martes, 22 de octubre de 2013

Big Data y la Innovación Global en Servicios Actual y Futura

La Innovación Tecnológica siempre nos sorprende con su rapidez y beneficios, así como la influencia que ejerce en nuestro diario vivir actual y futuro. Pero específicamente ¿qué es Big Data? ¿Por qué tanta relevancia hoy en día con esta revolución tecnológica? ¿En qué podemos observar sus aplicaciones tecnológicas? ¿Cómo nos beneficia actualmente? ¿Qué nos depara el futuro del Big Data? Estos y otros puntos, son los que abordaremos a continuación en el presente artículo.

Evolución Histórica del Concepto de Big Data.-

Hablar de los orígnes del "Big Data" es complicado y relativo, dependiendo del punto de vista desde el cual se aborde. Sin embargo, si lo vemos desde una óptica macro e histórica, es más fácil su dilucidación, sus efectos en los Servicios a nivel global (tema que habíamos hablado con anterioridad en artículo anterior sobre Diseño de Servicios 1). Los orígenes del Big Data comienzan muchos años antes del "rumor del mismo Big Data". Ya hace setenta años, tal como lo sostiene Gil Press (2), nos encontramos con los primeros intentos de cuantificar la "tasa de crecimiento el volumen de datos o lo que se conoce como "La Explosión de la Información" (términos utilizado por primera vez en 1941, Diccionario Oxford, en inglés). Podemos resumir el surgimiento del concepto mediante hitos históricos sobre el dimensionamiento de los "Grandes Volúmenes de Datos o Big Data", así como las primeras ideas sobre Big Data y las observaciones relativas a los datos o explosión de la Información.

1944: Fremont Rider, bibliotecario de la Universidad de Wesleyan, publica "The Scholar and the Future on the Research Library", donde estima que las bibliotecas universitarias americanas duplicarán su tamaño cada 16 años. Dada esta tasa de crecimiento, especula que la biblioteca de Yale en 2040 tendrá aproximadamente 200 millones de volúmenes, que ocuparán más de 6.000 kilómetros de estanterías, lo cual requerirá personal de categorización de estanterías del orden de 6.000 personas.
1961: Derek Price, publica "Science Since Babylon", en donde traza el crecimiento de los conocimientos científicos al ver el crecimiento del número de publicaciones y trabajos científicos. Llega a la conclusión de que "el número de nuevas revistas ha crecido de manera exponencial y no lineal, duplicándose cada 15 años, multiplicándose su crecimiento por un factor de 10 cada medio siglo". Price denomina a esto "Ley de Crecimiento Exponencial", explicando que "cada avance genera nuevo avances a una tasa de crecimiento constante razonable, por lo que el número de generación de nuevo conocimiento es estríctamente proporcional al tamaño de la población de los descubrimientos en cualquier momento dado".
1967: BA Marron y P.A.D de Maine publican "Automatic Data Comprenssion", en The Communication of the ACM, afirmando que "la explosión de la información de los últimos años hace que sea esencial que los requerimientos de almacenamiento de toda la información se deduzca al mínimo". El documento describe un compresor de tres partes totalmente automático y rápido para reducir en gran medida los requisitos de almacenamientos externos lentos, y poder aumentar la tasa de transmisión de información a través de un ordenador.
1975: El Ministerio de Correos y Telecomunicaciones de Japón comienza la realización del "Censo de Flujo de Información" que busca llevar a cabo el seguiemiento del volumen de información que circula por Japón (idea sugerida por primera vez en un documento en 1969). El Censo presenta "las cantidades de palabras" como unidad de medida para la unificación en todos los medios. El Censo en 1975 ya considera que la oferta de información está aumentando mucho más rápido que el consumo de información, y en 1978 se informa que "la demanda de información proporcionada por los medios de telecomunicación (caracterizada por comunicaciones de dos vías) se ha incrementado drásticamente. Sostienen que la Sociedad se está moviendo hacia una nueva etapa en el que se coloca más prioridad en la Información Segmentada, más detallada para satisfacer las necesidades individuales, en lugar de Información Convencional Masificada.
1980: A. Tjomsland dicta una charla titulada "¿Hacia Dónde Vamos desde Aquí?" en el Fourth Symposium on Mass Storage System, donde sostiene que "aquellos que están asociados con dispositivos de almacenamiento, ya hace tiempo se han dado cuenta de que la primera Ley de Parkinson puede ser parafraseada para describir a la industria. Los Datos se expanden para llenar el espacio disponible, creo que se retienen grandes cantidades de datos, ya que los usuarios no tienen forma de identificación de datos obsoletos, por lo que las sanciones al almacenamiento de datos obsoletos son menos datos potencialmente útiles".
1983: Ithiel de Sola Pool, publica "Tracking the Flow of information", en Science. En base a las tendencias de crecimiento en 17 importantes medios de comunicación desde 1960 a 1977, concluye que "las palabras a disposición de los estadounidenses (mayores e 10 años) a través de los medios de comunicación, crecieron a un ritmo de 8,9% al año, es decir, en efecto se generan a partir de los medios de comunicación en apenas 2,9% por año. En el período de observación, gran parte del crecimiento en el flujo de información se debió al crecimiento en la radiodifusión. Pero hacia el final de ese período (1977), la situación cambió, dado que los medios de comunicación de punto a punto estaban creciendo más rápido que la radiodifusión. Pool, Innose, Takasaki y Hurwitz siguen en 1984 con "Communications Flows: A Census in the United States", un libro donde comparan los volúmenes de información que se producen en Estados Unidos y Japón.
1996: El Almacenamiento Digital se vuelve más rentable para el Almacenamiento de Datos en Papel, de acuerdo a  R.J.T. Morris y B.J. Trukowski, en "The Evolution of Storage System", IBM System Journal, Julio 1º de 2003.
1997: Michael Cox and David Elsworth publican "Application Controlled Demand Paging for Out of Core Visualization" en las actas de la 8º Conferencia IEE sobre Visualización. Comienzan el artículo con el hecho de que la Visualización ofrece un interesante desafío para los sistemas informáticos: los Conjuntos de Datos son generalmente bastante grandes, gravados en la capacidad de memoria principal, discos locales y discos remotos. Llamaron a esto "Problem of Big Data". Cuando los conjuntos de datos no caben en la memoria principal (en el núcleo), o cuando no caben incluso en un disco local, la solución más común es adquirir más recursos. Es el primer artículo de la biblioteca digital de ACM en utilizar el término "Big Data".
1998: John R. Marsey, Jefe Cientifico de SGI, presenta en una reunión USENIX un artículo titulado "Big Data and the next Wave of Infrastress".
1998: K.G. Coffman y Andrew Odlysko publican "The Size and Growth Rate of the Internet". Llegan a la conclusión de que la tasa de crecimiento del tráfico en la Internet Pública mientras más baja es a menudo citada, sigue siendo alrededor de 100% por año, muy superior al tráfico en otras redes. Por lo tanto, si las tendencias de crecimiento actuales continúan, el tráfico de datos en los Estados Unidos superará el tráfico de voz hacia el año 2002 y será dominado por la Internet. Odysko luego establece los estudios de tráfico de Internet de Minnesota (MINTS), haciendo un seguimiento del crecimiento en Internet desde 2002 a 2009.
2000: Peter Lyman y Hal R. Varian en la UC Berkley publican "How Much Information?". Es el primer estudio exhaustivo para cuantificcar, en términos de almacenamiento informático, el importe de la nueva información original (sin contar copias) creado en el mundo anualmente y almacenado en soportes físicos (papel, película, óptico -CD o DVD- y de manera magnética). El estudio revela que en 1999, el mundo produjo alrededor de 1,5 exabytes de información única, o alrededor de 250 megabytes por cada hombre, mujer y niño en la Tierra. También considera que "se crea una gran cantidad de informacón única y almacenada por los individuos (denominado Democratización de la Información), y que no sólo es la producción de información digital más grande en su totalidad, es también el más rápido crecimiento acontencido (a lo cual denominan "Dominio de la Tecnología Digital"). Lyman y Varian sostienen que "aún hoy en día, la mayoría de la información textual nace de los digital, y dentro de unos años esto será cierto para las imágenes también. Un estudio similar realizado en 2003 por los mismos investigadores, encontrarán que en el mundo se prudujo alrededor de 5 Exabytes de información nueva en el 2002 y que el 92% de la nueva información se almacenó en medios magnéticos, sobre todo en discos duros.
2000: Francis X. Diebold presenta en el VII Congreso Mundial de la Sociedad Econométrica, un artículo titulado "Big Data Dymanics Factor Model for Macroeconomic Measurement and Forecasting", en el que señala que recientemente en la ciencia, tanto físicos, biólogos o sociólogos se han visto obligados a afrontar el Big Data (beneficiándose de él). Grandes Volúmenes de Datos se refieren a la explosión en la cantidad y a veces calidad de los datos disponibles y potencialmente pertinentes, en gran parte de los resultados de avances recientes (y sin precedentes) en el registro de datos y la tecnología de almacenamiento".
De esta forma, otros investigadores como Doug Laney, Tim O´Reilly, John F. Gantz, David Reinsel, Bret Swanson, George Gilder, Randal E. Bryant, Randy H. Katz, Edward D. Lazowka, Roger E. Bohn, James E. Short, Keneth Cikier, Martin Hilbert, Priscilla Lopez, James Manyka, Michael Cui, Brad Brown, Jacques Bughin, Richard dobbs, Charles Roxburg, Angela Hung Byers, entre muchos otros también hicieron sus aportes al respecto (los cuales se detallan en el artículo en cuestión), hasta llegar a 2012 con Dana Boyd y Kate Crowford quienes publican "Critical Question for Big Data", donde ellos definen al Big Data como "un fenómeno Cultural, Tecnológico y Académico que se basa en la interacción de tecnología (potencia de cálculo maximizador y precisión algorítmica para reunir, enlazar y comparar conjunto de datos grandes); así como también de Análisis (dibujo de grandes conjuntos de datos para identificar patrones para las necesidades de reclamaciones económicas, sociales, técnicas y logales); y por último Mitológicas (la creencia generalizada de que los conjuntos de datos de gran tamaño ofrecen una forma más elevada de la inteligencia y el conocimiento que pueden generar ideas que antes eran imposibles, con el aura de la verdad, la objetividad y la precisión)".

 Definción de Big Data.-
Luego de verificar los orígenes históricos del Big Data, ¿podemos responder a la pregunta de qué es Big Data?
Big Data (Grandes Volúmenes de Datos) hace referencia a los Sistemas que manipulan grandes y complejos conjuntos de datos (Data Sets), que se hace difícil procesarlos con herramientas de gestión de base de datos o aplicaciones tradicionales de procesos de datos. Los desafíos del Big Data incluyen "la Captura, Almacenamiento, Búsqueda, Poder Compartir, Análisis y Visualización de Datos", en donde la tendencia es a manipular ingentes cantidades de datos, se debe a la derivable información adicional a partir del análisis de un solo gran conjunto de datos relacionados, en comparación con la separación de conjuntos más pequeños con la misma cantidad total de datos, permitiendo que las correlaciones que se pueden encontrar para "detectar tendencias de negocios", determine la calidad de la investigación, la prevención de enfermedades, combatir el delito y determinar las condiciones de tráfico de carretera en tiempo real"(3). De esta forma, a partir de 2012 los límites de tamaño de los conjuntos de datos que sean factibles de procesar en un período razonable de tiempo, eran del orden de "Exabyte"(4) de Datos (lo cual me hace relacionar mentalmente al tema del Big Data la "Ley de Moore y la Potencia de Micro Procesamiento, la Ley de Almacenamiento Digital Masiva y la Ley de Metcalfe, la Economía de Redes" como los Impulsores Tecnológicos de la Infraestructura de Tecnología de la Información y Comunicaciones al tema en cuestión) (5).

Los científicos se encuentran con regularidad con limitaciones debido a los grandes conjuntos de dato en muchas áreas, inlcuyendo la "meteorología, la genómica, conectómica, simulaciones físicas y complejas, así como la investigación biológica y ambiental". De igual forma, las limitaciones también afectan la búsqueda de Internet, Finanzas y Negocios de la Informática. Los conjuntos de datos crecen en tamaño, en parte debido a que cada vez más se reúnen datos en dispositivos móviles omnipresentes de detección de información, tecnologías de áreas sensoriales (teledetección), registros de software, cámaras, micrófonos, lectores de identificación por radiofrecuencia y redes de sensores inalámbricos. Se clacula que la capacidad per cápita tecnológica del mundo para almacenar la información "se ha duplicado cada 40 meses desde la déaca de 1980". A partir de 2012, todos los días 2,5 trillones de bytes de datos fueron creados. El reto para las grandes empresas es "determinar quién debe poseer las grandes iniciativas de datos que se sitúan en toda la organización".
A continuación, un video donde se explica el concepto de Big Data y sus orígenes:



El Big Data es difícil de trabajar con uso de software y aplicaciones de gestión de base de datos relacionales, y la mayoría de las estadísticas de escritorio y paquetes de aplicaciones de Visualización, lo que implica requerir de "procesamiento paralelo masivo que se ejecute en decenas, cientos o incluso miles de servidores en su lugar. ¿A qué se considera Big Data?
Varía dependiendo de la capacidad de la organización de gestión conjunta, así como de las capacidades de aplicaciones que se utilizan tradicionalmente para procesar y analizar los datos que configuran su dominio de acción. Para algunas organizaciones, enfrentar cientos de gigabytes de datos por primera vez puede desencadenar la necesidad de reconsiderar las opinones de gestión de datos. Para otros, puede tomar decenas o cientos de terabytes antes de que los datos se conviertan en una consideración importante.

El Concepto de Big Data por lo general incluye "los conjuntos de datos con tamaños más allá de la capacidad de la herramientas de software utilizadas para Capturar, Co-Adjunta, Gestionar y Procesar los Datos dentro de un tiempo transcurrido tolerable". El Big Data tiene un objetivo en constante movimiento, que a partir de 2012 va desde unas pocas decenas de terabytes a muchos petabytes de datos de un solo conjunto de datos. Por tal motivo, no es de extrañar que muchos usuarios comunes y corrientes, hoy en día se nos presente la necesidad de tener que trabajar con equipos computacionales (fijos y móviles), incluso unidades de almacenamiento externas con capacidades sobre 1 terabyte, o en su defecto con capacidades similares de almacenamiento en el Cloud -modelo de computación en la Nube-.

El Objetivo se mueve debido a la constante mejora en la tecnología de DBMS (Sistema de Gestión de Base de Datos ) tradicional, así como consecuencia de las nuevas bases de datos como NoSQL y su capacidad para manejar grandes cantidades de datos. Con esta dificultad, se están desarrollando nuevas plataformas de Big Data, como herramientas para manejar varios aspectos de grandes cantidades de datos.
En un informe de investigación de 2001 y conferencias relacionadas a Meta Group, el analista Doug Laney define los "Retos y Oportunidades del Crecimiento de Datos" tales como La Velocidad en Tres Dimensiones, la cual se refiere al aumento del volumen de datos (cantidad de datos, velocidad de datos interna y externa, y la variedad o gama de tipos de datos y fuentes)". Tanto Gartner como gran parte de la industria, siguen utilizando este modelo "3Vs" para describir los grandes volúmenes de datos(6).

Big Data y la Innovación Global de Servicios (Actual y Potencial de Futuro).-

Como podemos darnos cuenta ahora, el tema del Big Data no es nuevo en cuanto a sus orígenes. Sin embargo, las consecuencias de esta "Innovación Tecnológica" está tomando ribetes insospechados actualmente, tanto en temas de oportunidades de negocios, así como oportunidades de Innovación y Evolución en todo ámbito de temas, áreas e industrias (incluso en nuestros hábitos diarios como consumidores y ciudadanos comunes y corrientes).

Aplicaciones del Big Data Actualmente.
Según Luis Martin (7), la primera gran necesidad del Big Data es el propio almacenamiento de datos. Cuando se llega a esta magnitud, es difícil diseñar una estructura monolítica que pueda albergar toda la información. Se imponen "soluciones distribuidas" que permitan el acceso a las fuentes de información de forma unificada. En muchas aplicaciones para Internet, es neceario además que estos datos se almacenen y procesen rápidamente para ofrecer "análisis en tiempo real". Es necesario también considerar la naturaleza y estructura de los datos, que en estos casos suele ser bastante heterogénea. Las soluciones basadas en "bases de datos relacionadas (NoSQL)" ofrecen una mejor adaptación a este escenario que otras tradicionales en la mayor parte de los casos.
Una vez conseguido dar con una "solución para el almacenamiento" y acceso de grandes cantidades de datos, un gran número de aplicaciones emergen de la posibilidad de realizar análisis sobre los mismos. La tecnología de análisis distribuido de los datos, tales como "Hadoop y MapReduce" ofrecen esta funcionalidad, abriendo un gran número de posibilidades de aplicación como las que se listan a continuación:
  • Sistemas de Recomendación: Utilizan la información de comportamiento de cada usuario para predecir sus intenciones e intereses, y ofrece así contenidos adecuados. Son muy utilizados en Comercio Electrónico.
  • Análisis de Sentimientos: Basándose en conversaciones públicas (EJ: Twitter, foros) y otros elementos 2.0, se intentan predecir los gustos y el comportamiento de cada usuario con finalidad de diferente tipo. 
  • Predicción de Catástrofes: Las grandes cantidades de datos disponibles se utilizan en la detección de eventos como incendios o terremotos, de tal manera que se pueda predecir su impacto y generar una reacción temprana.
  • Juegos: Ajedrés (Deep Blue) o preguntas (Watson) son ejemplos de programas que analizan grandes cantidades de datos de partidas para derrotar a contrincantes humanos.
  • Categorización  y Reconocimiento: De lugares, caras o personas, mediante el análisis del gran volumen de datos de este tipo disponible.
  • Medicina: La medicina genómica personalizada (aún en el campo de la investigación) analiza e integra datos genómicos y clínicos para el diagnóstico precoz y una mejor aplicación de las terapias.
  • Comportamiento Inteligente de Servicios Públicos: Utilizando la información proveniente de datos recopilados por sensores inteligentes puede mejorarse la distribución y consumo de recursos fundamentales como el agua o la energía eléctrica.
  • Modelos de Riesgos: Algunas entidades bancarias y firmas de inversión líderes, utilizan tecnologías de análisis de grandes cantidades de datos para determinar el riesgo de operaciones, evaluando un gran número de escenarios financieros hipotéticos.
  • Detección de Fraudes: Utilizando técnicas para combinar bases de datos de comortamiento de usuarios, y datos transaccionales pueden detectarse actividades fraudulentas, como por ejemplo, el uso de una tarjeta de crédito robada.
  • Monitoreo de Redes: Las redes de servidores producen una gran cantidad de datos que pueden ser analizados para identificar cuellos de botella o ataques. Este tipo de análisis puede aplicarse también a otros tipos de redes, tales como redes de transporte, con el fin por ejemplo, de optimizar el consumo de combustible.
  • Investigación y Desarrollo: Algunas empresas con fuerte componente investigadora, como las farmacéuticas, realizan análisis de grandes volúmenes de documentación (EJ: Artículos Científicos) y otros tipos de datos históricos para mejorar el desarrollo de sus productos.
  • Big Science y el Gran Colisionador de Hadrones: Los experimentos representan unos 250 millones de sensores para la entrega de datos de aproximadamente 40 millones de veces por segundo, resultando en la investigación del Colisionador de Hadrones, cerca de 600 millones de colisiones por segundo. Luego de filtrar y abstenerse de registrar más del 99,999% de estos flujos, hay 100 colisiones de interés por segundo. Como resultado, sólo trabajar con menos de 0,001% de los datos de la corriente de sensores, el flujo de datos desde todos los cuatro experimentos del LHC representa 25 petabytes de tasa anual de información antes de la replicación (a partir de 2012). Esto se convierte en cerca de 200 petabytes de información después de la replicación. Si todos los datos de los sensores debían registrarse en el LHC, el flujo de datos sería muy difícil de trabajar. El flujo de datos superaría los 150 millones de petabytes de tasa anual, o cerca de 500 exabytes por día,  antes de la replicación. Para poner el número en perspectiva, esto equivale a 500 trillones de bytes por día, casi 200 veces mayor que todas las otras fuentes combinadas en el mundo.
  • La Astronomía: Desde que el Sloan Digital Survey (SDSS) comenzó a recopilar dato astronómicos en el año 2000, se acumuló más datos en sus primeras semanas, que todos los datos recogidos en la historia de la astronomía. Siguiendo a un ritmo de alrededor de 200 GB por noche, el SDSS ha acumulado más de 140 Terabytes de información. Cuando el Gran Telescopio para Rastreo Sinóptico, sucesor del SDSS, se ponga en línea en el año 2016, se prevé la adquisición de esa cantidad de datos cada cinco días.
  • Descifrando el Genóma Humano: Se refiere al proceso PGH de investigación científica con el objetivo fundamental de determinar la secuencia de pares de bases químicas que componen el ADN e identificar y cartografiar los aproximadamente 20.000 - 25.000 genes del genoma humano desde un punto de vista físico y funcional. El proyecto dotado con 3.000 millones de dólares fue fundado en 1990 en el Departamento de Energía y los Institutos Nacionales de Salud de los Estados Unidos, bajo la dirección de Francis Collins, quién lideraba el grupo de investigación público, conformado por múltiples científicos de diferentes países, con un plazo de realización de 15 años. Gracias a la amplia colaboración internacional a los avances en el campo de la genómica, así como los avances en la tecnología computacional, un borrador inicial del genoma fue terminado en el año 2000. Finalmente, el genoma completo fue presentado en abril de 2003, dos años antes de lo esperado. Los secuenciadores de ADN humano han dividido el costo de secuenciación por 10.000 en los últimos 10 años, lo cual es un factor de 100 en comparación con la Ley de Moore.
Otras áreas en las cuales se aplica Big Data, se cuenta a las Ciencias Sociales Computacionales, Gobierno, Sector Privado, Desarrollo Internacional, e-Commerce, Deportes, Cultura, Sector Salud, Juegos Digitales, Ecucación, Espionaje (Caso Prism y Boundless Informant por parte de Estados Unidos y otras Naciones), Smart Cities o Ciudades Inteligentes (Servicios de Planificacón y Servicios, Seguriad Pública, Edificios Publicos y Planificación Urbana, Gobierno y Administración de Agencias, Producción de Información para Predicción de Amenaza y Prevención, Servicios de Infraestructura, Energía y Agua Inteligente, Base de Operaciones Inteligentes, Medio Ambiente, Transporte, Programas Sociales, entre muchos otros), etc., los cuales tratamos en la presente publicación digital, pero que por un tema de extensión sólo nombramos acá en el presente blog. Algunos vieos explicativos al respecto:
* Cómo el Big Data Transforma los Negocios:


* Big Data y el Deporte:



* Big Data en el Sector Salud:

 

Dentro de los Casos que tratamos más en extenso relacionados al Big Data y su influencia actual y futura en nuestro artículo, dice relación con los Casos de Espionaje de Países como Estados Unidos y otros (Prism y Boundless Informat), El Caso del Big Data y el Comportamiento de las Personas (Sector Telecomunicaciones y como se beneficia el Sector Salud), Big Data y la Educación (MOOCs, Massive Online Open Course), Caso Big Data y las Smart Cities, entre otros.



Por último, analizamos y presentamos Proyectos Big Data que impactarán la Vida de los Usuarios comunes y corrientes en sus vidas, tales como:
1º.- Tiempo de Tránsito en Nueva York.
2º.- Topografía de los Tweets.
3º.- Reloj de Homicidios en DC.
4º.- Falling Fruits.
5º.- Mapa Interactivo de prevalencia de VIH en los Estados Unidos, para encontrar sitios de prueba más cercanos a su hogar.
6º.- Yelp Hipster Watch, para bares y restaurantes en su ciudad que están de moda.

Como verán, el fenómeno del Big Data no es una moda tecnológica, es una verdadera revolución tecnológica que se está transformando en una verdadera Innovación Disruptiva en todo ámbito e industrias a nivel global, que más que generar una oportunidad de negocio, está permitiéndo a la sociedad evolucionar a un nuevo contexto social, cuyo objetivo no es otro que el de mejorar el nivel de vida de la ciudadanía (en este caso del ser humano sin discriminación alguna). Según mi punto  de vista, esto marca un precedente de un "antes y un después del Big Data", dado que si creemos que esto es una revolución (por la prerrogativa y capacidad de poder predecir eventos a partir de datos), lo que sucederá en el corto plazo será aún mayor y con un impacto inconmensuable. Es cosa de comenzar a "Pensar Fuera de la Caja", sin considerar los paradigmas bajo los cuales hemos y estamos  funcionando, para darnos cuenta del potencial del Big Data. Si sumamos la "automatización", la "aplicación de tecnologías de sensores", "el internet de las cosas", "la domótica", "las nuevas tecnologías emergentes (como realidad aumentada, tecnología holográfica, tecnología de impresión 3D, tecnología que permite la interacción con aparatos electrónicos y tecnológicos con la mente, la realidad virtual, entre muchas otras)", "la implementación  de ampliación geográfica para el internet wifi para los 5.000 millones de personas que aún no tienen acceso a internet a nivel global", "desarrollo de la Inteligencia Artificial (AI)", entre muchas otras, a quienes nos especializamos en estos ámbitos nos permite dimensionar apenas la punta del iceberg de desarollo tecnológico y humano que estamos a punto de afrontar.
Muchos podrán pensar que se trata de un guión de ficción de Hollywood, pero no, es una realidad que estamos y continuaremos viviendo, permitiéndonos mejorar la calidad de vida del ser humano ¿Cómo? A través de la Innovación en las Industrias actuales y Nuevos Servicios. Esto es fácil de verificar si analizamos la rapidez y profundidad como se están llevando a cabo Innovaciones no sólo en productos y servicios, sino por sobre todo en Modelo de Negocios que atañen a descubrimiento de oportunidades de negocio que involucran tecnología. Con esto no quiero decir la tecnología sea un pilar necesario para el desarrollo y aplicación de Innovación, ¡para nada!. Sin embargo, la influencia y participación crítica y necesaria para generar Innovación en el ámbito del área de la Industria de Servicios, eso sí es otra cosa. Esto se debe a que, como sabemos quienes estamos embarcados en el ámbito del Emprendimiento y la Innovacón, los "Servicios (que no son Escalables) para ser Escalables (y poder tener un horizonte de desarrollo y cobertura a nivel global), necesitan de la aplicación de la tecnología", tranformando los Servicios en Productos Tecnológicos, los cuales, utilizando bondades de Internet, permiten la Captura, Creación y Desarrollo, así como la Distribucón de Valor, de nuevos beneficios para consumidores/ usuarios/ ciudadanos/ ser humano en general, a través de nuevas Propuestas de Valor que ayudan a la sociedad a Solucionar su Problemas, a Satisfacer sus Necesidades de maneras que antes ni siquiera el mismo mercado habría considerado posible.
Por lo tanto, si me preguntan que nos depara el futuro del desarrollo tecnológico y la Innovación en Servicios, considerando el Big Data, me atrevería a decir que, lo que actualmente estamos viviendo es a pensas la punta del Iceberg.

1) HCGlobal Group, Hugo Céspedes A., "Service Design y la Nueva Economía Global de Servicios",
2) Forbes, Gil Press, "A Very Short History of Big Data", 09/05/2013.
3) The Economist, Data, data everywhere.
4) A tener presente la siguiente tabla de conversión (en términos de byte y expresado en sistema internacional decimal):
1 Kilobyte (KB): 1.000 bytes; 2^3.
1 Megabyte (MB): 1.000.000 bytes; 2^6.
1 Gygabyte (GB): 1.000.000.000 bytes; 2^9.
1 Terabyte (TB): 1.000.000.000.000 bytes; 2^12.
1 Petabyte (PB): 1.000.000.000.000.000 bytes; 2^15.
1 Exabyte (EB): 1.000.000.000.000.000.000 bytes; 2^18.
1 Zettabute (ZB): 1.000.000.000.000.000.000.000 bytes; 2^21.
1 Yottabytes (YB): 1.000.000.000.000.000.000.000.000 bytes; 2^24.
5) Ley de Moore y la Potencia de Microprocesamiento: Desde la aparición del primer chip en 1959, se había duplicado cada año la cantidad de compomentes en un chip con los costos de manufactura más bajos por componentes. De acá surgen derivaciones de la Ley de Moore al respecto ("La Poencia de los Microprocesadores se duplica cada 18 meses -Gates 1977-, "El Precio de la Computación se reduce a la mitad cada 18 meses").
Ley de Almacenamiento Digital Masivo: "La cantidad de información Digital se dupplica más o menos cada año (Lyman y Varian, 2003)". En el mundo se producen alrededor de 5 exabytes de información exclusiva cada año (un exabyte equivale a mil millones de gigabytes).
Ley de Metcalfe y la Economía de Redes: "El Valor o potencia de una Red, crece exponencialmente como una función de la cantidad de miembros de una red". A medida que aumentan linealmente, el valor total del sistema aumenta exponencialmente y continúa creciendo siempre conforme se incrementan los miembros (Efecto de Economía de Redes y el Crecimiento de Internet). Kenneth C. Laudon & Jane P. Laudon, "Sistemas de información Gerencial: Administración de la Empresa Digital", (Impulsores de la Evolución de la Infraestructura), Pearson Pretince Hall, Décima Edición.
6) Gartenr, "Gartner Says Solving Big Data Challenge involves more than just managing volumes of Data", Beyer, Mark, 27 de Junio de 201, Gartner.
7) BrainsSINS, Luis Martin, "Big Data: Necesidades y Aplicaciones".

A continuación los dejamos con la publicación en cuestión (ojo, la publicación viene con códigos QR para poder acceder a videos complementarios, así como también las imágenes acompañadas de Cógidos QR, pueden ser clickeadas para acceder a los mismos videos, si es que el artículo se está leyendo en formato digital -pdf-). Recuerden que para la descarga del presente artículo, pueden dirigirse a nuestra web www.hcglobalgroup.com:



Introducción a la Metodología Lean Startup para Emprendimientos

Hoy en día a nivel mundial, estamos frente a un fenómeno creciente en la tendencia de Creación de Nuevas Empresas conocidas como Startup. Sin embargo, así como la cantidad de Startup están creciendo, de igual forma, la tendencia es que más de la mitad de ellas fracasa y desaparecen ¿Por qué? ¿Cómo podemos gestionar este Riesgo? ¿En qué fallan las Startup? 

(Extracto artículo elaborado para Alumnos de "Creación de Nuevas Empresas y Financiamiento de Riesgos Empresariales y Startup" e "Innovación Empresarial"de las cátedras universitarias impartidas por el autor)

En esta investigación del fenómeno del emprendimiento (como una forma de actualizar conocimientos y las cátedras que imparto al respecto), he dado con esta nueva metodología que me ha sorprendido gratamente, dada la lógica que hay tras de ella, así como los acontecimientos a nivel mundial que observo en materia de creación de nuevas empresas y financiamiento de riesgos empresariales y startup. He encontrado información realmente valiosa, no solamente para mis alumnos y clientes, sino para todo aquel que desea o está en la disyuntiva de emprender, a quienes creo que al igual que a mí, les aportará enormemente el tema en cuestión.

Según Alfredo Osorio (1) -fundador de Bombacamp, entre otros-, en Iberoamérica hay muchos emprendedores desarrollando productos que no le van a interesar a nadie debido a que se centran únicamente en el Desarrollo de sus Productos y no en los "requerimientos de los clientes". Cuando entra a una sala donde se está trabajando para un emprendimiento en Silicon Valley, uno debe pensar que el 90% de los que están ahí, van a fallar. La gente se vuelve loca desarrollando soluciones para lanzar los Betas de sus productos y, sostiene que aunque están levantando US$ 1 millón, al momento de preguntarles ¿Para qué quieren ese monto de dinero? ¿De qué se trata? ¿Para quién lo están pensando? No tienen respuesta. Se "fuman" el dinero sin haber experimentado ni haberse centrado en los clientes. Ante esto, aconseja que "los fundadores deben enamorarse de los Clientes más que de las soluciones". Es en este sentido que, frente a los problemas de apurarse a sacar productos no deseados, la metodología Lean Startup sostiene que"que hay que ir más despacio y experimentar de a poco con los clientes, gastando la menor cantidad de recursos posibles para así maximizar el aprendizaje". La consigna es que  "si uno se va a equivocar, que el "error sea barato y rápido" de tal manera que las lecciones no sean tan duras".

El concepto de Lean Startup es "un estilo de vida en el que no cambia su manera de ser, se vive en constante experimento y tratando de entender a los clientes". El concepto de Lean Startup fue desarrollado, según algunos especialistas, por el profesor de la Universidad de Standford Steve Blank, quien publicó su libro "The Four Steps the Epiphany", donde define la metodología Customer Development (Desarrollo de Clientes). Constató en sus trabajos e investigaciones que "la mayoría de las Startup ponían su énsafis en la parte técnica y cómo hacer mejor el producto, pero gastando gran parte del financiamiento en lanzar un producto, sin tener en cuenta las necesidades del mercado y de los clientes". Esta situación se ve reflejada en el hecho de que, por ejemplo, el 90% de estas Startup carecen de demanda o bien sus productos no tienen destino (2). Para otros especialistas en el tema, Lean Startup es "un enfoque empresarial acuñado por Eric Ries quien pretende cambiar la forma en que las empresas se construyen y lanzan nuevos productos. Lean Startup "se basa en el Aprendizaje Validado, la Experimentación Científica e Iterativa de Desarrollo de Productos con Cortos Ciclos, Medir el Progreso y Obtener Retroalimentación de los Clientes Valiosos". De este modo, las empresas -especialmente nuevas empresas- pueden Diseñar sus Productos o Servicios para Satisfacer Demandas de su Base de Clientes sin necesidad de grandes cantidades de financiamiento inicial o lanzamiento de productos caros.

Originalmente Lean Startup fue desarrollado con empresas de Alta Tecnología en mente. Desde entonces, se ha ampliado el concepto para aplicarse a cualquier individuo, grupo de empresas que busca introducir nuevos productos o servicios en el mercado. Hoy en día, la popularidad de las Startup en Lean Startup ha crecido fuera de Silicon Valley, lugar donde nació y se extendió por fodo el mundo, en gran parte debido al éxito del Best Seller de Ries, "The Lean Startup: How Today´s Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses". Eric Ries desarrolló la idea de Lean Startup de sus experiencias como asesor de Startup, empleado y fundador. Luego de fracasos en sus primeras Starrtup y sus experiencias en una empresa de Silicon Valley donde era un Ingeniero de Software, Ries comenzó a "trabajar hacia adelante desde la tecnología, en vez de trabajar hacia atrás a partir de resultados del negocio que se tratan de lograr". Ries comenzó a desarrollar la filosofía Lean Startup desde estas experiencias y desde otros observados en el mundo empresarial de Alta Tecnología. De esta forma, en 2008 Ries siguió el consejo de sus mentores y desarrolló la idea de Lean Startup, acuñando el término en su Blog "Startup Lesson Learned" en un post denominado "The Lean Startup".

Una Startup, no es una empresa sino que más bien una "organización temporal cuyo objetivo es encontrar un Modelo de Negocio Viable y Escalable mediante una serie de experimentos que sirven para aprender, todo ello, rodeado de una gran Incertidumbre". En este contexto, la metodología perfeccionada por Eric Ries durante años y recogida en su libro "The Lean Startup", nace de la nueva realidad y las nuevas necesidades de las Nuevas Empresas en los últimos años. Es así como surge el concepto de Producto Mínimo Viable (MVP) que implica "trabajar con una versión del producto con las caracterísicas fundamentales y que funcione adecuadamente, de manera de maximizar el aprendizaje del negocio, producto y mercado".

Lean Startup.

Al igual que los preceptos de Lean Management, la filosofía Lean Startup de Ries busca "eliminar el despilfarro y aumentar las prácticas que incrementen el Valor de Producción durante la Fase de Desarrollo de Producto para que nuevas empresas puedan tener mejores posibilidades de éxito sin necesidad de grandes cantidades de financiamiento externo, elaboración de Planes de Negocio, o de Producto Perfecto". Ries cree en la "Retroalimentación del Cliente durante el Desarrollo de Producto como parte Integral del Proceso Lean Startup", y asegura que el Productor no invierte tiempo diseñando funciones o servicios que los consumidores no quieren. Esto se lleva a cabo a través de 2 Procesos: Utilizando Indicadores de Desempeño Claves, y mediante un Proceso de Despliegue Coninuo. Debido a que las nuevas empresas por lo general no pueden permitirse el lujo de tener toda su inversión dependiendo del éxito de un lanzamiento de un producto único, Ries afirma que "mediante la liberación de un Producto Mínimo Viable que aún no está finalizado, la empresa puede hacer uso de la retroalimentación de los Clientes para ayudar aún más a adaptar su Producto a las necesidades específicas de sus clientes".
La filosofía Lean Startup empuja a las Startup lejos de la ideoogía de sus predecesores punto.com, con el fin de lograr una producción rentable mediante la construccion de producción mínima y calibrada a los usuarios. En este sentido, Ries afirma que "Lean Startup no tiene que ver con la cantidad de dinero que una empresa levanta, sino más bien tiene que ver con la evaluación de las necesidades específicas de los consumidores y la forma de satisfacer esa demanda con la menor cantidad de recursos posibles".

Terminología específica relacionada con las Ideas centrales de Lean Startup.
  

Producto Mínimo Viable (MVP): Es "la versión de un nuevo producto que permite a un equipo recoger la máxima cantidad de aprendizaje validado sobre los clientes con el menor esfuerzo posible". El objetivo de un MVP es poner a prueba fundamentalmente la Hipótesis del Negocio (o Salto de Fé de los supuestos) para ayudar a los emprendedores a iniciar el proceso de aprendizaje tan pronto como sea posible, a lo cual Ries saca a relucir el caso de la historia de  Zappos. El aprendizaje cuenta con 3 Fases: Constrir, Medir, Aprender. Construir implica que desarrollamos nuestro MVP centrado en las hipótesis que  que queremos probar. La medición implica establecer una serie de métricas con las que valorar nuestro experimento. El Aprendizaje implica que gracias a las métricas obtenemos información con la que aprenderemos nuevos detalles de nuestro negocio para seguir mejorando.

Dentro de los objetivos de Lean Startup se considera "ir paso a paso aprendiendo de forma segura y saber cuándo perseverar en la línea que se lleva a cabo cuando ó cuando Pivotear el Modelo de Negocio cambiando algunas de sus premisas básicas (cómo el caso de nacimiento de Flickr).

Lo anterior sustenta las bases de este método que se basa en el Desarrollo de una Hipótesis de Producto en el que se establece si el cliente está interesado en consumir un determinado producto o aplicación. Para desarrollar esta hipótesis, es necesario experimentar muchas veces en el mercado, con la dificultad para las Startups que muchas veces desarrollan productos que no existen en el mercado y que no tienen ningún antecedente. 
De esta forma, el MVP nos permite la versión del nuevo producto que permite al equipo recoger la máxima cantidad de "aprendizaje validado (Validated Learning)" sobre nuestros clientes con el mínimo de esfuerzo, nos evita construir un producto que nadie quiere, maximizando el aprendizaje por cada dólar invertido.

Implementación Continua (Continuous Deployment): El Despligue Coniuno es un "proceso por el que todo código que se escribe para una aplicación se implementa inmediatamente en la producción", lo cual se traduce en una Reducción de  los Tiempos del Ciclo. Ries afirma que "algunas empresas han trabajado con el código de despliegue nuevo en producción a menudo 50 veces al día", frase que fue acuñada por Timothy Fitz (uno de los colegas de Ries).

Pruebas Split (Split Testing): O Prueba A/B es un experimento en el que "las diferentes versiones de un producto se ofrecen a los clientes al mismo timepo". El objetivo de una Prueba Split es observar los cambios en el comportamiento entre dos grupos y medir el impacto de cada versión en una métrica procesable. Las pruebas A/B también se pueden realizar en forma de serie, donde un grupo de usuarios de una semana puede ver una versión del producto, mientras que los usuarios de la próxima semana pueden ver otra. Esto puede ser criticado, debido a que dada las circunstancias, a raiz de ciertos acontecimientos externos, los resultados pueden ser distintos.

Métricas Recursibles (Actionable Metrics): Se refiere a que las medidas pueden conducir a decisiones de negocios informadas, con sus consiguientes medidas. Se trata, en contraste de "Indicadores de Vanidad (Vanity Metrics)", que son mediciones que le dan la imagen prometedora más posible, pero no reflejan con exactitud los factores clave de un negocio. Las Vanity Metrics para una empresa pueden ser "Métricas Accionables" para otras. Por ejemplo, una empresa especializada en la creación de Cuadros de Mando o Tablero de Instrumentos (Dashboard) basados en la web para los mercados financieros, pueden ser "el número e visitas de la página web". Sin embargo, para una revista en línea con publicidad podría ser "las vistas" en cada una de las páginas de su web, como un indicador clave de "vistas de página" (directamente correlacionados a los ingresos). Ejemplos típicos de una Vanity Metrics son "el número de usuarios" que lleva a cabo a través de costosas campañas publicitarias, y donde es significativamente mayor el costo que los ingresos obtenidos por cada usuario, donde entonces podríamos llegar a la conclusión de que "la Ganancia de más Usuarios y de manera más rápida, podría llevar a la organización a la quiebra".

Pivoteo (Pivot): Es una "corrección del curso estructurado, diseñado para probar una nueva hipótesis fundamental sobre la producción, la estrategia y el motor de crecimiento". Un ejemplo de una empresa que emplea Pivote es Groupon cuando comenzó, momento en que era una plataforma de activismo online llamado "The Point". Después de recibir casi nada de tracción, los fundadores abrieron un blog en Wordpress y lanzaron su primer cupón para la promoción de una pizzería situada en un vestíbulo del edificio. A pesar de que sólo recibieron 20 reembolsos, los fundadores se dieron cuenta de que su idea era significativa, y había una "validación" por parte de la gente de manera exitosa para coordinar la acción de Groupon. Tres años más tarde, se convertiría en un negocio que mueve millones.

Entre otros...

Lean Startup como Estilo de Vida.-

Lean Startup ha marcado muy fuertemente a quienes lo han desarrollado. "Lean Startup es un estilo de vida en el que uno cambia su manera de ser. Se vive en constante experimento". Uno nunca está lanzando, siempre está experimentando y tratando de entender a los clientes, iterando y emprendiendo. Por eso, cuando uno logra Vender, ahí recién uno puede pensar en "Escalar" el proyecto. "Lean Startup es Ciencia más Arte" debido a que por un lado está presente una metodologia muy clara, donde primero se "Entiende el Problema, se Define la Solución, se Comienza a Validar Cualitativamente en el Mercado". La mejor manera de hacer rendir los recursos es "entevistando a los clientes y estar con ellos". De esta forma, el mejor laboratorio de una Startup está en la calle, y es ahí donde el gran problema se presenta (muchos programan y piensan con la cabeza frente a una pantalla sobre sus productos que no le van a interesar a nadie". Por tanto " uno debe empaparse sobre lo que pasa afuera de las oficinas y ponerse en la piel de lo que buscan los clientes y no en lo que uno cree que ellos necesitan" (3).

Como todo Estilo de Vida, se crean y existen "Mitos respecto a Lean Startup" dentro de los cuales podemos citar:

Mito Nº1, Lean Startup significa "Barato" (Lean Startup intenta gastar tan poco dinero como sea posible): Lean Startup no se centra en el dinero, sino que se centra en "la velocidad"...
Mito Nº2, Lean Startup es sólo para empresas de software web 2.0/internet: Lean Startup se aplica a cualquier empresa con una gran incertidumbre acerca de lo que querrá el cliente, no sólo a startup tecnológicas...
 Mito Nº3, Lean Startup son empresas con financiación propia (Bootstrapping): La verdad es que Lean Startup pueden ser ambiciosas y ser capaces de levantar grandes cantidades de capital. Lo que diferencia a las Lean Startup es cuándo gastan el dinero (después de Validar empíricamente los elementos fundamentales de su Modelo de Negocio).
Mito Nº4, Lean Startup son empresas muy pequeñas: Existe una gran cantidad de emprendedores dentro de grandes empresas que deben desarrollar nuevos productos o servicios, donde el método Lean Startup es igual de válido. Se pueden considerar Startup dentro de las propias empresas (intraemprendedores).
Mito Nº5, Lean Startup cambian la Visión de la organización por datos y feedback del cliente: Las Lean Startup utilizan el Customer Development (Desarrollo de ClientesI, Agil Development (Desarrollo Ágil), Testing (Testeo o Pruebas), etc., como vehículos para aprender a cómo "hacer trinfar su Visión". Se Pivotea lejos de los elementos de la Visión que son una decepción y se acerca a los elementos que son una promesa.

Lean Startup es un concepto que implica "delgadez, sin grasa", implica el concepto de "organización creada para buscar un modelo de negocio repetible y escalable" (Startup = Experimento). Es acá donde podemos ver una real diferencia entre una Startup y Empresa (una Startup busca un Modelo de Negocio, mientras que una Empresa ejecuta su Modelo de Negocio ya validado). De esta manera, las Startup que triunfan son aquellas que iteran lo suficiente antes de quedarse sin recursos (Eric Ries), por tanto, lo importante es la Velocidad, el Aprendizaje Validado (salir fuera del edificio -Steve Blnk-), el Foco (acción adecuada en el momento adecuado -Bijoy Goswami-).
En la triste realidad, encontramos que "9 de cada 10 Startup desaparecen, de 58 ideas el 66% de las veces los Planes A de las Startup tienden a cambiar" ¿Por qué? Debido a "a la falta de Clientes", donde muchas Startup terminan fallando porque crean un producto que nadie quiere (4). De esta forma, gracias a metodologías como "Customer Development, Agile Development, Free and Open Source Software, Pivotear, Producto Mínimo Viable y Modelo de Negocio" aportan para ello.
El hecho de que muchas Startup fallen por falta de clientes, implica que no se debe por errores en el Desarrollo del Producto (existen procesos para Gestionar el Desarrollo de Producto), sino porque no existían "Procesos para Gestionar el Desarrollo de Clientes. Al respecto, existe una solución sencilla mediante la "Construcción de un Proceso de Desarrollo de Clientes", donde se involucre el Desarrollo de Producto y el Desarrollo de Cliente (Customer Development).


El Proceso de "Desarrollo de Clientes" se compone de 4 subprocesos o Etapas (5)
- Proceso o Etapa de Descubrimiento de Clientes (Customer Discovery).
- Proceso o Etapa de Validación de Clientes (Customer Validation).
- Proceso o Etapa de Creación de Clientes(Customer Creation).
- Proceso o Etapa de Creación de la Compañía (Company Building).

Modeo de Negocio y Desarrollo de Clientes (Customer Development).-
Steve Blank sostiene que "se debe partir como base del Modelo de Negocio -representado en el Linezo de CANVAS (9 Bloques de un Modelo de Negocio, Alexander Osterwalder)", el cual se constituye como una "serie de hipótesis prudentes y grandiosas (o más bien apuestas de negocios) las cuales se encuentran organizadas en el lienzo en cuestión en base a: Segmentos de Clientes (¿quiénes pensamos son nuesteoa clientes?), Relación con los Clientes, Canales, Propuesta de Valor, de nuestro Emprendimiento, (¿qué productos/ servicios ofrecemos a nuestros clientes?), Actividades Claves, Recursos Claves, Asociaciones Claves (Alianzas Estratégicas), Estructura de Costos, Estructura o Fuente de Ingresos. 
Sin embargo, lo más probable es que "nuestras suposiciones o apuestas estén equivocadas", constituyéndose así de todos modos como un muy buen punto de partida.

¿Cómo convertimos estas Hipótesis en Datos?
Un punto importante al respecto, es el que dice relación con el "Proceso de Desarrollo de Clientes", el cual sostiene que se debe comenzar a partir del Modelo de Negocio de CANVAS (imprimiéndolo en un tamaño grande), se pega en la pared y utilizando Post-it de colores se comienza  a iterar los supuestos/apuestas de nuestro "Modelo de Negocio" y construir nuestra Hipótesis de Negocio. Luego, deberemos ver y darnos cuenta de que nuestra Hipótesis de Negocio "no cuenta con datos", razón por la cual nos deberemos ver obligados a salir de la habitación y hablar con nuestros clientes, socios, distribuidores de manera de aprender cómo llevar a cabo nuestro emprendimiento con algo de rigor, siguiendo un proceso diseñando experimentos (no saliendo al mercado al azar), realizando pruebas, obteniendo datos, obteniendo "Conocimiento" (Insight). De esta forma, el Proceso de Desarrollo de Clientes (Customer Development) es una instancia interesante.

El Proceso de Desarrollo de Clientes (Customer Development Process), tal como dijimos anteriormente, consta de 4 pasos: a) Descubrimiento de Clientes (Customer Discovery), b) Validación de Clientes (Customer Validation), c) Creación de Clientes o Deamanda (Customer Creation), d) Creación de la Compañía (Company Building).
 
a) Descubrimiento de Clientes (Customer Discovery): En este paso o Etapa es donde se traduce la Visión del Fundador de la compañía en hipótesis acerca de cada componente del Modelo de Negocio y crea una serie de experimentos para probar cada hipótesis. Para ellos, los fundadores dejan atrás las conjeturas y "salen del edificio" para probar la reacción del cliente a cada hipótesis, el aumento de puntos de vista de sus comentarios y ajustar el Modelo de Negocio.  De todas las lecciones de Desarrollo de Clientes, la importancia de "salir fuera del edificio" y de las conversaciones con sus clientes, es la más crítica. Sólo al alejarse de la comodidad de su oficina, los fundadores se comprometen realmente a escuchar a sus clientes, pudiendo conocer en profundidad sus problemas, pudiendo generar procesos en su empresa para recomendar, aprobar y comprar productos. Usted necesitará esta información para crear un producto de éxito, articular diferencias únicas de su producto y proponer una razón convincente de por qué sus clientes deberían comprarle. El Descubrimiento de Clientes no se trata de recopilar listas de características de clientes potenciales o llevar a cabo un montón de Focus Group. En un inicio, los fundadores definen la Visión de los Productos y luego, usan el Descubrimiento de Clientes para encontrar clientes y un mercado para esa Visión.

b) Validación de Clientes (Customer Validation): En este paso o Etapa es donde se demuestra que el negocio probado e iterado en la fase de Descubrimiento de Clientes tiene un "Modelo de Negocio Repetible, Escalable" que puede entregar el volumen de clientes que requiere la empresa para ser construida y rentable. Durante la Validación de Clientes, la empresa pone a prueba su capacidad de Escalar (es decir, producto de las actividades de Captura de Clientes, Fijación de Precio y el Canal utilizado) en contra de un mayor número de clientes con otra ronda de pruebas, que son las mayores dimensiones y más riguroso y cuantitativo proceso. Durante esta etapa, una nueva empresa también se desarrolla con un "mapeo de Ventas" para los equipos de Venta y Marketing (para ser contratados más adelante) o valida el Plan de Creación de Demanda en línea. En pocas palabras, es la adición de $1 en Ventas y Recursos de Marketing para generar $2 de Ingresos. La hoja de ruta resultante será la Puesta a Prueba aquí con las Ventas del Producto a los primeros clientes. Dependiendo del Modelo de Negocio, la Validación se mide por los "test de venta" que obtienen de los clientes al entregar su dinero (o participar activamente con el producto). En un mercado de "Un solo Lado" (en el que el Usuario es el Pagador), un flujo constante de comrpas del cliente valida el concepto de manera más sólida que un montón de palabras corteses. No hay sustituto para las personas que pagan por un producto. En un mercado de "Dos Caras o Lados" o con un Modelo de Negocio de Publicidad, una base de clientes de cientos de miles de personas que están creciendo en forma exponencial, por lo general implica que la empresa puede encontrar un conjunto de anunciantes que están dispuestos a  pagar para llegar a los Usuarios. En esencia, los dos primeros pasos en el Desarrollo de Clientes (Descubrimiento de Clientes y Validación de Clientes) refina, corrobora y prueba un Modelo de Negocio de una Startup. La realización de estos dos primeros pasos verifica las características principales del producto, la existencia del mercado, clientes, localiza pruebas de valor percibido de productos y la demanda, identifica al comprador económico (la persona que escribe el cheque para comprar el producto), establece la fijación de precios y estrategias de canal, y la salida del ciclo de ventas propuesto, así como su proceso. Sólo cuando el tamaño de un grupo de clientes es adecuado y su proceso de ventas es repetible, se obtiene un Modelo de Negocio Rentable, Identificable y Validado. En ese punto, es hora de pasar a la siguiente etapa: la ampliación, también conocida como Creación de Clientes o Demanda.

c) Creación de Cliente o Demanda (Customer Creation): En este paso o Etapa, se basa en el éxito inicial de ventas de la startup. Es el lugar donde la compañía comienza a dar pasos, gastando grandes sumas de dinero a escala mediante la Creación de Demanda de sus Usuarios Finales y la conduccción en el canal de ventas. Este paso sigue a la Validación de Clientes. Acá se aprende a Capturar Clientes, controlando la Tasa de Efectivo para proteger el gasto innecesario del activo más preciado, "el dinero". La Creación de Clientes o Demanda varía serún el tipo de Startup. Algunas Startup entran en "mercados existentes" bien definidos por sus competidores, otros "Crean Nuevos Mercados" donde no existe producto o empresa, y otros intentan un mercado híbrido al "Resegmentar un Mercado" ya existente como un participante con Bajos Precios o mediante la Creación de un Nicho. Cada Estrategia de Mercado exige diferentes actividades de Creación de Clientes y Costos.

d) Creación de al Compañía (Company Building): En este paso o Etapa es donde llega el "día de la graduación" cuando la Startup marcha con un Modelo de Negocio Escalable y Repetible. En este punto, su fundamentación de búsqueda temporal orientada a la organización conocida como Startup, ya no va más, dado que desde ahora en adelante será conocida como ¡Empresa!. En una transicción a veces agridulce, la construcción de la empresa se reorienta a la energía del equipo lejos de la "búsqueda del modelo de negocio", para centrarse en "la ejecución del modelo de negocio", intercambiando su aprendizaje informal (y descubrimiento) del equipo orientado al Descubrimiento de Clientes, por uno más formal, estructurado en departamentos tales como Ventas, Marketing y Desarrollo de Negocios, entre otros, completados con Viceprecidencias. Estos ejecutivos se centran ahora en la construcción de sus departamentos para "Escalar la Empresa". Aquí es donde la versión del emprendedor de tragedia Shakesperiano a menudo toma el centro del escenario, con Vicepredisencias que desarrollan un "hit" con potencial para un gran retorno de su inversión. De repente, el emprendedor visionario apasionado ya no es más requerido como la persona adecuada para dirigir la empresa ahora, cuyo éxito fue nutrido en una servilleta de papel. La Junta Directiva (amablemente o no) expulsa al fundador y toda su innata experiencia como ejecutivo de operaciones, o bien, pueden seguir en su cargo, o también pueden ser invitados (dada su experiencia y habilidades) a ser parte de la Junta Directiva de la Compañía, como Presidentes de la Junta Directiva. De esta forma, el nuevo CEO (Jefe Ejecutivo Operacional o Gerente General) muchas veces es un experto en el manejo de transición desde "la búsqueda de un Modelo de Negocio" a la "ejecución de un Modelo de Negocio" con empresas de crecimiento constante.

Un punto interesante sobre el "Desarrollo de Clientes" que hace que las Startup sean muy diferentes de las empresas, es que el Desarrollo de Clientes es llevado a cabo por los mismos fundadores de las Startup ¿Por qué los fundadores? Esto se debe, entre algunos factores realtivos a la naturaleza humana, donde no interviene la tecnología. En una Startup tradicional, antiguamente se habría contratado a un Vicepresidente de Ventas, quien habría salido a la calle con la premisa de "intentar vender nuestro producto/servicio", hablando con los clientes sobre esto. Básicamente se trata de "contratar a alguien para que lo haga". Sin embargo, un tema que deben recordar los fundadores de una compañía, es el hecho de que "los empleados no tienen la Visión del Negocio", sino que simplemente ejecutan lo que los fundadores les dicen. De manera que, al salir a la calle y no lograr los resultados esperados, los fundadores terminan pensando, "contraté al ejecutivo equivocado", finalizado el proceso con su despido.

Si imaginamos el mismo ejercicio, no con un representante, ni con un jefe de ventas, ni de marketing, sino con "los propios fundadores de al Startup" quienes salen a hablar con los clientes. De esta forma, si obtienen la misma retroalimentación, podrían hablar con 3, 5, 30 clientes, terminando echando humo debido a la disonancia cognitiva que comenzaría a hacer efecto, pudiendo darse cuenta los fundadores de que "su visión no estaba tan bien como ellos pensaban".

De esta forma, a diferencia de un representante, un vicepresidente de Ventas o Marketing, "los propios fundadores tienen la facultad de cambiar la Estrategia de al Empresa, la Propuesta de Valor en su totalidad, pudiéndo responder: "no, aún no es bueno", para luego nosostros como fundadores agregar "¿y si tuvieramos esto?". Entonces, los clientes podrían decir "¡Oh, si puede hacer esto, entonces puedo darle un cheque ahora mismo!" Dado que nosotros como fundadores somos listos, no tardaríamos en decir, "¡En un segundo vuelvo con usted!". Partiríamos a poner a prueba esa nueva funcionalidad con otros 5 o 10 clientes, para luego darnos cuenta de que "teníamos un conjunto de funcionalidades equivocadas. Por tanto, al efectuar estos pequeños cambios, nos permitirá poder acceder a un grupo más grande de clientes dispuestos a pagar. Por tanto, los fundadores son los únicos que lo pueden hacer. Lo que habíamos hecho en el pasado era esperar hasta el primer envío a clientes, esperabamos hasta cuando las ventas no concordaban con el Plan de Ingresos, llevando a cabo los cambios recién cuando "despedíamos a los ejeucitvos y Vicepresidentes de Venta". Por tanto, es el Fundador quien puede cambiar el producto, hace Pivotes, escuchar de primera mano los comentarios de los clientes. Esa es la idea de "sacar al fundador de fuera de su oficina, del edificio".

Lo siguiente que deben entender sobre el "Desarrollo de Clientes" es ¿qué es lo que en realidad hacen Fuera de la Oficina los fundadores? Al respecto, lo que realmente hacen es "probar al máximo sus conocimientos del problema o de la necesidad del cliente". Inicialmente nosostros implícitamente teníamos una Hipótesis, la cual deseamos que deje de ser implícita y hacerla explícita. Es aquí donde realmente está el problema y el beneficio de estos Segmentos de Clientes Hipotéticos que hemos escrito en nuestro Lienzo de Modelo de Negocio o CANVAS. ¿cómo lo vamos a hacer?.

Literalmente, vamos a Salir de la Oficina, llevando nuestra Hipotesis. No simplemente saldremos de la oficina a habar con los clientes al azar (si así fuera la idea, es mejor simplemente enviarles una carta o correo electrónico). Lo que estamos buscando no son solamente datos, sino "Conocimiento".  Este proceso funciona "saliendo fuera de la oficina" para luego después, a medida que encontramos ese "Conocimiento Nuevo", en efecto cambiarlo en nuestro Modelo de Negocio CANVAS mediante "marcas y diciendo: Pensamos que los clientes eran de este tipo de personas , pero ¡vaya!, realmente son este otro tipo de personas. De manera que, las funcionalidades que pensabamos que necesitaban eran éstas".
Lo que hacen fuera de la oficina es comenzar con estas hipótesis, por ejemplo, "clientes hombres" de 24 a 35 años que viven en zonas urbanas para luego diseñar algunos experimentos. Podemos diseñar una campaña en Google Adwords, o bien, para el caso de un Producto Físico, salir y reunirnos con los Segmentos de Clientes personalmente, observamos y analizamos los datos, pero no solamente los datos. "Queremos saber si los resultados concuerdan con la Hipótesis". De no ser así, no nos rendimos, y decimos simplemente "no concordó" ¡intentémoslo con otro Segmento!. De esta forma, nos percatamos que esta es la única forma de comprender por qué estaba mal nuestra hipótesis inicial. "El por qué de las respuestas negativas es lo que nos puede aportar Conocimiento". entonces, lo que podríamos averiguar en este caso es "Ups, siempre encontrábamos mujeres adolscentes en los barrios residenciales", y podríamos seguir diciento "no, yo no quiero hombres", o "un momento, las adolescentes están entuasmadas y de hecho, quieren saber cómo comprar nuestro producto de inmediato".


Otro tema interesante sobre el Proceso de Desarrollo de Clientes (Customer Development),  dice relación con la "Ingeniería Ágil y Desarrollo Ágil", donde básicamente la noción del "Producto Mínimo Viable (Minimal Viable Product, MVP)". Antiguamente lo que hacíamos era "especificar todo el conjunto de funcionalidades del producto, desde el principio hasta el final". Sin embargo, ahora esto tiene sentido en una gran empresa que hace lanzamientos de la versión 2.0, la 3.0 y 4.0 porque en cierto modo tiene la idea de quiénes son los clientes y qué necesita. De esta forma, un Gerente de Producto puede estar casi seguro de qué es lo que ustedes saben: "he estado interactuando con estos clientes durante el último año y medio, y creo saber que es lo que necesitan". Pero en una Startup, uno prácticamente está adivinando, siendo la probabilidad de que nos vamos a equivocar muy grande. Por tanto, en lugar de malgastar una cantidad impresionante de tiempo y dinero ¿por qué no salir efectivamente de la oficina antes de elaborar algo, e invertir mucho tiempo en Ingeniería y Dinero? Por que esto es lo que "quiebra a las Startup: Quedarse sin Dinero". Es por eso que "queremos cerciorarnos de que realmente escuchemos a las personas, quienes con el tiempo, realmente comprarán el producto". Queremos asegurarnos de que Satisfacemos sus Deseos y Necesidades. Entonces ¿por qué no averiguamos cómo elaborar el Producto Mínimo Viable? Incluímos el mínimo de características necesarias para obtener retroalimentación, la cual puede ser "comentarios, pedidos verbales o clientes que pueden darnos cualquier información valiosa que nos pueda ayudar a decidir lo que deberíamos desarrollar y en qué orden". Así, tal como vimos anteriormente, un Producto Mínimo Viable (MVP) puede ser algo tan sencillo en la web, ó como una representación esquemática o una representación en powerpoint. Para el caso de un Producto Físico, puede ser un "modelo" o una "pieza funcional del sistema". Pero a medida que recibimos más retroalimentación, podríamos agregar más funcionaliddes, salvo una salvedad: "Si Steve Jobs no desarrolló el iPhone preguntándoles a los clientes, así como también Henrry Ford no preguntó a los clientes si querían un vehículo, antes de que existiera uno", ¿en caso de Nuevos Productos, entonces no se sale para nada de la oficina?. Eso es sencillamente una falacia. En el caso de Nuevos Mercados es obvio que que no salen a preguntarles a las personas cuáles son las funcionalidades que necesitan, sino que "desean comprender cómo se diferencian sus días con respecto a los días posteriores a tener su nuevo producto" ¿Cómo cambia su mundo? Es por esto que debe quedar claro que "no hay la menor posibilidad de que encerrados en la sala de conferencias de nuestras oficinas podamos saber sin hablar con los clientes este tipo de información.

Otras observaciones interesantes que realizamos en el artículo (que por un tema de extensión no podemos extendernos en esta blog), dice relación con el Pivote, Profundización sobre el Descubrimiento de Clientes, Validación de Clientes, Producto Mínimo Viable (Web/Móvil), Producto Mínimo Viable Físico, Posicionamiento de la Empresa y Relación con los Clientes, Análisis de Oportunidad de Mercado (¿Cuán grande es la Oportunidad de Mercado?) -Tamaño de Mercado, Tamaño de mi Mercado, Competidores, Potencial de crecimiento, Mercado Total Disponible (TAM), Mercado Objetivo Disponible, Mercado a Servir Disponible (SAM), entre otros-.


(1): Fundador de Bombacamp (aceleradora de negocios que utiliza la metodología Lean Startup).
(2): Sebastián Andrade, "Lean Startup, Emprender Seguro y Testeando", Innovación.cl, 28/11/2012.
(3): Alfredo Osorio, Fundador de Bombacamp.
(4): Ignacio Vilalta, http://www.slideshare.net/scalabBle/introduccion-a-lean-startup.
(5): Steve Blank y Bob Dorf, "The Startup Owner´s Manual: Step by Step Guide for Building a Great Company"

A continuación, los dejamos con la publicación en cuestión (ojo con la publicación, ya que trae material interactivo a través de codigos QR, con los cuales podrán acceder a videos complementarios. Si están leyendo la publicación de manera digital en un computador, simplemente deben clickear la imagen que acompaña al código QR y también podrán acceder a este material en cuestión). Recuerden que si desean descargar el presente artículo, deben dirigirse a nuestra web www.hcglobalgroup.com: