Data Analytics

7 Prácticas de Data Analytics Que Posiblemente Utilizas y Te Impiden Avanzar

El análisis de datos se está convirtiendo rápidamente en la clave de una estrategia empresarial de éxito. Pero sin el enfoque, las habilidades y las tácticas adecuadas, tus iniciativas de datos pueden no tener sentido.

La analítica de datos se ha convertido en uno de los factores de diferenciación empresarial y tecnológica más importantes para las empresas, ya que les permite obtener información detallada sobre prácticamente cualquier aspecto de sus operaciones y, por tanto, obtener ventaja sobre la competencia.

Según Gartner, estas son las tendencias clave que están surgiendo: la analítica, además de reflejar el rendimiento, impulsará las operaciones empresariales modernas; las empresas crearán arquitecturas integrales haciendo posible la gestión de datos y el análisis desde el núcleo hasta la periferia de la organización; y los ejecutivos harán que los datos y la analítica formen parte de la estrategia empresarial, permitiendo que los profesionales de los datos asuman nuevas funciones y contribuyan al crecimiento empresarial.

Sin embargo, con todo este énfasis en el análisis de datos, muchas empresas están cayendo en trampas que ponen en peligro o desperdician el verdadero valor del análisis. Por eso, te explicamos siete formas de fracasar en el mundo de la analítica y que puedes evitar, según los líderes de IT y los expertos del sector.

Práctica Nº1: Entrar Sin Saber lo que Buscas

Si no sabes qué tendencias o señales concretas tienes que buscar en los datos, ¿cómo puedes esperar obtener un valor real de ellos? De ahí que el mayor problema del proceso de análisis sea no tener ni idea de lo que se busca en los datos.

La idea de que un sistema puede descubrir por sí mismo los elementos más interesantes en los datos ha llevado a muchas empresas por el mal camino durante décadas. Incluso con el aprendizaje automático, es útil saber lo que buscas en términos de relaciones en los datos.

Es importante buscar a personas que sepan consultar los datos y puedan contar la historia precisa y completa de lo que intentan decir. El perfil perfecto son las personas a las que les apasiona utilizar los datos para responder a preguntas y están dispuestas a cuestionar constantemente sus hallazgos para asegurarse de que los datos no solo se ajustan a una única narrativa, sino que pueden explicar lo que estamos viendo y ayudar a predecir hacia dónde vamos. En definitiva, es esencial que todo el mundo sepa lo que estamos tratando de encontrar con los datos y nuestros objetivos generales, y recoger mediciones y datos coherentes.

Una receta de fracaso asegurado es la falta de enfoque al lanzar una propuesta de análisis. Los equipos de datos tendrán más éxito cuando se centren en un conjunto de resultados prioritarios. En muchos casos, los equipos fracasan porque se espera que atiendan muchas demandas empresariales a la vez, lo que al final les lleva a no lograr un impacto significativo para mantener el interés o la financiación.

Práctica Nº2: Construir (y Mantener) tu Propia Infraestructura

Puedes tener la fuerte tentación de construir y mantener tu propia infraestructura de big data. Pero a cambio podrías poner en peligro los objetivos de tus esfuerzos analíticos. Por lo general, esto hace que los científicos de datos pierdan mucho tiempo en tareas distintas a desarrollar mejores análisis.

“Sabíamos que queríamos muchos datos en los que basar nuestros análisis», dice Tavakoli, director de tecnología de la empresa de ciberseguridad Vectra. “Empezamos haciendo lo que todo el mundo te dice que hagas: Compramos un montón de servidores con mucha capacidad de disco, los pusimos en nuestras instalaciones de coubicación, creamos nuestro propio clúster de Hadoop sobre Apache Spark e hicimos que nuestros científicos de datos escribieran código Scala para interactuar con el clúster.”

El clúster se rompía, a veces por fallos de hardware, pero más habitualmente por fallos en el software. Los paquetes del software se desactualizaban y a veces pasaban horas sin que el clúster estuviera disponible.

“Al final nos hartamos y decidimos externalizar esta parte del problema», dice Tavakoli. Vectra contrató a un proveedor externo para que se encargara de las cuestiones prácticas y, desde entonces, casi todo su tiempo lo ha dedicado a introducir datos en el sistema y a analizarlos.

Práctica Nº3: Ser un Divisor de Datos, No un Unificador

Las empresas llevan mucho tiempo luchando contra el problema de los “silos de datos» que impiden a los distintos departamentos compartir información útil y beneficiosa a lo largo de la organización. El mismo reto se aplica a la analítica. Por ello, una buena práctica es unificar los datos dispares.

Cada silo de datos crea una barrera entre las interconexiones que pueden aportar valor. Por ejemplo, piensa en un perfil de usuario valioso conectado o desconectado de los datos de actividad del sitio web. Cuantos más datos puedan interconectarse, mejor, ya que en esas interconexiones es donde puede encontrarse el poder predictivo.

Pero este cambio no tiene por qué implicar un traslado de todos los datos desde sus sistemas de origen a un monolito. En su lugar, puedes utilizar una de las modernas tecnologías de integración para proporcionar una visión unificada de los datos desde sus sistemas actuales.

Práctica Nº4: Pasar Por Alto la Limpieza de los Datos

Si los datos que se analizan no son precisos, no están actualizados o no están bien organizados, el valor de los análisis puede ser drásticamente menor. El problema de la informacion basura entrante y saliente se ve agravado por el volumen y el alcance de los datos empresariales en bruto. Los mejores equipos de análisis quieren que la calidad se impregne en sus datos. Por ello, la creación de procesos y el aprovechamiento de la tecnología para hacer focalizados en cumplir las normas de calidad forman la combinación ganadora.

Desde el punto de vista del proceso, es importante garantizar la repetibilidad de los procesos y la posibilidad de controlar los resultados. En cuanto a la tecnología, el despliegue de herramientas de calidad de datos que incluyan la elaboración de perfiles, la gestión de metadatos, la limpieza, el abastecimiento, etc., ayuda a garantizar datos de mejor calidad.

Las empresas deben utilizar herramientas para limpiar los desechos (datos incompletos y rotos) y transformar los datos de diferentes fuentes para hacerlos compatibles y comprensibles y facilitar al máximo su análisis. Además, deben intentar que sus datos sean lo más autodescriptivos para que todos los miembros del equipo entiendan el significado de los distintos bits de datos.

Los datos de alta calidad son el combustible clave para generar ideas útiles. Hay que crear data warehouses y data lakes para reunir los datos estructurados y no estructurados. Las empresas exitosas se aseguran primero de mejorar la calidad de los datos a través de la limpieza, procesando los valores que faltan, y etiquetándolos con precisión.

Una buena higiene de los datos implica también mantenerlos lo más actualizados posible. Los datos deben ser frescos y el «universo de datos» debe estar en constante expansión para que las empresas puedan seguir obteniendo valor de los análisis.

Para que tus datos sean lo más recientes posibles, necesitas conocer la periodicidad de los procesos actuales de adquisición de datos. Evidentemente, un sistema que recoge información en tiempo real contará con datos más actualizados que otro que no lo hace. El refresco también puede apoyarse en el uso de servicios de terceros para aumentar la tecnología y los procesos existentes.

Práctica Nº5: Renunciar al Patrocinio Ejecutivo de las Iniciativas de Análisis

Al igual que con cualquier otro tipo de proyecto de IT importante, no contar con el apoyo de la alta dirección en los proyectos de análisis de datos puede dañar el éxito de la iniciativa.

El objetivo de los equipos de análisis es generar insights asociando los datos con las decisiones tácticas y estratégicas de una empresa. De nada serviría que un equipo de data science realizara un gran análisis de datos y desarrollara modelos predictivos precisos, si después estos resultados no se aplicasen en la práctica porque requieren cambios en la cultura de la empresa.

Construir una base de gestión de datos requiere un esfuerzo sostenido en el tiempo, normalmente varios años. De hecho, parte del trabajo que el equipo de datos y análisis necesita impulsar no obtendrá resultados visibles inmediatos, lo que puede chocar con las expectativas de los socios. Se necesita un fuerte compromiso de liderazgo para educar a los partners a permitir un futuro data-driven.

Práctica Nº6: Ignorar a los Directivos de Nivel Medio y Bajo

La analítica que se realiza en vacío por los data scientist y otros expertos, sin una sólida aportación de los managers de negocios que conocen de cerca la necesidad de la analítica, es muy probable que no salga adelante. Sin la participación de los directivos de nivel medio e inferior, la información que el equipo de análisis proporcionará al equipo de gestión no será lo suficientemente útil como para poder mejorar su trabajo cada día.

La información será orientativa, señalará los fallos más importantes del proceso o las áreas que pueden mejorarse, pero en realidad la dirección lo revisará cuando tenga tiempo. Y la mayoría de los directivos no tienen tiempo extra. Solo cuando el equipo está formado por personas que conocen el negocio y la información a la que éste necesita acceder cada día, se consigue que la información entregada sea lo suficientemente tangible como para impactar positivamente en el negocio.

Sin embargo, si la analítica indicase a los usuarios dónde hay un problema real y específico (por ejemplo, donde es más probable que fallen), con la suficiente antelación para que puedan evitarlo, los usuarios de negocio podrán utilizar esta información a diario y la iniciativa tendrá éxito.

Práctica Nº7: Carecer de la Cultura y las Habilidades Necesarias para Respaldar un Buen Análisis de Datos

Este es un problema común para las empresas, en gran parte porque habilidades como las de data science son muy difíciles de conseguir. Si la alfabetización de datos no se considera un elemento fundamental para la cultura de una empresa, las posibilidades de que la analítica fracase aún son mayores.

Para los usuarios que no están familiarizados con la analítica, la ciencia de los datos se percibe como una forma mágica de resolver problemas. El concepto de predicción y aprendizaje automático es muy difícil de entender para las personas, por eso será difícil convencer a tus socios de que tomen decisiones sobre algoritmos. Tendrás que educarlos primero.

Y las empresas siguen luchando por encontrar científicos de datos y otros profesionales con habilidades analíticas. Una de las mejores maneras de desarrollar esta capacidad es preparar este talento, en lugar de buscar superestrellas fuera de la organización. Muchos proyectos fracasan o se retrasan porque las empresas no son capaces de contratar al personal de análisis a tiempo, o los pierden por el alto desgaste.

Referencias: Todos los derechos reservados a CIO

Deja un comentario

A %d blogueros les gusta esto: