El volumen y la forma en que generamos y consumimos datos se ha transformado en los últimos años. Las Data Driven Enterprises aprovechan esta explosión de datos para tomar decisiones generadoras de valor.
2. Agenda
● Una pequeña historia
● La escena actual
● ¿Cómo tomamos decisiones?
● Data Driven Enterprises
● Agile Analytics
○ Lean Analytics
● Notas finales
9. Data Lake
Carga (Load)TransformaciónExtracción
Estructura jerárquica
Datos relacionales
Los datos se limpian y procesan antes de
ser consumidos
Los procesos de ETL son estáticos
ETL Tradicional
Estructura plana
Etiquetas de metadatos
Los datos se colocan crudos (o
mínimamente tratados)
Los datos se alistan a demanda
No requiere construcción de procesos
estáticos específicos
Data Lake
ConsumoDatos crudos
Fowler, M. (2015) Data Lake. http://martinfowler.com/bliki/DataLake.html
Terrizzano, I., Schwarz, P. M., Roth, M., & Colino, J. E. (2015). Data Wrangling: The Challenging
Yourney from the Wild to the Lake. In CIDR.
11. Los tomadores de decisiones
Betsch, T., & Haberstroh, S. (Eds.). (2014). The routines of decision making.
Psychology Press.
Pettigrew, A. M. (2014). The politics of organizational decision-making.
Routledge.
12. Los motivos
Obsolescencia
Regulaciones
Betsch, T., & Haberstroh, S. (Eds.). (2014). The routines of decision making.
Psychology Press.
Pettigrew, A. M. (2014). The politics of organizational decision-making.
Routledge.
15. Mitos
● Toma mucho obtener resultados
● Para ser Data Driven se requiere:
○ Ser una compañía grande
○ Tener una gran cantidad de datos
○ Tener Big Data
■ Invertir en sofisticadas y costosas soluciones
○ Tener Data Scientists en el equipo
● Una empresa Data Driven debe:
○ Tener datos sobre todo
■ Sobre absolutamente todo
Davenport, T. (2014). Big data at work: dispelling the myths, uncovering the
opportunities. Harvard Business Review Press.
Deva, D (2015) Agile Data Science
http://www.slideshare.net/DhianaDevaRocha/agile-data-science-54621593
16. Entonces, ¿qué es ser Data Driven?
● Reconocer la importancia de tener datos limpios
○ Y hacer esfuerzos por mantenerlos limpios
● Validar modelos empíricos
● Proveer información a los niveles táctico y estratégico
● Usar datos para mejora continua
○ Procesos operativos
○ Operación interna
● Hablar el lenguaje del negocio
● Entender y responder preguntas de negocio
○ Oportunamente
○ Con información relevanteSanders, N. R. (2014). Big Data Driven Supply Chain Management: A Framework for
Implementing Analytics and Turning Information Into Intelligence. Pearson Education.
Selwyn, N. (2015). Data entry: Towards the critical study of digital data and
education. Learning, Media and Technology, 40(1), 64-82.
18. La realidad...
Iffat, N., Chaudhry, S., Bilal, W. A., & Rabail, A. (2015). An Empirical Study on Critical Failure Factors and
Business Intelligent System Failure at Pre-implementation Phase in Small and Medium Enterprises in
Pakistan.Business and Economics Journal, 2016.
TDWI Research, 2011. TDWI BI Benchmark Reports: Organizational and Performance metrics for Business
Intelligence teams. TDWI.
● Agregar nuevas fuente de datos es costoso.
○ Tiempo
○ Esfuerzo
○ Costo de oportunidad
● Muchos proyectos de datos fallan
○ Innovación técnica no agrega el valor deseado
○ Análisis preliminar exhaustivo
○ Fuentes de datos sub utilizadas (o jamás utilizadas)
19. ¿Qué es Agile Analytics?
Procesos + Metodologías + Herramientas + Tecnologías
Estructura organizacional
+
Toma de decisiones
Mayor
flexibilidad
Enfoque en
entrega de
valor
Resultados
tempranos
Evita
inversión
innecesaria
Colaboración, Dev Ops: Automatización, Integración / Entrega continua
Collier, K. (2011). Agile analytics: A value-driven approach to business intelligence and data warehousing. Addison-Wesley.
Deva, D (2015) Agile Data Science http://www.slideshare.net/DhianaDevaRocha/agile-data-science-54621593
Evelson, B. (2011). Trends 2011 And Beyond: Business Intelligence. Agility Will Shape Business Intelligence For The Next Decade, Forrester
Research.
23. ¡Analytics en acción!
Croll, A & Yoskovitz, B. (2013). Lean Analytics. O’REILLY
Correlación Causalidad
Proyectar / Predecir Cambiar comportamiento
Identificar correlación
Probar causalidad
Optimizar factores
causales
!=
24. Encuentra UNA MEDIDA que importe
● OMTM (Only measure that matters)
○ Objetivo de negocio
○ Comparable
○ Trazable
Croll, A & Yoskovitz, B. (2013). Lean Analytics. O’REILLY
Identifica un problema de negocio
Escoge una OMTM
Decide a dónde quieres ir
Y empieza!