Cinco tendencias de analítica empresarial que marcaron el inicio de 2022

Del conocimiento a la acción

A mediados de junio, el veterano proveedor de análisis Tibco presentó la próxima versión de Spotfire, una de sus tres plataformas de análisis.

Al igual que muchas plataformas anteriores a la nube, pero que se están reorientando hacia ella, Spotfire 12 incluirá nuevas funciones nativas de la nube a medida que Tibco hace que sus herramientas sean más fáciles de usar en la nube y, finalmente, completamente nativas. Además, contará con algunas nuevas capacidades de aprendizaje automático y capacidades que permiten a los administradores gobernar mejor los datos de su organización.

Pero quizá lo más destacado de la actualización sea el debut de Actions, una herramienta que permitirá a los clientes desencadenar acciones en sus operaciones directamente desde sus cuadros de mando de analítica.

Tibco no está sola.

Muchas otras plataformas de análisis empresarial –Domo, Microsoft Power BI, Qlik y Yellowfin, entre ellas– permiten igualmente a los usuarios desarrollar integraciones entre sus cuadros de mando y sistemas operativos para permitir acciones directamente desde sus herramientas de BI.

"La tendencia que estamos viendo ahora es esta historia orientada a la acción", dijo Donald Farmer, fundador y director de TreeHive Strategy. "Todo el mundo va detrás de eso, lo cual es bueno. Hace mucho tiempo que se está produciendo. La capacidad de tomar acciones dentro de su herramienta de BI es una tendencia del momento".

Del mismo modo, David Menninger, analista de Ventana Research, dijo que la tendencia de vincular la analítica a las acciones viene de lejos.

Tradicionalmente, la analítica era solo de lectura. La tecnología permitía a los clientes obtener información de sus datos, pero una vez que los usuarios llegaban a una conclusión, estaban solos a la hora de aplicarla a su organización.

Ahora, eso está cambiando. Y convertir la información en acción no es solo una tendencia que ha marcado la primera parte de 2022, sino que continuará a medida que más proveedores hagan hincapié en esta capacidad, según Menninger.

"Estamos empezando a ver que los proveedores ofrecen enlaces entre las aplicaciones analíticas y las operativas", dijo. "Espero que veamos más de esto por dos razones: Uno, realmente ayuda a cerrar el bucle en el proceso de análisis, y dos, las presiones competitivas obligarán a más proveedores a participar".

Más IA y aprendizaje automático

Aunque la capacidad de actuar con mayor facilidad a partir de la información acaba de hacerse realidad, los proveedores de análisis llevan muchos años añadiendo herramientas de inteligencia aumentada y aprendizaje automático a sus plataformas.

ThoughtSpot fue uno de los primeros en adoptar esta tendencia, ya que desde sus inicios construyó su plataforma de análisis en torno a la búsqueda con lenguaje natural.

Ahora muchos proveedores ofrecen capacidades de consulta en lenguaje natural, y algunos como Tableau con Data Stories –resultado de la adquisición de Narrative Science por parte de Tableau– y el relativamente nuevo Toucan Toco incluso son capaces de proporcionar explicaciones automatizadas sobre los datos de los usuarios para que los consumidores de datos no tengan que interpretarlos ellos mismos.

Mientras tanto, los proveedores también están añadiendo a sus plataformas herramientas de aprendizaje automático más fáciles de usar, como el aprendizaje automático automatizado (autoML) y el desarrollo de modelos sin código, para que los científicos de datos puedan crear y desplegar modelos de datos de forma más rápida y sencilla, y los usuarios empresariales creen y pongan en marcha sus propios modelos sin tener que consultar a un equipo de datos centralizado.

Qlik se encuentra entre los proveedores que han añadido capacidades de autoML, adquiriendo el proveedor de autoML Big Squid en octubre de 2021. Alteryx es otro.

"Los proveedores están aplicando la inteligencia aumentada y el aprendizaje automático a sus productos para facilitar su uso y ayudar a automatizar varios pasos en los procesos de BI/analítica", dijo Menninger. "También están sacando al mercado conocimientos automatizados, a menudo utilizando el procesamiento del lenguaje natural (PLN) para explicar las correlaciones en los datos".

Más allá de permitir las consultas en lenguaje natural y proporcionar conocimientos automatizados, las herramientas de procesamiento del lenguaje natural son cada vez más sofisticadas, continuó.

Un obstáculo importante para el PLN ha sido durante mucho tiempo la naturaleza del propio lenguaje. Al principio, la sintaxis tenía que ser específica para que las herramientas de análisis entendieran la petición del usuario y devolvieran una respuesta significativa. Ahora, las funciones de PLN pueden entender combinaciones de palabras más variadas para que los clientes puedan tener una interacción significativa sin necesidad de saber código para consultar y analizar sus datos.

Además, muchas herramientas de PLN solo entendían uno o dos idiomas. Ahora, los proveedores están mejorando sus capacidades de PLN añadiendo más idiomas y permitiendo a los usuarios emplear una sintaxis más flexible en las consultas en lenguaje natural.

"Los proveedores siguen invirtiendo y ampliando sus capacidades de procesamiento del lenguaje natural", afirmó Menninger.

Datos externos

A medida que los proveedores añaden más capacidades, haciendo que la información hacia acción (insight-to-action) y la IA y el aprendizaje automático sean tendencias analíticas continuas, también están apareciendo nuevas tendencias entre los consumidores de datos.

Uno de los enfoques que más organizaciones están eligiendo es el uso de datos externos para aumentar sus propios datos durante el proceso de toma de decisiones.

Las organizaciones cuentan con una gran cantidad de datos propios, especialmente las que llevan más de una o dos décadas de existencia.

Históricamente, las organizaciones han utilizado esos datos para encontrar patrones como la fluctuación estacional e influir en las decisiones empresariales. Por ejemplo, un aumento histórico de las compras de pantalones cortos y trajes de baño en primavera y verano, seguido de un posterior descenso en otoño e invierno, llevaría lógicamente a un establecimiento minorista a almacenar más pantalones cortos y trajes de baño en primavera y verano para satisfacer la demanda, pero a reducir los pedidos de estos artículos en otras épocas del año.

Pero cuantos más datos analíticos pueda utilizar una organización para tomar decisiones, mejor. Así, mientras que los datos propios de una organización pueden conducir a una visión bien informada, la adición de datos que incluyen los datos de los socios o la información de toda la industria puede conducir a una visión aún mayor.

Según Cindi Howson, directora de estrategia de datos de ThoughtSpot y antigua analista de Gartner que presenta el podcast The Data Chief, las organizaciones que utilizaron datos externos para aumentar sus datos en 2021 superaron a sus pares en dos dígitos.

Como resultado, en el futuro, los datos externos ya no serán solo un lujo.

"Ahora, en 2022, los datos externos ya no son algo agradable de tener", dijo Howson. "Lo que estamos viendo es que, desde el punto de vista del negocio, las empresas que lo hacen obtienen los mejores indicadores adelantados".

Además de ayudar a mejorar los resultados empresariales, como el aumento de las ventas, las organizaciones pueden utilizar los datos externos para ayudar a crear una mejor experiencia del cliente, continuó.

Por ejemplo, en el caso del cuidado de la salud, un proveedor de seguros puede tener un cliente que sea diabético y saber cuándo y dónde visita a su médico. Sin embargo, ese cliente interactúa más directamente con su médico y puede darle información sobre sus medicamentos que la compañía de seguros no conoce.

Pero si la compañía de seguros puede acceder a la información proporcionada al médico mediante la vinculación con esos datos externos, existe el potencial de mejorar el resultado del paciente y la experiencia del cliente, según Howson.

Asimismo, en otro ejemplo, señaló que al vincular los datos entre una empresa de bienes de productos de consumo y las empresas minoristas, las organizaciones pueden lograr mejores resultados.

"Son capaces de crear un foso en el ecosistema empresarial", dijo Howson, refiriéndose al concepto de crear una ventaja competitiva para proteger la cuota de mercado y los beneficios. "La nube permite este tipo de intercambio de datos sin necesidad de moverlos. Lo peor que le puede pasar a cualquier tipo de empresa de bienes de consumo es que su producto esté en el lugar equivocado, y aquí es donde compartir datos con el minorista y el productor forma un foso de ecosistema."

Control de costos

Al igual que el uso de datos externos es una tendencia de la analítica empresarial que cobró impulso durante la primera mitad de 2022, otra tendencia que está ganando fuerza es la migración a la nube, con muchas organizaciones trasladando sus datos y analíticas de las instalaciones a la nube.

Los beneficios de la nube son significativos.

Tal vez la principal sea la rapidez, que en medio del incierto clima económico que comenzó con el inicio de la pandemia de COVID-19 y ha continuado con las interrupciones de la cadena de suministro y el inicio de la guerra en Ucrania, se ha convertido en algo crítico.

Con las condiciones económicas que han cambiado rápidamente en los últimos dos años, la toma de decisiones ágil basada en datos nunca ha sido tan importante, y la nube es lo que permite la ingestión y el procesamiento de datos en tiempo real para acelerar las decisiones informadas cuando se necesitan.

Pero la nube tiene un costo.

En particular, el costo de ejecutar consultas en tiempo real sobre grandes cantidades de datos almacenados en lagos de datos puede ser caro, según Dan Sommer, director senior y líder de inteligencia de mercado global en Qlik.

"Lo que las organizaciones están descubriendo es que cuando solo se utiliza esta técnica, pueden acabar con costos de computación en la nube desbocados", dijo.

Mientras tanto, el mercado de valores ha caído precipitadamente este año, la inflación se ha disparado y muchos observadores económicos temen una recesión. Como resultado, los directores financieros de las organizaciones se están implicando más en la analítica y en la creación de marcos de gobernanza de costos, señaló Sommer.

Su reto, al igual que las medidas de gobernanza de datos deben lograr un equilibrio eficaz entre la gestión de riesgos y la habilitación de los usuarios, es controlar los costos sin dejar de animar a los empleados a trabajar con los datos.

"Los marcos de gobernanza de costos están evolucionando a medida que muchas organizaciones ven cómo se disparan los costos", dijo Sommer. "Pero no hay que limitar las consultas. Ahí es donde residen las bondades".

Una estrategia que algunas organizaciones están empleando es la de examinar qué consultas son más comunes y efectivas, para que los usuarios no hagan tantas preguntas al azar sobre sus datos, continuó.

"En lugar de utilizar exclusivamente las consultas en vivo, es necesario un enfoque de gestión y análisis de datos basado en los requisitos de frecuencia y latencia", dijo Sommer. "Podría ser útil trazar un 'mapa de calor' de sus consultas típicas, con una mezcla de consultas en memoria y en vivo, y una mezcla de lotes y tiempo real".

Toma de decisiones en tiempo real

En el centro de muchas tendencias analíticas está el esfuerzo por aumentar la velocidad con la que se pueden tomar decisiones.

La capacidad de tomar decisiones rápidas y precisas siempre ha sido importante, pero el inicio de la pandemia de COVID-19 hizo que la velocidad fuera una parte esencial del proceso de análisis empresarial.

Las condiciones, tanto las relacionadas con la economía como con la salud de las personas, cambiaban rápida y constantemente. Las organizaciones, por tanto, necesitaban que sus datos estuvieran lo más actualizados posible y que los procesos de toma de decisiones de sus organizaciones fueran lo más ágiles posible.

Y esto no ha hecho más que continuar con el inicio de la guerra en Ucrania, el fenómeno de la "Gran Renuncia" y el aumento de la inflación. Como resultado, permitir una toma de decisiones ágil es una tendencia que comenzó hace unos años y que siguió influyendo tanto en los proveedores como en los consumidores de datos durante la primera mitad de 2022.

Debido a esa necesidad de rapidez, Qlik convirtió el concepto de "inteligencia activa" en una filosofía rectora en 2020, y MicroStrategy sigue aumentando su herramienta HyperIntelligence para proporcionar conocimientos a los usuarios dentro de sus flujos de trabajo. ThoughtSpot, por su parte, ha impulsado drásticamente la velocidad de su plataforma al hacerla completamente nativa de la nube.

"Los ciclos de toma de decisiones se están reduciendo", dijo Ajeet Singh, presidente ejecutivo de ThoughtSpot. "Antes había unas cuantas decisiones que se tomaban de forma descendente, y ahora puedes permitir que tu primera línea tome su propia decisión optimizada".

Esa agilidad es fundamental, continuó.

Al mismo tiempo que permite a las organizaciones ajustarse cuando las cadenas de suministro se interrumpen, como ha sucedido muchas veces desde el comienzo de la pandemia, o cuando la demanda de sus servicios fluctúa más rápidamente y con menos previsibilidad que antes de 2020, la agilidad también permite a las organizaciones competir con sus pares que también están invirtiendo en la toma de decisiones en tiempo real.

Por ejemplo, en el sector minorista, las organizaciones tienen que tomar decisiones constantemente sobre qué artículos promocionar.

Antes había ciclos predecibles –el ejemplo de los pantalones cortos y los trajes de baño que son populares por temporadas–, pero ahora la demanda es menos predecible. Un consumidor puede comprar unos pantalones cortos o un traje de baño por internet en lugar de hacerlo en un local físico, y como puede hacer la compra desde el teléfono o la laptop, puede estar más inclinado a comprar los artículos en noviembre que en mayo.

Y si la empresa minorista ha recopilado datos sobre ese consumidor y sabe que podría comprar algo "fuera de temporada" si hay una oferta, la empresa minorista puede personalizar su marketing hacia ese consumidor.

"En el sector minorista, el merchandising se solía hacer tal vez cada mes o cada trimestre, pero ahora se hace cada hora", dijo Singh. "Cada hora hay que decidir si se promocionan camisetas amarillas o rojas, en función de las necesidades. Los ciclos de toma de decisiones se están reduciendo y los negocios se están volviendo muy personalizados, y eso requiere un modelo de toma de microdecisiones a escala".