43 17 log_data discovery_1

Data Discovery:
Sí, pero gobernado
y predictivo
Análisis predictivo

ÍNDICE
¿Qué es el descubrimiento de datos?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Cómo Data Discovery está transformando la inteligencia de negocio . . . . . 5
Los pros y contras de Data Discovery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Data Discovery mejores prácticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Data Discovery predictivo.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3
«Para el 2017, más usuarios de negocio y analistas en las orga-
nizaciones tendrán acceso a herramientas de autoservicio para
preparar los datos para su análisis»
Gartner Newsroom
¿Qué es el descubrimiento de datos?
Los usuarios de negocio hoy en día se enfrentan a la necesidad de bucear entre
enormes cantidades de datos, teniendo que esperar, días, semanas o incluso me-
ses para que, desde el Departamento de TI, les lleguen los informes que precisan.
En plena era de Big Data, cuando la velocidad ha pasado a ser un atributo crí-
tico en cualquier asunto relvacionado con los datos, las preguntas no pueden
quedar sin respuesta. Deben obtenerla con la mayor agilidad posible, de otra
forma, puede ser demasiado tarde.
Para resolver este tipo de situaciones tan frecuentes, ha llegado el Data Disco-
very, un término joven, acuñado hace muy pocos años y que hace referencia a
la solución a este problema generalizado. El descubrimiento de datos se ocupa
de la forma en que las empresas hoy día visualizan y acceden a sus datos. Data
Data Discovery:
Sí, pero gobernado y predictivo

4
Discovery es sinónimo de auto-servicio analítico en clave de software, y sus
principales características son:
Permite a un usuario de negocio profundizar rápidamente en grandes
cantidades de datos sin relación para consultar la información de su interés.
Se basa en el lanzamiento de preguntas ad-hoc, funcionando de forma
muy parecida a la manera en la que trabajan los motores de búsqueda de
Internet (como Google).
Cada plataforma de software otorga un enfoque diferente al descubrimiento
de datos, centrándose a veces en la creatividad que impulsa, otras en la
visualización de datos y también en su capacidad para impulsar la pre-
cisión de la toma de decisiones.
En cualquier caso, no se puede hablar de Data Discovery sin tener en cuenta tres
atributos esenciales de cualquier herramienta de descubrimiento de datos:
1. La capacidad para integrar múltiples fuentes de datos.
2. El potencial para hacer un análisis de la información de forma
fácil y rápida.
3. Las posibilidades intrínsecas de visualización interactiva.
«Las herramientas visuales de descubrimiento de datos crece-
rán 2,5 veces más rápido que el resto de las del mercado de
Business Intelligence (BI). En 2018, la inversión en este tipo
de soluciones de autoservicio del usuario final se convertirá en
un requisito para todas las empresas».
IDC FutureScape: Worldwide Big Data & Analytics 2015 Predictions

5
Muchas veces, el descubrimiento de datos se engloba en la misma categoría que
Big Data, ya que abarca las tres «Vs» típicamente usadas para describir este fe-
nómeno: volumen, velocidad y variedad. Data Discovery hace realidad el deseo
del usuario de trabajar con conjuntos de datos muy grandes y obtener respuestas
rápidamente. Concretamente:
Los usuarios pueden explorar datos, tanto estructurados como no es-
tructurados, amplificando su alcance y optimizando la calidad de sus traba-
jos, informes, análisis y toma de decisiones.
No existen los límites en cuanto a la variedad de fuentes.
Su máxima es el autoservicio, que se potencia cuando se cuenta con la he-
rramienta adecuada, que es la que, además de ser fácil de usar, dispone de
funcionalidades gráficas atractivas, que permiten conseguir resultados muy rá-
pidamente.
No es preciso ya recurrir a TI. Históricamente este departamento siempre
tenía potestad y veto a la hora de que la empresa adquiriese una nueva plata-
forma informática, pero eso ha cambiado. El peso de negocio ha aumentado
mucho a la hora de tomar decisiones sobre la compra de una solución de soft-
ware, hasta el punto de que, dependiendo de las empresas, muchas veces son
autónomos y no necesitan la aprobación de TI.
En resumen, la inteligencia de negocio adquiere una nueva dimensión ya que,
aunque las herramientas de descubrimiento de datos han existido por un tiempo,
su nuevo enfoque más flexible y orientado al análisis de datos logra que el BI
sea más accesible a las masas. Mucho más si se tienen en cuenta las posibilida-
des de personalización que:
Permiten emplear enfoques menos convencionales para el almacenamiento
de datos.
Buscan agilizar los procesos de ETL.
Consiguen, en muchos casos, incluso relajar los requisitos de integración de
datos.
El resultado es que el descubrimiento de datos ha dejado de ser coto privado de
personal especializado o expertos en informática para pasar a ser materia compar-
tida por cualquier usuario de negocio. Una realidad que conlleva muchas ventajas...
pero también algunos inconvenientes que conviene conocer.
Cómo Data Discovery está
transformando la inteligencia de negocio

6
El descubrimiento de datos se ha incorporado con entusiasmo en muchos nego-
cios, como parte de su rutina. Es lógico si se tiene en cuenta que el Data Discovery
cuenta con muchos pros:
Flexibilidad: a la hora de crear informes y cuadros de mando.
Rapidez: al explorar los datos y obtener conclusiones.
Auto-servicio: responsable de que el usuario de negocio pueda utilizar
estas herramientas y obtener sus propias conclusiones sin apenas formación
ni cualificación y con una curva de aprendizaje muy ligera.
Independencia de TI: el usuario no necesita pasar por TI para hacer su
trabajo, como sucedía antaño.
«El equilibrio entre agilidad y completitud en el análisis de
negocio está desapareciendo al tiempo que las nuevas tecnologías
traen la velocidad del descubrimiento de datos a un conjunto
completo de herramientas de BI que los usuarios empresariales
de a pie pueden aprovechar fácilmente en su vida cotidiana»
Southard Jones, The battle of Business Intelligence: Data Discovery vs Traditional BI.
Los pros y contras de Data Discovery

7
User friendly: las herramientas presentan una interfaz fácil de utilizar y,
generalmente, bastante intuitiva, con multitud de gráficos disponibles y que
puede usarse sin necesidad de programar nada.
Pese a sus beneficios, esta nueva forma de trabajar no ha alcanzado aún la exce-
lencia y continúa evolucionando. Se quiere llegar a más y en ese camino se hallan
los proveedores, tratando de crear herramientas más innovadoras y soluciones
que respondan mejor a las diversas formas en que el descubrimiento de datos se
puede utilizar.
Así, los proveedores de herramientas no dejan de lanzar propuestas que atraen a
organizaciones de sectores muy diferentes, que buscan experimentar los beneficios
potenciales del descubrimiento de datos. Sin embargo, una vez implementadas,
comienzan las quejas a la vez que los inconvenientes del Data Discovery se hacen
patentes. Entre las decepciones más comunes se encuentran las relacionadas con:
1. Requieren de mucho tiempo de configuración.
2. Se encuentran bastante limitadas en sus aplicaciones.
3. Resultan más difíciles de usar de lo esperado.
A estos contras habría que sumarle el más frustrante de todos, que es el que se
produce cuando los usuarios de negocio se dan cuenta de que el descubrimiento
de datos consiste en algo muy distinto a lo que podían imaginarse.
De hecho, este inconveniente es más habitual de lo que pudiera parecer ya que,
en realidad, Data Discovery significa distintas cosas para diferentes personas. Par-
tiendo de su definición genérica que pone de manifiesto su objetivo de averiguar
lo que sus datos pueden decir, el término comienza a despuntar, ampliándose en
direcciones varias. Cada usuario deberá buscar el aprovechamiento de opor-
tunidades derivadas del descubrimiento de datos en función de un contexto
específico y basándose en los casos de uso que les preocupan. Así, Data
Discovery hace posible:
Encontrar metadatos clave sobre los activos de datos centrales.
Alcanzar una visión más completa sobre la procedencia de los datos.
Mejorar la calidad de datos y su coherencia.
Identificar tendencias.
Apoyar a la inteligencia de negocio.
Liberar a TI de carga de trabajo para permitirle redirigir sus esfuerzos y centrarse
en el modelado de datos y la gobernanza.
La búsqueda de datos es necesaria y relevante para profesionales de todas las
áreas. Todos estos usuarios quieren llevarla a cabo en condiciones de agilidad y
eficiencia óptimas, para mejorar sus resultados. En esta carrera, la necesidad de

8
mejores herramientas y métodos más precisos se ha vuelto más urgente por
varias razones que, según Jaime Fitzgerald, son las siguientes:
A. Big Data. En proyectos de Big Data el descubrimiento de datos es a la vez
más importante y más difícil. No sólo por el volumen de datos que deben ser
procesados de manera eficiente para el descubrimiento, sino por la diversi-
dad de fuentes y formatos, y la velocidad, que presentan muchos desafíos
que hacen que muchos métodos tradicionales de descubrimiento de datos
sean el «estrangulador» del proceso.
B. Análisis en tiempo real. El cambio continuo hacia casi el análisis en
tiempo real ha creado una nueva clase de los usos de los casos para el
descubrimiento de datos. Estos casos de uso son valiosos pero requieren
herramientas de descubrimiento de datos que son más rápidas, más auto-
matizadas y más adaptables.
C. Análisis ágiles e inteligencia de negocios ágil. Los científicos de da-
tos y equipos de inteligencia de negocios están adoptando métodos más
ágiles, e iterativos para convertir los datos en valor de negocio. Llevan a
cabo procesos de descubrimiento de datos con más frecuencia y de más
diversas maneras; por ejemplo, al perfilar nuevos conjuntos de datos para
la integración, la búsqueda de respuestas a nuevas preguntas emergentes
o la búsqueda de alertas sobre las nuevas tendencias que pueden justificar
nuevos flujos de trabajo de análisis.
Sin embargo, los inconvenientes nublan esta sucesión de bondades del descubri-
miento de datos. Data Discovery también tiene un lado menos brillante, una dosis
de realidad que tiene que ver con:
1. La falta de unicidad del dato: al posibilitar que cada usuario importe sus
propios ficheros Excel o de otro tipo a la herramienta, sin pasar por TI y sin
un proceso de verificación del dato per se, se puede dar lugar a multitud de
errores de falta de calidad o fiabilidad.
2. El riesgo de fomentar la creación de silos departamentales: cada
departamento crea su propio depósito de información, y cuando se ponen
en común, es posible que los datos no coincidan.
3. La fragilidad que implica el que no haya gobierno de la informa-
ción: no hay proceso de validación del dato, por lo que no hay seguridad de
que la información mostrada sea correcta.
De hecho, las plataformas más importantes dedicadas en exclusiva al Data Dis-
covery, por su naturaleza, son herramientas pensadas a nivel departamental, no a
nivel empresarial. Esta concepción hace que cada área pueda tener sus propios
conjuntos de datos (ficheros Excel, Access, etc.) cuya información puede coincidir
o no con la de otros departamentos. Es el origen del caos y debe ser evitado a toda
costa ya que, para cualquier proyecto la calidad del dato es fundamental y juega un
papel crucial en sus resultados. Para alcanzar el éxito en cualquier iniciativa empre-
sarial hay que intentar que el dato sea fiable. Si los usuarios no se creen los datos
que ven en los informes, o no saben de dónde vienen, el proyecto habrá fracasado.

9
Existen cuatro mejores prácticas que se vuelven cruciales a medida que el des-
cubrimiento de datos evoluciona como práctica y madura como área. Son las si-
guientes:
1. Implementación de procesos de iteración de ciclo rápido, llevados a
cabo con la suficiente agilidad, para aumentar la velocidad de generación de
conocimiento con la información y de valor con el dato.
2. Claridad del objetivo de la búsqueda. Tener en mente las preguntas que
hay que hacerse es crucial para no perderse en el trabajo de exploración de los
datos. Un propósito relacionado con los objetivos de negocio que se quieran
alcanzar son dos elementos que no pueden faltar en ninguna acción de Data
Discovery.
3. No ponerse límites. Tener claras las preguntas es imprescindible, pero de-
jarse llevar por los datos es la clave del verdadero descubrimiento. Muchas
veces, son los mismos datos los que proporcionan los indicios necesarios para
hacerse nuevos planteamientos que, muchas veces, conducen a interesantes
oportunidades.
Data Discovery mejores prácticas

10
4. Introducir la gobernanza. Si se desea compartir informes y cuadros de
mandos con otros usuarios de la empresa, existe un proceso de validación del
dato que sustituye los datos que se han empleado de puertas para adentro del
área, por otros corporativos, validados y comprobados. Así se obtiene lo mejor
de los dos mundos, flexibilidad, rapidez e independencia para construir informes
pero con la dosis necesaria de fiabilidad y calidad que se ha de aplicar cada vez
que se quieran compartir internamente.
Aplicando estas reglas se consiguen superar las limitaciones del descubrimiento de
datos que frenan la calidad, fiabilidad y profundidad de la exploración y uso de la
información; para poder adentrarse en modelos analíticos más complejos con total
garantía de solidez y beneficiándose de la agilidad y flexibilidad que las herramien-
tas visuales basadas en el autoservicio proporcionan.
La última vuelta de tuerca al mundo de Data Discovery es el Data Discovery pre-
dictivo. Se trata de unir, en una única herramienta, la flexibilidad, facilidad de uso
y visualización del Data Discovery con la potencialidad y funcionalidad del análisis
predictivo.
El análisis predictivo se define como el conjunto de datos, algoritmos estadísticos
y técnicas de aprendizaje automático para identificar la probabilidad de resultados
futuros basados en datos históricos.
El análisis predictivo, unido con la filosofía de Data Discovery, permite disponer
de complejos análisis estadísticos presentados de forma amigable, atractiva y en-
tendible para el usuario final. Técnicas como el forecasting, regresiones lineales,
regresiones lógicas, etc., basadas en complejos modelos estadísticos, están sin
embargo accesibles para los usuarios a través de un solo clic (o deberíamos decir
con un “toque”, ya que muchas de estas herramientas también tienen una versión
para tabletas y smartphones).
Hoy en día el existen plataformas de Data Discovery predictivo que permiten, a
través de una interfaz web, explorar datos masivos, pudiendo crear complejos y
avanzados análisis estadísticos (forecasting, redes neuronales, correlaciones, re-
gresiones, etc.) y, de forma interactiva, convertir estos análisis en informes y cua-
dros de mando para su compartición y/o presentación a otros usuarios.
Data Discovery predictivo

www.es.logicalis.com
Síguenos en:

43 17 log_data discovery_1

Más contenido relacionado

La actualidad más candente

Similar a 43 17 log_data discovery_1

Último

43 17 log_data discovery_1