NicoElNino - stock.adobe.com
Lo que deben saber las compañías sobre big data, BI y analítica empresarial
Con la enorme cantidad de datos que hoy recolectan las empresas, el uso de big data, inteligencia de negocios y analítica de negocios se vuelve crucial para analizar comportamientos, predecir patrones y tomar mejores decisiones.
En la era de la transformación digital, conceptos como big data, inteligencia de negocios y analítica de negocios paulatinamente han sido 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.
No obstante, estas tecnologías poseen diferencias propias que es importante aclarar.
Adriano Esposito, SONDA.
Adriano Esposito, director de Transformación e Innovación digital de Sonda, explica que 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. A su vez, la inteligencia de negocios o business intelligence está más vinculado a la visualización e interpretación de datos, y la analítica de negocios o business analytics es la aplicación de modelos matemáticos y estadísticos con IA (aprendizaje automático o computación cognitiva) para transformar datos en información, permitiendo no solo analizar lo sucedido (análisis descriptivo), sino comprender el motivo del evento (análisis diagnóstico), qué 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», dice.
Andrés Villa, SAS.
Una visión similar entrega Andrés Villa, especialista en soluciones de Big data de SAS, para quien BI es el acceso a conjuntos de datos ya organizados y almacenados que permiten una navegación sencilla, «mientras que big data se centra en procesos masivos para un alto volumen de datos, gracias a la organización y el alcance a nueva información. Esto lleva a pensar que solo es aplicable para grandes empresas, pero lo cierto es que cada vez son más los pequeños y medianos negocios los que se están interesando en este tipo de tecnologías».
Por otro lado, explica Villa, la analítica empresarial representa un nivel de comprensión de los datos más profundo y analítico. «Cuando hablamos de analítica nos referimos a obtener valor de los datos y del beneficio que puede tener entender más allá del resultado: Es entender la razón por la que ocurrió ese resultado, cómo mejorarlo o cómo evitarlo. La analítica nos permite navegar entre una gran variedad de técnicas para descubrir, predecir, optimizar y tomar decisiones basadas en el conocimiento obtenido de los datos», explica.
Es importante también distinguir que el equipo de trabajo de big data pertenece al departamento de tecnología y reporta de forma general al CTO (Chief Technology Officer), mientras que los equipos de inteligencia de negocios están integrados en el departamento de dirección de la empresa y reportan al CSO (Chief Strategy Officer).
Rodrigo Acevedo, Entersoft.
«La confusión entre ambas tecnologías radica en el hecho de que ambas deben funcionar de forma conjunta y plenamente integradas. Esto significa que el equipo de BI debe trabajar junto al de big data para establecer qué datos necesitan para luego aplicar acciones de análisis sobre ellos. Business Analytics también recolecta y analiza datos, pero implica análisis estadísticos y modelos predictivos con el fin de descubrir el por qué de las cosas en el presente y cómo sucederán en el futuro; pretende solucionar problemas antes de que sucedan. Este concepto está muy ligado a la situación actual y futura de las compañías. Gracias a la información de la que se dispone en este momento se crean modelos predictivos para apoyar la toma de decisiones y mejorar la competitividad», explica Rodrigo Acevedo, gerente general de Entersoft.
Desafíos que enfrentan hoy estas tecnologías
Los expertos coinciden en que captar, almacenar y analizar los datos es una base fundamental para el éxito de los negocios, especialmente en esta época de transformación digital. En paralelo, aspectos como la seguridad de estos o el uso de personal calificado se vuelven primordiales para poder utilizarlos correctamente en la operación de las compañías.
«Preparar big data para la analítica no es tarea fácil. Primero se debe acceder, perfilar, limpiar y transformar los datos, lo que podría consumir grandes cantidades de tiempo. La ingeniería y gestión de datos se ha convertido en un desafío para las industrias, ya que el uso de la inteligencia artificial y otros dispositivos están generando un aumento masivo en la cantidad de información que las empresas recolectan, manejan y analizan. Al implementarlas dentro de sus estrategias, las industrias deben identificar sus metas, iniciativas de negocio y la tecnología que manejan y cuál quieren potenciar para futuras acciones. En este sentido, deben saber gestionar los datos como cualquier otro activo empresarial valioso, y no como un subproducto», comenta Villa, de SAS.
En este contexto de transformación digital, las organizaciones han comprendido que tener una cultura data-driven, con toma de decisiones basada en los datos, es un factor de supervivencia en un mundo corporativo extremadamente competitivo. Sin embargo, «cuando la herramienta utilizada para el procesamiento de la información intenta combinar datos inconsistentes de diferentes fuentes, se puede encontrar errores. Como 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», advierte Esposito, de Sonda.
Respecto de la 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», señala Esposito. «No solo debe enfocarse en la implementación de este tipo de tecnologías con el fin de administrar mejor el negocio, sino también deben aplicarla en materia de resguardo de información. Es clave invertir en este punto», complementa Villa.
Los expertos agregan que, para hacer frente a las soluciones avanzadas de big data y analítica con la cantidad de datos cada vez más grande, se requiere tecnología e infraestructura de TI adecuadas. En este contexto, las nubes son grandes aliados para el despliegue de estas tecnologías.
En cuanto a los recursos humanos, advierten que no existen muchos profesionales capaces de trabajar en el área con el máximo aprovechamiento de estas tecnologías. «Después de todo, se necesitan habilidades en matemáticas, estadística, lenguaje de programación y conocimientos de gestión para manejar datos. [Se recomienda] invertir en un equipo multidisciplinar para superar estos problemas, y en la mejora de la formación y la consultoría que puedan incrementar el rendimiento del equipo», resalta Esposito.
Consejos para implementar soluciones de big data, BI y analítica
El análisis de datos le permite saber a las compañías cuál es el próximo paso que deben tomar. Descubrir patrones y correlaciones les da una percepción clara del mercado para tomar decisiones inteligentes y seguras. Por eso, es importante identificar debilidades, desafíos y oportunidades en donde una adecuada gestión de datos puede generar valor.
«Se debe considerar automatizar procesos tediosos, de bajo valor agregado y propensos a errores manuales. Esto permite liberar tiempo de personas que pueden destinarlo a tareas de mayor valor y apoyar la toma de decisiones, permitiendo mejor acceso a la información y potenciales perspectivas de valor. Así podemos justificar la inversión considerando los beneficios», sostiene Acevedo, de Entersoft.
Villa, de SAS, recomienda para empezar, a una empresa que quiera implementar big data, «considerar una serie de factores: cómo fluyen entre una multitud de lugares sus fuentes, sistemas, propietarios y usuarios. Si la empresa es capaz de administrar datos de manera confiable, se traduce en analítica y decisiones confiables y certeras. Para poder llevar a cabo el proceso, hay cinco claves: establecer una estrategia de datos; identificar sus fuentes; acceder, gestionar y almacenar datos; analizarlos, y finalmente tomar decisiones basadas en estos mismos».
Entonces, considerando que usar grandes volúmenes de datos sin tener un desafío concreto o un objetivo claro es como navegar sin una brújula, los especialistas recalcan que se debe comenzar por identificar los problemas de la empresa en los que big data y la analítica pueden ser útiles. Luego se vuelve crucial la infraestructura y el 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, las empresas comienzan a tener problemas de desempeño y precisión en los resultados», afirma Esposito de Sonda.
Finalmente, se debe 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 solucionar un problema a corto plazo, pero acaba resultando demasiado costoso a medio y largo plazo», concluye el director de Transformación e Innovación digital de Sonda.
Casos de éxito de uso de tecnologías de big data, BI y BA
Adriano Esposito, director de Transformación e Innovación digital de Sonda, ejemplificó el uso exitoso de estas tecnologías con dos casos:
- La prevención de fraudes en un importante tribunal de cuentas de Brasil, donde se aplicaron técnicas de analítica e inteligencia artificial con aprendizaje automático para identificar fraudes en licitaciones públicas. Estas soluciones identificaron, entre todas las licitaciones fallidas, las que tenían la mayor probabilidad de fraude y las priorizó para la auditoría de la agencia, minimizando las pérdidas monetarias.
- El uso de analítica de riesgo en una gran institución financiera pública, en la que se correlacionaron y procesaron datos de más de 100 sistemas, con un enfoque en comprender el riesgo de mercado y la liquidez de los productos de inversión, minimizando el riesgo de exposición del banco a cada uno de los activos. Mediante técnicas de big data, analítica y BI, la solución resolvió las reglas del Banco Central, realizó simulaciones de exposición y prescribió la mejor forma de inversión para cada producto.
