6 mejores prácticas esenciales de Big Data para empresas

Durante la última década, las herramientas de análisis y gestión de big data han sido tecnologías de transformación para empresas de todos los tamaños en diferentes industrias. Por ejemplo, los minoristas ahora tienen una mirada en profundidad a toda su cadena de suministro. Los fabricantes pueden supervisar y gestionar el rendimiento de miles de componentes y máquinas en sus fábricas. Los especialistas en marketing pueden analizar cada punto de contacto con el cliente, desde las visitas al sitio web hasta las llamadas telefónicas y las compras.

Aun así, sigo escuchando mucha confusión sobre cómo aprovechar al máximo las arquitecturas de big data. Voy a describir seis mejores prácticas de big data que debe tener en cuenta. Si lo desea, puede traer seis temas de discusión a la mesa cuando el tema más amplio de invertir en tecnologías de big data surja en su negocio. Estos no son de naturaleza demasiado técnica. Recuerde, los macrodatos son un activo comercial, no solo un recurso técnico. Empecemos por ahí.

1. Céntrese en las necesidades empresariales, no en la tecnología

La tecnología, especialmente en el área del análisis de macrodatos, avanza rápidamente. Los equipos de análisis y gestión de datos ahora pueden manejar volúmenes de datos y complejidades analíticas que solo las corporaciones y agencias gubernamentales más avanzadas eran hace unos años. Podemos dejarnos llevar por la tecnología en sí, siempre que cuando haya una nueva característica, su uso tenga algún beneficio.

Por ejemplo, muchas empresas les dicen a los proveedores y consultores que quieren analizar sus datos en tiempo real. Sin embargo, cuando profundizamos en lo que esto significa, a menudo encontramos dos problemas que no son técnicos en absoluto.

En primer lugar, los datos se generan y recopilan con un nivel de detalle mucho más fino del que muchos usuarios comerciales pueden comprender o con el que pueden trabajar. En segundo lugar, la empresa no puede tomar decisiones relevantes a esta velocidad, incluso si los sistemas de big data pueden proporcionar análisis procesables a medida que se capturan o cambian los datos. Como resultado, los ejecutivos y empleados siempre se quedan atrás del análisis de datos en sus acciones, lo que significa que, hasta cierto punto, han incurrido en costos innecesarios.

Este desajuste entre el flujo de datos y el ritmo de las decisiones comerciales también puede hacer que los usuarios se sientan estresados ​​y abarrotados de información que obstaculiza su trabajo. Al procesar solicitudes de análisis en tiempo real en entornos de big data, vale la pena preguntarse si el «análisis en el momento adecuado» se adapta mejor al ritmo del negocio.

Diagrama de mejores prácticas de big data
Las organizaciones deben adoptar estas mejores prácticas como parte de sus iniciativas de big data.

2. Recopilar una gran cantidad de datos es algo bueno, no un problema.

Muchos científicos y analistas de datos se quejan de sentirse abrumados por los datos y ven el big data como parte de ese problema. Por supuesto, no debe inundar ni siquiera a los analistas experimentados con más datos de los que pueden absorber y comprender cómodamente.

Aun así, no todos los datos tienen que ser analizados por humanos. Los algoritmos de aprendizaje automático y las herramientas de inteligencia artificial pueden aprovechar grandes cantidades de datos que los equipos de ciencia de datos no podrían manejar por sí mismos.

Incluso si elige no realizar análisis en tiempo real, aún puede resultar valioso recopilar y almacenar todos estos datos de transmisión para uso futuro. En el futuro, los científicos de datos pueden encontrar patrones en grandes cantidades de datos históricos que pueden usarse para identificar posibles problemas u oportunidades comerciales. Luego, podría enviar alertas y notificaciones para ayudar a mejorar las decisiones comerciales.

El volumen de big data solo nos abruma si lo dejamos. Su estrategia de big data debería centrarse ahora en ofrecer de forma eficaz la analítica más adecuada para las decisiones empresariales mientras almacena, gestiona y gestiona datos para casos de uso y escenarios analíticos que quizás ni siquiera conozca.

3. Utilice la visualización de datos para permitir el descubrimiento y el análisis de datos.

Cuando trabajamos con información de escala, nuestra capacidad visual es incomparable para comprender cualquier cosa. Incluso las personas que no tienen las habilidades de codificación para escribir un algoritmo de agrupación en clústeres o describir cómo funciona pueden elegir fácilmente una serie de puntos de datos en un gráfico generado por ese algoritmo. Y aquellos que no puedan encontrar valores atípicos mediante programación en una variedad de macrodatos encontrarán fácil detectar algunos valores que simplemente no encajan en el patrón visual que ven. Con visualizaciones de datos adecuadas, todos somos analistas de datos naturales.

