Big Data es un término que se ha utilizado para describir la tecnología y la práctica de trabajar con datos, que no solo son grandes en volumen, sino también rápidos y vienen en muchas formas diferentes.
Es posible que el término Big Data en sí no sea tan omnipresente como hace unos años, y eso se debe simplemente a que muchos de los conceptos que encarna se han integrado a fondo en el mundo que nos rodea. Sin embargo, que lo hayamos escuchado durante un tiempo no significa que sea una vieja noticia. El hecho es que incluso hoy en día, la mayoría de las organizaciones luchan por obtener valor de muchos de los datos a los que tienen acceso. Como práctica empresarial, todavía está en su infancia.
Así que aquí presentamos algunas de las tendencias que influirán en el análisis de los datos, para este año y en el futuro cercano.
La inteligencia artificial (IA) ha cambiado las reglas del juego para la analítica. Con la enorme cantidad de datos estructurados y no estructurados generados por las empresas y sus clientes, incluso las formas manuales automatizadas de análisis solo pueden arañar la superficie de lo que se puede encontrar.
La forma más sencilla de pensar en la IA, tal como se usa hoy en día, son las máquinas (computadoras y software) que son capaces de aprender por sí mismas. Para un ejemplo simple, ¿Cuál de nuestros clientes es el más valioso para nosotros?
Si solo tenemos a nuestra disposición la informática tradicional que no es de aprendizaje, podríamos intentarlo creando una base de datos que nos muestre qué clientes gastan más dinero. Pero, ¿Qué pasa si aparece un nuevo cliente que gasta $ 100 en su primera transacción con nosotros? ¿Son más valiosos que un cliente que ha gastado $ 10 al mes durante el año pasado? Entender que necesitamos muchos más datos, como el valor de vida del cliente promedio, y quizás datos personales sobre el cliente mismo, como su edad, hábitos de gasto o nivel de ingresos, ¡también sería útil!
La IA es útil aquí porque puede intentar interpretar todos los datos juntos y generar predicciones sobre cuál puede ser el valor de vida potencial de un cliente en función de todo lo que sabemos. Un elemento importante de esto es que no necesariamente ofrece respuestas “correctas” o “incorrectas”; proporciona un rango de probabilidades y luego refina sus resultados dependiendo de qué tan precisas sean esas predicciones.
La visualización de datos es la “última milla” del proceso de análisis antes de tomar medidas en función de nuestros hallazgos. Tradicionalmente, la comunicación entre máquinas y humanos se lleva a cabo mediante visualización, tomando la forma de gráficos y cuadros de mando que resaltan los hallazgos clave y nos ayudan a determinar qué sugieren los datos que se debe hacer.
El problema aquí ha sido que no todas las personas son buenas para detectar una información potencialmente valiosa escondida en una pila de estadísticas. A medida que se vuelve, cada vez más importante que todos los miembros de una organización estén capacitados para actuar sobre la base de información basada en datos, las nuevas formas de comunicar estos hallazgos evolucionan constantemente.
La computación en la nube es otra tendencia tecnológica que ha tenido un impacto masivo en la forma en que se llevan a cabo los análisis de Big Data. La capacidad de acceder a grandes almacenes de datos y actuar sobre la información en tiempo real, sin necesidad de una costosa infraestructura local, ha impulsado el auge de las aplicaciones y las nuevas empresas que ofrecen servicios basados en datos a pedido. Pero depender completamente de los proveedores de nube pública, no es el mejor modelo para todas las empresas, y cuando confía todas sus operaciones de datos a terceros, es inevitable que surjan preocupaciones en torno a la seguridad y la gobernanza.
Muchas empresas ahora se encuentran mirando hacia sistemas de nube híbrida, donde parte de la información se almacena en servidores de Amazon Web Service, Microsoft Azure o Google Cloud, mientras que otros, quizás más datos personales o confidenciales, permanecen dentro del jardín amurallado patentado. Los proveedores de nube están cada vez más a bordo de esta tendencia, ofreciendo soluciones “en la nube en las instalaciones” que potencialmente brindan todas las características enriquecidas y la solidez de la nube pública, pero permitiendo a los propietarios de datos la custodia total de sus datos.
DataOps es una metodología y práctica que se basa en el marco de DevOps que a menudo se implementa en el desarrollo de software. Mientras que DevOps gestiona los procesos tecnológicos en curso en torno a la prestación de servicios, DataOps se preocupa por el flujo de datos de un extremo a otro a través de una organización. En particular, esto significa eliminar los obstáculos que limitan la utilidad o accesibilidad de los datos y el despliegue de herramientas de datos “como servicio” de terceros.
También veremos el crecimiento de la popularidad de los proveedores de “DataOps-as-a-service”, que ofrecen una gestión integral de los procesos de datos y las canalizaciones disponibles y de pago por uso. Esto continuará reduciendo las barreras de entrada para organizaciones pequeñas y nuevas, con grandes ideas para nuevos servicios basados en datos pero sin acceso a la infraestructura necesaria para hacerlos realidad.
Fuente: Bernard Marr. Futurista, influyente y líder intelectual de renombre mundial en el campo de los negocios y la tecnología.
