Con los avances tecnológicos, ya no es posible ignorar la importancia de los datos y su adecuado análisis para tomar decisiones que contribuyan efectivamente a mejorar los resultados. El Data-Driven es una gestión basada en datos, es decir, aquella que toma todas las decisiones en base a información concreta y analizada. A continuación, vamos a verlo más detalladamente.
Introducción a Data-Driven
Pero analizar los datos en un proceso que requiere de técnicas y operaciones complejas, así como ubicar los skill técnicos de profesionales especializados.
La tecnología en la nube, dentro de sus múltiples beneficios permite a muchas empresas acceder a la misma, particularmente Oracle ofrece un abanico de herramientas, algunas basadas en IA y Machine Learning para reducir la complejidad de estos procesos y que sea de un acceso más práctico.
¿Qué es Data-Driven?
Una empresa Data Driven es aquella que ha adoptado una cultura empresarial de análisis de datos. Toma decisiones a partir de analizar datos confiables para mejorar su funcionamiento. Podemos mencionar como ventajas de esta adopción:
- El aumento de la competitividad
- Optimización del proceso de toma de decisiones
Según Christopher Penn, la evolución de las empresas Data Driven se da de la siguiente manera:
- Las empresas Data Resistant son reticentes al cambio. Creen que las cosas les van bien sin necesidad de evolucionar.
- Las empresas Data Aware son conscientes del valor de los datos pero están centradas en la recolección de los mismos, no los tratan correctamente y no saben cómo extraer su valor.
- Las empresas Data Guided analizan lo que les dicen los datos y extraen conclusiones. Es decir, aprenden de sus errores y mejoran procesos.
- Las empresas Data Savvy prestan atención a los datos de forma estratégica. Se centran en descubrir el porqué de estos datos. Son capaces de extraer insights.
- Las empresas Data Driven no solo analizan datos y extraen insights, son capaces de contestar a la pregunta: ¿qué viene después? (estiman y predicen comportamientos)
Conceptos clave Data-Driven
- Data Warehouse: es una base de datos corporativa que se caracteriza por integrar información depurada de una o más fuentes distintas, para luego procesarla. Contiene un modelo de datos altamente estructurado para la generación de informes.
- Data Lake: son soluciones de gestión de datos que pueden hacer frente a los retos de big data. Soporta volúmenes de datos extremadamente grandes, acepta datos en su formato nativo a partir de varios orígenes de datos.
- Data Lakehouse: Es una arquitectura de gestión de datos, donde se combinan los beneficios de un data warehouse y un data lake. Se caracteriza por fusionar la facilidad de acceso y el soporte para las capacidades de análisis empresarial que se encuentran en los almacenes de datos.
Elementos claves de un Lakehouse:
-Data Warehouse: para datos procesados de valor conocido.
-Data Lake: para datos sin procesar. A menudo se utiliza para pre carga antes de la carga al data Warehouse o como un repositorio para entrenamiento de modelos de Machine Learning.
-Managed Open-source Services: Herramientas clave de código abierto para almacenamiento y análisis, incluye Apache Hadoop, Apache Spark y Elasticsearch
-Data Integration: Mueve los datos entre el Data Lake, Data Warehouse y los entornos de los Open-source service, dependiendo las necesidades del cliente.
-Data catalog: mantiene una visión completa de todos los datos disponibles para su descubrimiento y gobernanza.
- Data Fabric: en una arquitectura de servicios y funcionalidades que contribuye a procesar mejor los volúmenes de datos procedentes de multitud de fuentes. Tiene la capacidad de agruparlos bajo una misma nube o sistema de administración, sin importar de donde provienen esos datos. De esta forma, las organizaciones pueden lidiar de una manera más ágil con grandes cantidades de datos que se encuentran en constante crecimiento. Es un enfoque arquitectónico para simplificar el acceso a los datos en una organización, facilitando el consumo de los mismos en modo autoservicio.
- Data Mesh: Promueve que las áreas de negocio sean responsables en la gestión de datos removiendo los “cuellos de botellas” generados por arquitecturas centralizadas (Datalake). La plataforma de Data Mesh da el servicio de cubrir las necesidades de los productores y consumidores abstrayendo de toda la complejidad tecnológica, donde el consumidor de los datos debe ser el corazón del diseño. Data Mesh no es sólo tecnología, también es una cultura.
Principios del Data Mesh
-Propiedad impulsada por el dominio: transferir la propiedad de los datos a las manos de los dominios (ejemplo gerencias, departamentos, etc.), siendo los dueños y teniendo la responsabilidad de garantizar su calidad y seguridad.
-Datos como producto: El objetivo es que los dominios sean capaces de generar sus productos de datos, mantenerlos, validar y mejorar su calidad.
Por ejemplo, un producto de datos creado por el equipo de atención al cliente sea aprovechado por el equipo de ventas.
-Infraestructura de autoservicio: se refiere a que las tareas complejas implicadas en la generación de recursos sean simples y en modalidad de autoservicio para que los usuarios de los dominios de negocios puedan escalar sin depender de especialistas. El Data mesh se basa en la gestión y operación de datos mediante una plataforma compartida y un conjunto de herramientas y servicios que los equipos de los dominios de negocio puedan utilizar.
-Gobernanza federada: se refiere a los métodos que nos permiten obtener un equilibrio entre las políticas y las acciones realizadas por los dominios de negocio, con la finalidad de controlar el riesgo de la privacidad, el incumplimiento de políticas y la escalabilidad de los dominios de negocio.
Novedades sobre Data-Driven
Técnicas y Herramientas de Machine Learning
Actualmente todas las empresas buscan utilizar el Machine Learnig para obtener ventaja competitiva sobre su competencia.
Dentro del Ciclo clásico del proceso de Machine Learning, encontramos cierta problemática, cuando se tratan temas de Acceso a Datos, Exploración y preparación de datos podemos encontrar perfiles técnicos dentro de la organización. Pero, cuando se trata de modelado, validación y despliegue, se encuentran carencias de estos perfiles. Existen carencias y retos a nivel tecnológico y de perfiles.
Para solucionar estas carencias Oracle propone una serie de Herramientas de Machine Learning pensando en los diferentes perfiles que existen en la organización.
- Con Oracle Analytics Cloud el analista de negocios, aplicando modelos de Machine Learning (ya construidos) va a poder interactuar con los datos y ejecutar algoritmos sin programar
- Acelerar el Machine Learning con AutoML, herramienta que acelera el proceso a través de asistentes que ayudan a definir el algoritmo más adecuado de una manera ágil.
- El científico de datos debe usar herramientas de “bajo nivel” para poder construir, desplegar y gestionar modelos con múltiples fuentes de datos, marcos de trabajo y herramientas con OCI Data Scientist
OCI AI Services
Son servicios de Inteligencia Artificial que pueden ser integrados vía API con las aplicaciones, los algoritmos ya están desarrollados y listos para ser consumidos.
- Language: se provee texto y reconoce los topics/asuntos más importantes, analiza sentimientos. Un ejemplo de uso puede ser en los call center, procesos de reclamaciones, tratamiento de encuestas a clientes o empleados.
Speech, conversión de texto a voz y voz a texto, traducciones. - Vision: reconoce objetos en las imágenes, podría ser usado para reconocimiento de matrículas de automóviles, análisis socio demográfico (edades, sexo),
- Decision, detección de anomalías como por ejemplo en infraestructuras, fraudes financieros, detecta comportamientos anómalos.
Conclusión sobre Data-Driven
Los servicios en la nube se convierten en una gran alternativa para democratizar el uso de las tecnologías entre las empresas.
Las empresas que necesiten sacar ventajas competitivas, deberán a empezar a gestionarse a través de la toma de decisiones basada en datos y convertirse en empresas Data-Driven.
Herramientas pre concebidas de IA y el Machine Learning, ayudan a reducir la brecha con respecto a las carencias tecnológicas, haciendo más fácil su uso y entendimiento.
¡Habla con nosotros!