Por supuesto, no todas las visualizaciones son simples y fáciles de entender. Sin embargo, cuando se trata de big data, la comprensión de los usuarios comerciales y, en consecuencia, su uso en la toma de decisiones se vuelve más eficaz a través de representaciones visuales bien diseñadas de los datos y los resultados analíticos. Esto es especialmente cierto para las aplicaciones de análisis predictivo, donde la interpretación de los detalles de los datos puede ser muy técnica, incluso si la imagen general de las tendencias y probabilidades futuras es muy relevante para los objetivos comerciales.

Con estos patrones de descubrimiento en mente, su estrategia de big data debe incluir herramientas de visualización de datos adecuadas y capacitación relevante para analistas y usuarios comerciales.

4. Iterar la estructura de Big Data para adaptarla a aplicaciones específicas.

Los macrodatos, por su naturaleza, deben gestionarse a gran escala, pero también debe darse cuenta de que son muy diversos. Por ejemplo, las grabaciones de audio de las llamadas de atención al cliente se pueden almacenar en un entorno de big data, posiblemente junto con imágenes de productos, contenido relevante de redes sociales, varios tipos de documentos y datos más tradicionales, como transacciones y registros operativos.

Por tanto, el uso de estos datos también es muy diverso. Simplemente no puede resolver todos los posibles casos de uso y requisitos comerciales por adelantado. Del mismo modo, no puede desarrollar todos estos escenarios de análisis en un solo proyecto. Con el tiempo, descubrirá nuevos usos para los macrodatos a medida que su equipo de análisis evolucione, las necesidades comerciales cambien y los avances tecnológicos.

La preparación para el futuro es una de las grandes ventajas de los lagos de datos y las plataformas de big data como Hadoop y Spark: no tiene que estructurar los datos cuando los procesa y almacena por primera vez. En cambio, los datos se pueden dejar en su formato nativo y luego filtrar, transformar y organizar según sea necesario para cada nueva aplicación analítica.

Este enfoque iterativo debería ser una parte integral de su pensamiento estratégico a largo plazo en torno a big data. Recuerde: es un maratón, no un sprint.

5. Considere la nube para la implementación de sistemas de big data

Con un proceso incremental de administración de datos y la necesidad de almacenar grandes cantidades para un posible uso futuro, puede preocuparse por el costo de almacenar tantos datos. En lugar de ser una barrera costosa para su estrategia de big data, los servicios en la nube realmente pueden ayudar.

Por un lado, los proveedores de plataformas en la nube califican el almacenamiento de datos como una mercancía, lo que generalmente lo hace mucho más barato que comprar sus propios dispositivos de almacenamiento local. También gestionan la seguridad, la disponibilidad, la copia de seguridad y la recuperación, la replicación y el archivo de los datos en su nombre. Es probable que una plataforma de big data en la nube no solo tenga más potencia de procesamiento, sino también mejores herramientas y personas más experimentadas para respaldarlos de lo que su empresa puede pagar por sí sola.

6. Regular los datos para el cumplimiento y la usabilidad.

En el entorno normativo actual, la gestión de datos sólida ya no es opcional: debe ser una consideración importante en su estrategia de big data. Ya sea que tenga que lidiar con leyes generales de privacidad y protección de datos como el GDPR de la Unión Europea o regulaciones verticales como la HIPAA para información de salud en los Estados Unidos, el cumplimiento normativo es una motivación importante para administrar bien sus datos.

¿Eso suena negativo? ¿La gobernanza de datos está realmente ahí para asegurarse de que no estamos infringiendo la ley? De hecho, los datos bien regulados también son un mejor recurso para las aplicaciones de análisis de big data. En parte, se trata de confiar. Cuando administra cuidadosamente los datos dentro de un marco regulatorio, los científicos y analistas de datos pueden explorar y experimentar mejor con escenarios de uso nuevos y potencialmente innovadores. Además, las organizaciones generalmente encuentran que los datos bien regulados (catalogados, descritos, protegidos y proporcionados cuidadosamente) también son más fáciles de procesar.

Ponga en práctica estas mejores prácticas de big data

Como puede ver, hay muchos problemas relevantes que deben resolverse al considerar y desarrollar una estrategia de big data. Los ejecutivos de los campos de la TI, la gestión de datos y el análisis tienen que mantener estas conversaciones con los responsables de la toma de decisiones, porque, como hemos visto una y otra vez, las tecnologías por sí solas no son suficientes. Como dije anteriormente, el big data es un activo económico. Sin un análisis centrado en el negocio, esto puede ser un desperdicio.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *