6 Consejos para Obtener el Máximo Rendimiento de Análisis de Big Data

 

Dado el enorme volumen de datos que se genera en la actualidad,  se ha llegado a un punto en el que a las empresas les conviene utilizar el análisis de los grandes volúmenes de datos de manera rentable. Debido a la gran diversidad de tipos de datos, la extracción de valor requiere la adopción de un conjunto diverso de técnicas analíticas. Sin embargo, la velocidad a la que estos grandes volúmenes de datos se acumulan implica que la información analítica sólo mejorará el rendimiento del negocio en la medida en la que se puedan tomar acciones rápidamente. Y las empresas se enfrentan a esta disyuntiva: ¿cómo tomar decisiones a gran velocidad?

T.J. Horan, vicepresidente de Product Management de FICO, ha publicado una lista en BDQ de las seis mejores prácticas para la obtención de más valor de negocio a la hora de enfrentarse a Big Data y éstas son sus sugerencias:

1. Comenzar con un problema de negocio en mente.

La exploración de enormes cantidades de datos con Hadoop y otras herramientas analíticas avanzadas es una práctica que se ha consolidado en la actualidad. Ésto puede ser interesante para el equipo de análisis pero puede traducirse en una pérdida de tiempo y recursos si los resultados no se traducen en algo que resuelva los problemas empresariales del mundo real. En esta situación, lo recomendable es identificar proyectos que sean tanto prometedores como prácticos, y dedicar el tiempo necesario a comprender los diversos tipos de problemas que los análisis de grandes datos pueden resolver en cada organización. Por ejemplo, se habla mucho de análisis de datos no estructurados como el vídeo y las conversaciones. Sin embargo, la más importante fuente de Big Data para muchos está en torno a las transacciones de los consumidores, que tienden a producir datos estructurados. Las transacciones de tarjetas de crédito y los programas de fidelidad, por ejemplo, producen abundantes flujos de datos. Estos están repletos de detalles sobre qué, cuándo, cuánto y cómo realiza un  gasto un individuo. Además, el costo y la complejidad de analizar grandes cantidades de datos estructurados son a menudo mucho más bajos que el costo y la complejidad del análisis de los datos no estructurados.

El objetivo final está en averiguar qué tipo de problemas de negocio se pueden abordar con los datos que tenemos, y garantizar que la información de los datos que se está analizando no es solamente actual y precisa sino que además ofrece una visión certera de la realidad.

Big Data

imagen: luckey_sun

Para lograr un valor empresarial real hay que ser capaz de poner en práctica los resultados del análisis. Aunque esto parece obvio, demasiados proyectos se quedan cogiendo polvo  debido a que es demasiado complicado aprovechar los hallazgos allí dónde puedan aportar valor. El costo de oportunidad para un negocio puede ser inmenso.

Una selección inteligente de datos es fundamental. Lo que se ve maravilloso en el laboratorio puede no estar disponible o puede ser demasiado caro obtenerlo en el tiempo necesario para su uso en las operaciones comerciales del día a día. Las regulaciones de la industria también pueden afectar dónde y cómo se pueden utilizar los datos.

Los equipos de desarrollo de análisis deben considerar cuidadosamente cómo sus modelos serán publicados y utilizados por el marketing, servicio al cliente, desarrollo de productos, o equipos de operaciones.

3. Aprovechar la innovación analítica.

Las innovaciones en el procesamiento y análisis de Big Data están transformando el modo en que las empresas obtienen valor de los datos personales de sus clientes. Se está produciendo un cambio de enfoques hacia un suministro de instantáneas periódicas en forma de reportes e informes descriptivos a sistemas que analizan continuamente los datos de entrada para producir predicciones (qué es probable que suceda) y recetas (qué hacer al respecto) en tiempo real.

Existen muchos tipos de herramientas analíticas que operarán con mayor intensidad dentro de flujos de producción. Basándose cada vez menos en datos históricos, responderán con mayor énfasis a los cambios en el entorno actual. Los resultados analíticos serán combinados con procesamiento de eventos complejos para permitir respuestas muy rápidas a los comportamiento de los clientes.

Herramientas e infraestructura de grandes volúmenes de datos, por tanto, están haciendo que sea más fácil aplicar técnicas de aprendizaje automático para explorar grandes conjuntos de datos, incluída una amplia variedad de datos estructurados y no estructurados. El equilibrio correcto entre estas técnicas de síntesis analítica junto a la experiencia en el campo humano no sólo elevará el rendimiento del negocio, sino que mejorará la capacidad de las empresas para aprender a un ritmo veloz de los experimentos controlados por datos.

4. Aceptar la diversidad analítica.

R, Python, Colmena, Groovy, Scala, MATLAB, SQL y SAS: Uno de los efectos secundarios de la explosión en el mundo de la innovación analítica es que para beneficiarse de las últimas técnicas se requiere aprender todo un nuevo conjunto de herramientas. Los equipos de análisis tendrán que utilizar inevitablemente varios métodos de trabajo para producir la información que necesita la empresa. Es obvio qué combinar diferentes tipos de técnicas de análisis puede ofrecer resultados superiores.

Para lograr que múltiples tipos de modelos analíticos trabajen juntos en un entorno eficiente y robusto de producción se necesita una infraestructura flexible que fomente la diversidad. El uso productivo  de la analítica requiere disciplina y control, al mismo tiempo que se trabaja en encontrar maneras de no ahogar la creatividad. Las organizaciones que buscan el éxito han de lograr ese balance.

5. Aprovechar los servicios en la nube y en las plataformas de productividad.

Realizar análisis de grandes volúmenes de datos ya no requiere una gran inversión en una costosa infraestructura ni habilidades especializadas. Mediante el aprovechamiento de servicios en la nube las empresas pueden dejar que un tercero se dedique de forma segura a manejar los sistemas y servicios subyacentes y pagar sólo por la capacidad y los servicios que necesitan. El uso de arquitectura abierta es una manera más rápida y menos costosa de trabajo en comparación con los tradicionales sistemas de integración de uno a uno.

6. Equilibrar la automatización con la experiencia.

Más análisis no significa una menor necesidad de experiencia humana. La experiencia analítica moldeada por el conocimiento profundo es esencial para la construcción de modelos de predicción y de toma de decisiones eficaces. La escasez actual de talento analítico añade más presión a las empresas que deben asegurarse que emplean “data scientists” bien formados, tanto a nivel interno como colaboradores.

Con la expansión del código abierto y de herramientas científicas de análisis de datos comerciales, los nuevos “data scientists” a menudo utilizan herramientas de síntesis sin una verdadera comprensión de cómo funcionan, de qué significan los parámetros, y del impacto que pueden tener en sus decisiones de negocio.

Es necesario asegurarse de que las personas que trabajan para sus proyectos de Big Data comprenden realmente los datos que impulsarán las decisiones y la construcción de los modelos analíticos. Cuando los análisis ofrecen resultados decepcionantes se debe, con gran frecuencia, a que no hay suficiente experiencia analítica.

En esta era de Big Data es fácil entender el valor que los grandes volúmenes de datos pueden aportar a las empresas, pero no es tan fácil extraer ideas de flujos de entrada de datos en forma de acciones concretas y en el tiempo adecuado para lograr una diferencia en los resultados. TJ Horan considera, sin embargo, que si una empresa adopta un conjunto de prácticas confiables podrá hacer frente al reto de sacar partido al gran volumen de información que la rodea.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s