La óptima gestión basada en datos combina big data, BI y analítica

El director regional de negocios digitales de SONDA explica en este podcast por qué combinar estas tres tecnologías permite sacar enorme provecho de los datos empresariales.

En la era de la transformación digital, conceptos como big data, inteligencia de negocios y analítica empresarial paulatinamente se han ido volviendo más conocidos por las empresas. Todos estos términos se relacionan con la gestión basada en datos, y su objetivo es analizar la información para poder mejorar y optimizar las decisiones y la eficiencia empresarial. De esta manera, todas estas tecnologías abren infinitas oportunidades de competitividad al permitir extraer información de valor de diversas maneras.

Adriano Esposito, SONDA.

No obstante, estas tecnologías poseen diferencias propias que es importante aclarar. Por ello, en esta oportunidad conversamos con Adriano Esposito, director regional de Digital Business en SONDA, para conocer su visión sobre estas tecnologías y sus consejos de implementación.

En primer lugar, ¿podría explicarnos cuáles son las principales similitudes y diferencias de las tecnologías de big data, BI y analítica empresarial?

Adriano Esposito: Big data, business intelligence y business analytics son términos importantes en esta era de la transformación digital. Todos se refieren a la gestión basada en datos y se centran en analizar la información para mejorar y optimizar las decisiones y el rendimiento empresarial. Sin embargo, por muy confusos que estén en el mercado, y [aunque] muchos los utilicen para el mismo fin, existen diferencias significativas entre ellos, que se apoyan en conceptos, herramientas y métodos.

Big data es un concepto relacionado con el acto de capturar y procesar constantemente un volumen muy alto de datos. Sus tres características principales son alto volumen, velocidad y diversificación.

Business intelligence está más vinculado a la visualización e interpretación de datos.

Mientras que business analytics es la aplicación de modelos matemáticos y estadísticos, con IA (machine learning o cognitive computing) para transformar datos en información, permitiendo no solo analizar lo sucedido (análisis descriptivo), sino comprender el motivo del evento (análisis diagnóstico), lo que puede suceder en el futuro con el aprendizaje del pasado (análisis predictivo) y también prescribir qué se debe hacer para que suceda algo (análisis prescriptivo).

El mundo ideal es, por tanto, la combinación de las tres estrategias, lo que permite estructurar volúmenes exponenciales de información, la infraestructura y herramientas para almacenar y trabajar los datos, y la inteligencia analítica para transformar estos datos en información para la toma de decisiones.

¿Cómo está la adopción y uso de estas tecnologías en las empresas latinoamericanas?

Adriano Esposito: El mercado de big data y data analytics ha estado, año tras año, creciendo exponencialmente en toda Latinoamérica. Según IDC, este tema encabeza la agenda de los CIO de organizaciones líderes. El creciente interés por este tipo de herramientas se justifica por los beneficios que aporta al negocio, independientemente del área de actuación de la empresa.

Sin embargo, la gran mayoría de las empresas se encuentran en una etapa temprana de implementación, todavía muy enfocadas en la gobernanza de datos y la aplicación de business intelligence. Hay mucho espacio para explorar con el uso de big data y analytics.

¿Qué desafíos o retos enfrentan hoy estas tecnologías al interior de las empresas?

Adriano Esposito: Las organizaciones entienden que tener una cultura data-driven, con toma de decisiones basada en datos. Es un factor de supervivencia en un mundo corporativo extremadamente competitivo. Sin embargo, existen varios retos que se deben superar para una correcta implementación de estas tecnologías, entre los que podemos destacar:

  • Datos: Hoy en día, los datos provienen de muchas fuentes diferentes y de todas las áreas del negocio. Sin embargo, cuando la herramienta utilizada para el procesamiento de la información intenta combinar datos inconsistentes de diferentes fuentes, se puede encontrar errores. Por ejemplo, duplicados, conflictos lógicos e información faltante, que dan como resultado importantes desafíos relacionados con la calidad. La mala calidad de los datos conduce a informes y análisis defectuosos, lo que puede obstaculizar el proceso de toma de decisiones.
  • Protección y seguridad: Es fundamental pensar en la protección de datos, el control de acceso a la información (quién tiene acceso a qué) y el cifrado. Además, se debe respetar las leyes de regulación de datos como GDPR y LGPD.
  • Infraestructura de TI: para hacer frente a las soluciones avanzadas de big data y analytics, con la cantidad de datos que es cada vez más grande y más precisa, se requiere tecnología e infraestructura de TI adecuadas. Y, en este contexto, las nubes son grandes aliados para el despliegue de estas tecnologías.
  • Plataformas de análisis e inteligencia artificial: Existen varias plataformas, soluciones y lenguajes de desarrollo para las soluciones de análisis e inteligencia artificial. Definir una arquitectura digital que incluya un ecosistema de herramientas y plataformas que permitan la captura, tratamiento, almacenamiento, procesamiento y visualización de datos, con seguridad y desempeño, es fundamental para el éxito.
  • Mano de obra calificada: No hay muchos profesionales capaces de trabajar en el área con el máximo aprovechamiento de estas tecnologías. Después de todo, necesita habilidades en matemáticas, estadística, lenguaje de programación y conocimientos de gestión para manejar datos. [Es recomendable] invertir en un equipo multidisciplinario para superar estos problemas, y en la mejora de la formación y la consultoría que puedan incrementar el rendimiento del equipo.

¿Qué consejos les daría a las empresas al momento de implementar soluciones de big data, BI y analítica?

Adriano Esposito: Usar grandes volúmenes de datos sin tener un desafío concreto que superar o un objetivo claro es como navegar sin una brújula. En este sentido, se recomienda comenzar por identificar los problemas de su empresa en los que big data y analytics pueden ser útiles.

El segundo paso es preparar una infraestructura y un proceso de gobernanza de datos. El volumen de datos internos y externos, estructurados y no estructurados, es enorme. Si no existe una política correcta de tratamiento y almacenamiento, además del alto costo de la infraestructura, [puede llevar a que] las empresas comiencen a tener problemas de desempeño y precisión en los resultados.

También es fundamental seleccionar el ecosistema de herramientas, plataformas y lenguajes. La definición de arquitectura digital es otro factor relevante para el éxito. Una elección equivocada, o una arquitectura mal definida, puede incluso solucionar un problema a corto plazo, pero acaba resultando demasiado costoso a medio y largo plazo.

¿Qué se espera o proyecta para el futuro de estas tecnologías?

Adriano Esposito: El futuro está en la adopción de la inteligencia artificial. Al aplicar técnicas de machine learning y redes neuronales, por ejemplo, pudimos aportar información de predicción y prescripción. Esta es una tendencia ya reconocida por Gartner, que la llama «análisis aumentado». De la misma manera que aprendemos algo y evolucionamos con el tiempo, la máquina también aprende estos patrones y los mejora.

Esto hace que todo el proceso analítico sea más ágil, aportando datos precisos de una forma muy simplificada. Todo el tiempo dedicado a la preparación, ajustes y otras tareas se ahorra ya que la inteligencia artificial hace el trabajo automáticamente. Esto permite que el usuario tenga mayor facilidad y practicidad para interpretar las respuestas, extraer insights y descubrir nuevas ideas que pueden ser reveladas sin el sesgo que traen los bloqueos o prejuicios humanos.

Investigue más sobre Big data y gestión de la información

ComputerWeekly.com.br
Close