Los e-Marketplaces, o tambin conocidos como mercados electrnicos, son un tipo de sitio
web de e-Commerce donde los productos o servicios son provistos por terceras partes a
compradores, mientras que las transacciones son procesadas por el operador del Marketplace
de manera virtual.
Hoy en da muchas empresas utilizan los e-Marketplaces para atraer nuevos clientes, tanto
locales como extranjeros, pero tambin para contactar con nuevos proveedores.
En cuanto a la posibilidad de captar clientes, estos sirven como canales de ventas,
permitindonos promocionar y vender nuestros productos, generalmente, a cambio de una
pequea comisin que nos cobran al momento de concretar alguna venta.
Algunos de los e-Marketplaces ms conocidos son eBay y MercadoLibre, en donde se
compran y venden una gran diversidad de productos; estos son conocidos como e-
Marketplaces horizontales. Mientras que los especializados en un solo producto o sector, son
conocidos como e-Marketplaces verticales; por ejemplo de artesanas, orientados a la
construccin, etc.
Una de las principales ventajas de los e-Marketplaces es que nos permiten vender nuestros
productos por Internet (y todas las ventajas que vender por Internet implica) sin necesidad de
contar con una pgina web propia, ni de mayores conocimientos en diseo web, permitiendo:
Exponer permanente nuestros productos o servicios.
Llegar fcilmente a mercados internaciones.
Llegar a miles de clientes potenciales que visitan diariamente los e-marketplaces.
permiten incluir un vnculo o enlace hacia la pgina web de nuestra empresa (en caso
de poseer una), y as conseguir un mayor trfico de visitas hacia sta.
Crear nuestro propio catlogo virtual, como si de una tienda virtual se tratara,
pudiendo as promocionar varios de nuestros productos, generalmente, a cambio de
pago mnimo.
8.1.3 e-Advertising
Segn Schumann y Thorson (2007), la publicidad en Internet tiene como principal

herramienta la pgina web y su contenido, para desarrollar este tipo de publicidad, que

70
incluye los elementos de: texto, enlace, banner, web, weblog, blog, logo, anuncio, audio,
vdeo y animacin; teniendo como finalidad dar a conocer el producto al usuario que est en
lnea, por medio de estos formatos. Aunque estos son los formatos tradicionales y principales,
se encuentran otros derivados de la web que surgen a medida que avanza la tecnologa, como:
videojuego, mensajera instantnea, descarga (download), interaccin con SMS para celulares
desde internet, etc.
En la actualidad Yahoo y Google (con sus sistema de publicidad en lnea: Bing y AdSense y
AdWords); ya poseen un sistema slido en cuanto a publicidad en Internet, en el que la
pgina web se coloca en los buscadores de la web portal, en los sitios adecuados al tema del
producto a promocionar, y por cada clic del usuario se especifica el ingreso del costo en
publicidad. Y como segundo sistema tienen los anuncios de textos, que consisten en un
pequeo recuadro, con un ttulo del producto o empresa, un texto corto de descripcin, y la
direccin web con enlace a la pgina, que puede aparecer tanto en las barras laterales, como
en la superior e inferior de la web.
La web aumenta por el trfico de los usuarios que entran y hacen clic en los enlaces de la
misma, logrando as la publicidad.
La promocin de una web se realiza con el aumento de usuarios que la visitan, y que cada
clic genera un nuevo usuario en los buscadores de forma secuencial y en un punto
determinado en el mundo. Por lo que el hecho de publicidad en Internet descansa en los clics
que realizan los usuarios y la informacin de imagen y texto que recibe.
Existen redes comercializadoras de sitios verticales que proporcionan gran diversificacin y
alcance a los anunciantes. No debemos pensar que la publicidad en Internet slo puede ser en
algunos sitios, sino que todo sitio es potencialmente comercial.
Con la penetracin de Internet, se ha convertido en el medio ms medible y de ms alto
crecimiento en la historia como puede verse en la Figura 37 (KPBC, 2013). Actualmente
existen muchas empresas que viven de la publicidad en Internet. Adems, existen muchos
valores que la publicidad interactiva ofrece tanto para el usuario como para los anunciantes.

71
Figura 37: % de Tiempo Dedicado a los Medios Vs % de Gasto de Publicidad
Existen mltiples modelos de precios para las campaas de publicidad online. Los ms
frecuentes son:
CPM (Costo por mil)
CPC (Coste por clic)
CPL (Coste por lead)
CPA (Coste por adquisicin)
Los gestores de publicidad online presumen de su bajo costo y alta efectividad. Por supuesto,
la principal ventaja de la publicidad online es el costo, sensiblemente ms econmica que
otro tipo de medios. Pero no es esta la nica, tambin tiene la ventaja de la inmediatez, el
destinatario del anuncio puede acceder al producto o servicio al instante (haciendo clic en el
link). Por su parte, el anunciante paga (en la mayor parte de las ocasiones) por cada visita que
recibe. De esta forma limita el coste de la campaa y se asegura la rentabilidad de la misma.
Precisamente el hecho de pagar por clic exige de los gestores de publicidad un estricto
control de la veracidad de todos los clics para as no generar desconfianza en los anunciantes.
Todas las entidades tratan de perseguir dicho fraude pero, con todo se siguen produciendo
clics fraudulentos. Se estima entre un mnimo del 2% que reconocen las propias empresas de
publicidad como AdSense y un 20% que apuntan algunos analistas independientes. El rango
es muy poco preciso porque la informacin que dan los gestores de publicidad es poca.

72
S es un hecho constatable que cada vez abundan ms pginas dedicadas nicamente a
mostrar anuncios y que se han venido en llamar PPF. Dichas pginas son consideradas por la
mayora como un fraude en s mismas, por cuanto buscan el clic por necesidad (el visitante
hace clic en los anuncios porque no tiene otro contenido en la web).
Otra ventaja para los anunciantes es la efectividad comercial que puede generar directamente.
Los modelos empricos realizados para diferentes sectores, tanto en el mbito estadounidense
como europeo, confirman retornos positivos en trminos de respuesta de los consumidores.
Incluso, la posibilidad de generar interactivamente contactos comerciales puede impactar en
ventas directas.
Es importante destacar que al ser tan masiva y constante la presencia y la insistencia
publicitaria en los medios, vienen apareciendo corrientes de personas que han ido fraguando
en la prctica su convencimiento sobre el abuso e intromisin a que esta actividad les somete.
Consideran en efecto que existe una indefensin a sus legtimos intereses como usuarios,
adoptando ante tal impostura actitudes tales como no volver a comprar jams un producto de
los anunciantes o incluirlos y compartirlos en listas de denuncia por sentirse vctimas
violentadas por tal asedio.
8.2 Formas de Monetizacin

Chris Anderson (2013) analiza el significado de free, concepto que en la lengua inglesa une
nuestras dos expresiones diferenciadas libre y gratuito. El concepto de free, est, como
la idea de cero, es decir, la ausencia de un precio. Anderson quiere que comprendamos que el
valor que le damos a un producto o servicio no tiene que ser con el coste econmico sino con
el valor psicolgico que le otorgamos a algo.
La razn obvia es que la mayora de los productos no son free se debe a que sus costos de
produccin no son cero, sino que, por el contrario, cuesta dinero fabricar los productos y este
costo se debe cubrir. Los mercados digitales son una excepcin a la regla. Para casi todos los
productos digitales, el costo marginal de la reproduccin es cero. Por lo tanto, tarde o
temprano, es productores casi inevitables en el mundo digital lo har encontrarse compitiendo
contra productos free. Internet es el mercado ms competitivo del mundo jams se haya visto,
y free parece no ser slo una opcin.

73
Segn Anderson, para definir el precio de un producto o servicio hay que tener en cuenta que
a los consumidores les encanta conseguir productos gratis porque no hay riesgo de que haya
tomado una mala decisin pero tambin valora pagar ms que algo que es gratis. Por lo tanto,
para que la gente valore un producto, debera pagar por ello. Una vez que la gente encentre el
valor de un producto o servicio y est dispuesta a pagar por este, se puede cambiar la
estrategia para obtener rentabilidad de las transacciones progresivamente. Tambin depende
de una dinmica paralela entre el tiempo y dinero disponible del cliente. Es decir, cuando una
persona se encuentra en una etapa que tiene menos dinero, est dispuesto a hacer ms cosas
por s mismo tolerando las limitaciones de un producto free, en cambio, si tiene ms dinero
est dispuesto que a pagar por una versin acabada que le resuelva con ms funcionalidades
que la versin free.
Hay cuatro modelos bsicos de negocios mediante el cual las cosas pueden ser disponerse de
forma free los cuales se describen a continuacin.
8.2.1 Direct Cross-Subsidies

Los Subsidios Cruzados Directos, en ingles Direct Cross-Subsidies, el productor le da al
consumidor el producto 1 de forma gratuita o con descuento con la esperanza de esta
voluntad entonces atraer a los consumidores a posteriormente comprar el producto 2 (Figura
38: Direct Cross- SubsidiesFigura 38).

74
Figura 38: Direct Cross- Subsidies
Un ejemplo de este modelo de compra uno y conseguir uno gratis o con descuento es el caso
en el que operador de telecomunicaciones mviles subvenciona un dispositivo mvil
ofrecindole cuando el cliente adquiere un alta de planes de telefona.
La tecnologa est dando empresas una mayor flexibilidad en la forma en trminos generales
que definen sus mercados, lo que permite ms libertad para regalar algunos productos para
promover otros.
8.2.2 Three-Party Market

El productor ofrece contenidos libre de cargo para los consumidores. Los anunciantes pagan
para ser incluido en los contenidos con la esperanza de vender sus productos al consumidor.

75
Figura 39: Three-Party Market
Este es el modelo de negocio free ms comn existente. Es la base de casi todos los medios
de comunicacin, especialmente de revistas, peridicos y televisin. Los anunciantes
compran el espacio de publicidad al productor por lo que puede entonces vender lo que tienen
que ofrecer a la los consumidores que leen las revistas o ver los programas de televisin.
En un sentido, la Web representa la extensin del modelo de negocio de los medios a las
industrias de todo tipo. Los ejemplos ms conocidos son el caso de Google y Facebook, los
cuales ofrecen servicios de bsqueda de contenidos y redes sociales respectivamente,
obteniendo la rentabilidad de terceras partes mediante la publicidad de los productos.
8.2.3 Freemium
Freemium procede de la fusin de las palabras Free y Premium. Ese juego de palabras
queda muy ingls, pero al pasarlo al espaol suena algo peor, algo as como Gratis-Pago.
Tras la lectura completa del libro he llegado a la conclusin de que el autor desarrolla con
ms coherencia los posibles modelos de negocio basados en el concepto de gratis-pago que
los supuestos modelos de gratuidad en Internet.

76
Una versin gratuita de un producto bsico se pone a disposicin de cualquiera que lo desee
en la espera que algunos usuarios luego de optar por actualizar a la versin paga Premium, la
cual que tiene ms funcionalidades.
Figura 40: Freemium
El modelo de negocio Freemium es muy ampliamente utilizado en la Web. En realidad, esta

se da a la gente una muestra gratis de tratar de conseguir que los usuarios queden
suficientemente enganchados para pagar una mejor versin que cuenta con ms
funcionalidades. El ejemplo ms conocido en la actualidad es Spotfy que utiliza este modelo.
En lneas generales, en los modelos Fremium Webs el 5% de los usuarios soportan a todos
los dems, es decir, que por cada usuario que paga por la versin Premium del sitio, otros
diecinueve obtener la versin libre bsica. La razn por la que esto funciona es que el costo
del servicio de los diecinueve marginal.
8.2.4 Non-Monetary Market

En algunos mercados, el dinero no cambia manos en absoluto. Gente regala o da cosas el uno
al otro sin ningn ulterior motivo o expectativas de futuro pago alguno.

77
Figura 41: Non-Monetary Market
Esta es la razn por Wikipedia tiene millones de artculos y por qu Freecycle ofertas
millones de artculos de segunda mano. La gente escribe artculos para Wikipedia con el fin
de llegar a ser reconocido en lugar de que estn siendo pagados. Del mismo modo, Freecycle
permite a las personas limpian a cabo su el desorden de una manera socialmente aceptable.
Los incentivos para compartir pueden ir desde la reputacin, diversin, buen karma, la
satisfaccin y simplemente el inters propio.

78
9 Propuesta de Modelo de Negocio Basado en Big Data para
Operadores Mviles
Es difcil predecir los modelos de negocio que se podrn generar a partir de Big Data en la
industria de telecomunicaciones mviles. Pero cada uno debera estar apoyar en un vertical
diferente bajo las reglas existentes de la industria correspondiente (telecomunicaciones,
financiera, transporte, retail, bancario, salud, seguridad, etc). Por ejemplo, en el entorno
bancario no se podra hacer nada sin previamente realizar acuerdos con entidades bancarias e
instituciones de pago.
En mi opinin, creo que un camino claro y convincente slo se puede determinar mediante el
examen de las posibilidades estratgicas en cada etapa de la cadena de valor de los datos en
forma individual. Con este enfoque, las empresas pueden tomar decisiones estratgicas
inteligentes sobre dnde construir orgnicamente, dnde adquirir externamente, o cuando
para permitir a las asociaciones estratgicas.
Al nivel ms simple, hay cuatro etapas principales a tener en cuenta para cada cadena de
valor de los datos. Se toma los datos de trfico GPS en la industria de transporte como un
ejemplo fcil de entender cmo se puede ver a continuacin.
Figura 42: Cadena de Valor de los Datos
En primer lugar, est la etapa de generacin de datos (Data Generation). Para cualquier flujo
de datos que existe en absoluto, alguna entidad tiene que recoger los datos en que se

79
origina. Los datos de trfico que tradicionalmente ha sido generada por sensores de carretera
que son propiedad de los municipios y gobiernos locales. ltimamente, sin embargo, las
empresas basadas en aplicaciones de telfonos inteligentes como Waze han sido pioneros de
trfico plataformas de recogida de datos de multitud de fuentes que eventualmente podran
hacer que los sensores de trfico obsoleto.
En segundo lugar, hay un repositorio de datos (Data Repository). En esta etapa, los datos en
bruto se almacenan en un BDL y se combina con datos de otras fuentes para prepararse para
la interpretacin futuro. Para los datos de trfico, los municipios suelen almacenar los datos
en sus propios servidores o pueden externalizar esta tarea a una empresa de depsito de datos
de terceros.
En tercer lugar, un motor de inteligencia (Intelligence Engine) se aplica a los datos mediante
Advanced Analytics & Data Mining que proporciona la utilidad de los datos. Garmin y otros
fabricantes de GPS se basan en los motores de inteligencia avanzada de NAVTEQ (y sus
competidores) para interpretar los datos de sensor de trfico para proporcionar informacin
de trfico utilizable por dispositivos GPS.
Uso de datos (Data Usage) es la ltima etapa de la cadena, en la que las salidas del motor de
inteligencia se convierten en un valor tangible. Este valor puede provenir de una experiencia
directa del usuario, como en el caso de un propietario de Garmin que notific que su viaje
ser de 10 minutos ms de lo previsto, o se comunique con un "sistema inteligente" en el que
las seales de trfico se ajustan automticamente en funcin del trfico actual fluir.
Mediante la evaluacin de la cadena de valor de los datos, se puede observar que los
diferenciadores competitivos en cada etapa son muy diferentes. Cada entidad compite con
mayor eficacia al especializarse en lo que mejor saben hacer. Por ejemplo, al confiar en
NAVTEQ para manejar el desarrollo del motor de Inteligencia y mejora, Garmin puede
centrarse en la creacin de la mejor interfaz posible al cliente, innovando la pantalla tctil,
grficos y otras variables del propio dispositivo.
En relacin a las Telcos con respecto a la cadena de valor de los datos, la generacin de valor
de la primera etapa de la cadena es estratgica debido a que los operadores tienen mltiples
fuentes de generacin de grandes volmenes de datos cmo se vio en secciones anteriores. La
segunda etapa se podra cubrir con una inversin de un BDL sin mayores inconvenientes a
cualquier proveedor de estas soluciones (IBM, Oracle, EMC, Teradata, etc). Mientras que la

80
tercera y cuarta etapas creo que los operadores mviles tienen su fortaleza en la generacin
de valor en su misma industria donde conocen la problemtica del negocio y las regulaciones
de los pases donde operan. De esta forma, se podr utilizar para mejorar el revenue del
modelo de negocio actual mediante las tcnicas descriptas en la Seccin 7.4.
Previendo esto, creo que lo que podra ocurrir, despus de que la cadena de valor de la
explotacin de los datos evolucione, que los operadores deberan agregar valor en forma
diferencial en las dos primeras etapas a otras industrias, es decir, en las etapas de generacin
y agregacin de datos en un repositorio. Mientras que las dos etapas restantes, inteligencia y
uso de los datos, deberan desarrollarlo mediante socios (partners) de cada industria
respectiva y llegar a un modelo de negocio transaccional Three-Party Market cmo se indica
en la Figura 43 (Seccin 8.2.2). De esta forma, mediante un e-Marketplace vertical del tipo
B2B de servicios y datos en que las tarifas estn ajustadas en funcin de la oferta y la
demanda donde cada vertical tendr su evolucin por industria. Creo que este modelo ser
muy beneficioso tanto para los operadores como para los consumidores de datos agregados,
es decir, los socios.
Figura 43: Modelo de Negocio Propuesto

81
La incgnita a resolver es porque un cliente aceptara los trminos y condiciones de
compartir los datos generados a travs de sus dispositivos mviles. Esta problemtica creo
que se resolvera si el cliente recibiera un atractivo incentivo que lo motivara a compartir los
datos cmo un descuento en el servicio o servicios adicionales de su inters al mismo precio,
upgrade del plan actual, descuento en la compra de dispositivos mviles, acceso gratis a
nuevas tecnologas (4G, 5G, etc), paquetes de roaming para viajeros, etc.

82
10 Conclusiones y Recomendaciones
El ecosistema conformado por los grandes jugadores de internet y las telecomunicaciones
mviles como las conocemos hoy se ha convertido altamente competitivo, presentando
grandes interrogantes sobre su futuro no slo lejano sino inmediato. En este contexto, los
jugadores de la industria de las telecomunicaciones mviles han sido impactados por el
surgimiento de nuevos modelos de negocio, afectando la distribucin de poder. Las Telcos se
ven cada vez ms amenazadas debido a que los servicios de los OTTs son ms innovadores,
tiempo de lanzamiento anticipado, con GUI amigables y, si bien estn en silos debido a que
no son interoperables con servicios de otras apps, se viralizan rpidamente en las
comunidades por el efecto de red. Se estima que para el 2016 las empresas de
telecomunicaciones mviles estarn perdiendo U$S52bn en el servicio de Voz y U$S54bn en
servicio de SMSs. El trfico MBB crece exponencialmente a partir de la era de los datos pero
sus ingresos tienden a estancarse provocando un gap cada vez mayor entre ambos. Este
desajuste se debe a que inicialmente las empresas de telecomunicaciones mviles lanzaron
planes ilimitados a tarifa plana para impulsar los el uso de datos mviles. En consecuencia,
las Telcos se encuentran frente al gran el desafo de revertir la situacin en los prximos aos
realizando un cambio estratgico para no perder rentabilidad a largo plazo frente a las
empresas de internet. De continuar con el modelo de negocio tradicional One-sided Market y
servicios actuales, las empresas de telecomunicaciones mviles perdern la pulseada frente a
las empresas de internet.
El trfico de datos mviles est creciendo exponencialmente alcanzando volmenes sin
precedentes. Esto se debe principalmente al creciente nmero de dispositivos mviles, a la
evolucin tecnolgica de dichos dispositivos y las redes mviles, y la creciente cantidad
aplicaciones en el mercado. Los datos de una organizacin pueden ser tanto estructurados
cmo no estructurados y obtenidos de mltiples fuentes de informacin que, por lo general,
corresponden a fuentes internas o externa a la organizacin. En particular, las Telcos tienen
vastas fuentes de datos consideradas externas tales como redes sociales, video streaming,
audio streaming, chatting, calls, GPS, etc. pero son esencialmente todos los datos de los
clientes pasa a travs de sus pipes para acceder a servicios brindados por distintas
aplicaciones mediante sus dispositivos mviles, es decir, es el trfico de datos de los clientes

83
que atraviesan las redes de los operadores para acceder el servicio brindado por las OTTs. En
estos datos se encuentran activos econmicos de un inmenso valor. Es de gran inters en las
empresas explotar estos datos pudiendo utilizar el valor de estos activos. En estos datos se
puede extraer toda la informacin y tener una visin 360 del cliente. Un operador mvil
puede conocer la ubicacin del cliente, los dispositivos que utiliza, el segmento el cliente
pertenece, que servicios y aplicaciones utiliza, que calidad experimenta, la experiencia de uso
percibida, los elementos de red intervinientes en el servicio y, sobre todo, poder determinar
patrones de comportamiento en distintos momentos.
Mediante soluciones de Big Data (BDL), que son bsicamente repositorios para manejar
grandes volmenes de datos que, a diferencia de un EDW tradicional, pueden almacenar y
manejar una cantidad masiva de datos estructurados, semi-estructurados y no estructurados
en su forma cruda en sistemas de almacenamiento de bajo costo por ser un commodity. Este
proporciona la capacidad de realizar anlisis de una lnea de negocios especfica y aun
presentando una visin global de la empresa. Los metadatos son mantenidos durante el
tiempo que se necesite para la trazabilidad, la historia y la necesidad de futuros refinamiento
de los datos. Proporciona la capacidad de utilizar los datos para los beneficios empresariales
en tiempo casi real, con la capacidad de mostrar informacin rpidamente y permitir BI gil.
La evolucin de la explotacin de los datos en los operadores mviles pareciera tener un
avance natural a medida que va conocindose qu hacer con los mismos. En la primera etapa,
el objetivo debiera ser el de proporcionar datos para la propia empresa con el fin de tomar
mejores decisiones. Las soluciones de Big Data pueden ayudar a mejorar el modelo de
negocio actual mejorando la satisfaccin mediante CEM, permitiendo la reduccin del churn,
reducir el OPEX y hacer las inversiones de infraestructura de red optimizadas en mejorar la
experiencia del usuario. En la etapa final, el operador debe trabajar en nuevos modelos de
negocios y nuevas formas de monetizacin proporcionando datos a terceras empresas, con el
fin de conseguir que estas tomen mejores decisiones basadas en el conocimiento que el
mercado les pueda proporcionar y llegar a un e-Marketplace vertical del tipo B2B de datos
agregados y servicios. De esta forma, mediante un modelo de negocio transaccional Three-
Party Market agregar valor a otras industrias permitiendo generar nuevos ingresos y
recuperar la competitividad. De esta forma, los proveedores de servicios pueden pasar de
brindar servicios tradicionales, los cuales se estn convirtiendo en commodities donde la

84
nica diferenciacin frente a la competencia de otros operadores es la calidad y sin poder
competir frente a los servicios de los OTTs, a brindar servicios innovadores de forma tal que
sea diferencial frente a la competencia de los OTTs.
Para alcanzar el xito en la incorporacin de una estrategia de la explotacin de los datos
mediante BDL en las empresas de telecomunicaciones, se deben realizar un cambio de diseo
organizacional y cultural que permita integrar en forma centralizada mediante un Chief Data
Officer (CDO) las reas de ingeniera, IT y servicio al cliente que actualmente trabajan en
forma de silos. Esto se debe a que una plataforma de estas caractersticas permite agregar
valor al negocio mediante la integracin de informacin complementaria, es decir, cada una
de las reas con informacin de las otras reas, de los clientes y el mercado permitira
alcanzar la prxima generacin de resultados.
Finalmente, para que un modelo de negocio de estas caractersticas llegue a tener xito y sea
sustentable creo que se debe conseguir llegar a un punto en que la sociedad en su conjunto y
las personas que la componemos tengamos ms confianza, y participamos ms en la
comparticin de datos, veremos de una manera ms abierta y transparente que las nuevas
generaciones de nuestra sociedad heredan estas dos propiedades: sern ms abiertas y sern
ms transparentes. Si nos comportamos de manera cerrada, poco participativa y desconfiada,
generaremos una sociedad desconfiada y poco participativa. Hay que empezar a apartar los
fantasmas, poner las reglas adecuadas donde las tenga que haber, y apartar todas las historias
de espas. Se conocen demasiados casos de infracciones, que no representan el
comportamiento de la mayora de las empresas, quines ya se rigen por una serie de normas y
las cumplen.

85
11 Referencias y Bibliografa
Ahn, Han, Lee (2006). Customer churn analysis: Churn determinants and mediation
effects of partial defection in the Korean mobile telecommunications service
industry.
Amin, Feizi (2014). Big Data Strategy for Telco: Network Transformation.
International Journal of Social, Human Science and Engineering Vol: 8 No: 2.
Capgemini (2014). Traditional BI vs. Business Data Lake A comparison.
Chris Anderson (2013). Free: The Future of a Radical Price. Hyperion, New York.
Dasgupta, Joshi, Koustuv, Singh, Viswanathan, Chakraborty, Mukherjea, Nanavati
(2008). Social Ties and their Relevance to Churn in Mobile Telecom Networks.
University of Maryland Baltimore County & IBM India Research Lab.
Ferreira, Vellasco, Pacheco, Barbosa (2008). Data mining techniques on the
evaluation of wireless churn. European Symposium on Artificial Neural Networks, d-
side publi., ISBN 2-930307-04-8, pp. 483-488.
IBM (2013). IBM Investor Briefing. IBM Inc.
Kawale, Pal, Srivastava (2009). Churn Prediction in MMORPGs: A Social Influence
Based Approach. Department of Computer Science and Engineering, University of
Minnesota.
Kearney (2010). A Viable Future Model for the Internet. A. T. Kearney Inc.,
Marketing & Communications.
Hadden, Tiwari, Roy, Ruta (2010). Churn prediction using complaints data.
Proceedings of World Academy of Science, ISSN 1307-6884.
Kotler (1994). Marketing Management. Prentice-Hall, New Jersey, (Chapter 4).
Kusuma (2013). Extending traditional telecom churn prediction using social network
data. Leiden Institute of Advanced Computer Science , Leiden University, Internal
Report 201303.
Kusuma, Dejan Radosavljevik, Takes, Putten (2013).Combining Customer Attribute
and Social Network Mining for Prepaid Mobile Churn Prediction. Leiden Institute of
Advanced Computer Science, Leiden University, P.O. Box 9512, 2300 RA.

86
Leventhal (2010). An introduction to data mining and other techniques for advanced
analytics. Journal of Direct, Data and Digital Marketing Practice, 12(2), 137-153.
Pushpa & Shobha (2012). Social Network Analysis for Churn Prediction in Telecom
Data. International Journal of Computer & Communication Technology ISSN
(PRINT): 0975 7449, Volumen-3, Issue-6, 7, 8.
Rajeshwari (2009). Customer Analytics on Telecom Churn. School of management,
SRM University, Kattankulathur 603203.
Schumann y Thorson (2007). Internet Advertising: Theory and Research. Lawrence
Erlbaum.
Spiess, TJoens, Dragnea, Spencer, and Philippart (2014). Using Big Data to
Improve Customer Experience and Business Performance. Bell Labs Technical
Journal 18(4), 317 Alcatel-Lucent.
Hub de Innovacin de Telefnica http://blog.digital.telefonica.com/es/tag/big-data/
Otros:
Ph.D. Ing. Rodriguez Pablo. Director of Research and Innovation and Head of the
Barcelona R&D lab at Telefonica Digital. www.rodriguezrodriguez.com.
Ph.D. Ing. Frias-Martinez Enrique. Research Scientist at Telefonica Research in
Computer Science in Mobility, Big Data, Urban Computing & Big Data for Social
Good. www.enriquefrias-martinez.info.

87

(P) (W) T. M. Ges. Manso, Fernando

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

(P) (W) T. M. Ges. Manso, Fernando

Încărcat de

Drepturi de autor:

Formate disponibile

Anlisis de Modelos de Negocios

Basados en Big Data para

Alumno: Ing. Fernando Manso

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

4.1 Planteo de la problemtica seleccionada

4.2 Contribucin e importancia (acadmica y empresarial)

MGSTT, Universidad de San Andrs, 2015

4.3 Objetivo y alcance de la investigacin

4.4 Hiptesis de trabajo

MGSTT, Universidad de San Andrs, 2015

4.5 Preguntas de anlisis

4.6 Metodologa de investigacin

4.7 Definicin de fuentes primarias y secundarias de informacin

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

5.2 Evolucin de las Telecomunicaciones Mviles

MGSTT, Universidad de San Andrs, 2015

La Unin Internacional de Telecomunicaciones (UIT) cre un comit para definir las

MGSTT, Universidad de San Andrs, 2015

5.2.2 Segunda generacin (2G): Popularizacin

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

5.2.4 Tercera generacin (3G)

MGSTT, Universidad de San Andrs, 2015

5.2.5 Cuarta Generacin (4G): La actualidad

5.2.6 Quinta Generacin (5G): El Futuro

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

5.5 Modelo de Negocio Actual

MGSTT, Universidad de San Andrs, 2015

Figura 4: Modelo de Negocio Actual de una Telco

5.6 Problema en la Sustentabilidad del Modelo de Negocios Actual

MGSTT, Universidad de San Andrs, 2015

Figura 5: Perdida de Ingresos de Operadores Mviles de Voz frente a los OTTs

Figura 6: Perdida de Ingresos de Operadores Mviles de SMSs frente a los OTTs

MGSTT, Universidad de San Andrs, 2015

Figura 7: Trafico Vs Ingresos

Este desajuste se debe a que inicialmente las empresas de telecomunicaciones mviles

MGSTT, Universidad de San Andrs, 2015

Figura 8: Problema estructural en el pricing en los operadores mviles

De la Figura 9, donde se compara las estructuras de los estados de resultados de grandes

MGSTT, Universidad de San Andrs, 2015

En consecuencia, las Telcos se encuentran frente al gran el desafo de revertir la situacin en

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

6.1 Qu es Big Data

MGSTT, Universidad de San Andrs, 2015

6.2 Busisness Intelligence Tradicional Vs Busisness Data Lake

MGSTT, Universidad de San Andrs, 2015

6.2.1 Enfoque tradicional del BI

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

6.2.2 Busisness Data Lake

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

MGSTT, Universidad de San Andrs, 2015

6.3 Advanced Analytics