Florencia Lorenzo

En los últimos años, la gestión de datos se ha convertido en una tarea cada vez más compleja debido al aumento de los volúmenes de datos y la distribución de los equipos de datos en las organizaciones. Esto ha llevado a la aparición de nuevas arquitecturas de datos, como Data Mesh, que abordan estos desafíos de una manera más efectiva. ¿Qué es? El Data Mesh es una arquitectura de datos distribuida que se basa en la idea de que los datos deben ser gestionados por equipos dedicados llamados “dominios de datos”. Cada dominio de datos es responsable de sus propios datos, incluida la calidad, la propiedad y la gobernanza. Para permitir el intercambio de datos entre dominios, el Data Mesh utiliza una infraestructura de datos compartida basada en servicios, lo que significa que los datos se comparten a través de una API y servicios estándar en lugar de mediante copias de datos. Además, los equipos de datos utilizan prácticas ágiles y colaborativas para construir y mantener sus dominios de datos. ¿Qué beneficios tiene? El Data Mesh es beneficioso para organizaciones con grandes volúmenes de datos y equipos de datos altamente distribuidos. Permite una gestión más eficiente de los datos, lo que puede llevar a una mayor escalabilidad y flexibilidad en la organización. Además, fomenta la colaboración y la transparencia entre los equipos de datos, lo que puede mejorar la calidad y la confiabilidad de los datos en general. En primer lugar, la gestión de grandes volúmenes de datos se ha vuelto cada vez más compleja en los últimos años debido al aumento del tamaño de los conjuntos de datos y a la distribución de los equipos en las organizaciones. El Data Mesh aborda estos desafíos mediante la gestión descentralizada de los datos y la creación de equipos dedicados para la gestión de los datos en cada dominio. En segundo lugar, el Data Mesh fomenta la colaboración entre los equipos de datos y promueve la transparencia en la gestión de los datos. Al separar los datos en dominios y permitir que los equipos de datos sean responsables de sus propios datos, se fomenta la responsabilidad y la propiedad de los datos, lo que puede llevar a una mayor calidad y confiabilidad de los datos en general. En tercer lugar, el Data Mesh utiliza una infraestructura de datos compartida basada en servicios, lo que permite el intercambio de datos de manera eficiente y escalable. Esto significa que los datos se comparten a través de una API y servicios estándar en lugar de mediante copias de datos, lo que puede reducir el riesgo de inconsistencias y errores en los datos. En conclusión, el Data Mesh es una arquitectura de datos distribuida que puede ayudar a las organizaciones a abordar los desafíos de la gestión de datos en un entorno cada vez más complejo. Al permitir la gestión descentralizada de los datos y fomentar la colaboración entre los equipos de datos, el Data Mesh puede mejorar la escalabilidad y la flexibilidad de la organización, así como la calidad y la confiabilidad de los datos en general. Los cuatro principios fundamentales del enfoque de Data Mesh son los siguientes: Propiedad de los datos: cada equipo es propietario de los datos que produce y consume, y es responsable de definir, desarrollar y operar sus propias soluciones de datos. Dominio descentralizado: los equipos de dominio específico son responsables de sus propios datos y de la definición y publicación de sus interfaces de datos, lo que permite a cada equipo tomar decisiones de manera autónoma y colaborar con otros equipos cuando sea necesario. Arquitectura de productos: los equipos de datos deben pensar en sus soluciones de datos como productos y deben centrarse en la creación de soluciones reutilizables y escalables. Plataforma de autoservicio: la plataforma de datos debe ser una plataforma de autoservicio que permita a los equipos tomar decisiones y crear soluciones de datos de manera autónoma. Esto incluye la creación y gestión de flujos de datos, la seguridad y la privacidad de los datos y la integración con otras soluciones de datos en la organización. ¡Gracias por leer!

El poder y los datos se fragmentan Los dos están cambiando Los problemas geopolíticos, sociales y económicos no cesan. En lugar de avanzar hacia la cooperación, asistimos a un aumento de la tendencia al aislamiento y los conflictos, donde las normativas locales se multiplican. En el ámbito económico, la confianza es baja; el temor a la recesión, alto; y el aumento de los tipos de interés, sumado a la inflación, está afectando a los préstamos. ¿Qué tienen en común todos estos factores? No son pocos los expertos que afirman que estamos experimentando un proceso de desglobalización. En el proceso, asistiremos a nuevas fracturas de las estructuras antiguas y a la aparición de un estado de multipolaridad; es decir, la distribución del poder entre distintas entidades. Nos enfrentaremos, entre otras repercusiones, a escasez de energía, fluctuaciones de las divisas, interrupciones de las cadenas de suministro y dificultades en los mercados. Los profesionales de los datos y la analítica deben adaptarse a una mayor fragmentación con centros de datos dispares, interrupciones de las cadenas de suministro, innovación incesante y a un acceso más limitado a la mano de obra cualificada. Calibrar la estrategia ante las crisis. Eso requiere dos competencias esenciales. Los datos en tiempo real ayudan a combatir las interrupciones en la cadena de suministro Usar las previsiones y los posibles escenarios para reaccionar antes de que el inventario de materias primas comience a escasear y produzca interrupciones en los envíos. Se debe detectar los cuellos de botella de las cadenas de suministro para subsanar las carencias y trabajar de forma más eficaz con los partners. El ritmo de estos problemas no va a hacer más que acelerarse. Velocidad de decisión a escala Una vez que se dispone de datos en tiempo real, el siguiente paso es adaptar las decisiones operativas al mismo ritmo. Tiene la finalidad de acortar el proceso que lleva de los datos a la acción para los humanos; es decir: reducir el tiempo necesario para que los usuarios encuentren los datos y aumentar la frecuencia con la que realizan acciones derivadas de ellos. Además de la tecnología, la alfabetización de datos es esencial para lograrlo. Por último, la velocidad de decisión deja un rastro de Big Data con patrones que se pueden analizar. Eso creará una oportunidad para la minería de decisiones. Optimización del desarrollo de aplicaciones con un nivel bajo y alto de programación En los últimos años, surgieron herramientas con un bajo nivel de programación para crear aplicaciones, lo que impulsó al desarrollo de apps propias por parte de usuarios no experimentados. Además de permitir este gran avance, aumentan el consumo de datos y conocimientos. Por ejemplo, la automatización de aplicaciones permite a los trabajadores crear cadenas de eventos activados por datos. La competitividad entre el humano y la máquina Como los modelos de lenguaje natural se han entrenado con enormes conjuntos de datos usando el aprendizaje automático de red neural profunda, se ha producido un cambio de paradigma. En el espacio de los datos y la analítica, las capacidades de lenguaje natural tendrán enormes implicaciones en nuestra forma de consultar e interpretar la información y de generar informes basados en ella. No solo encontraremos los datos que estamos buscando, sino también otros sobre los que no se nos había ocurrido preguntar. Narraciones de datos que mueven a la acción La narración de datos se ha vendido como la forma de obtener datos que los usuarios puedan interpretar; las narraciones pueden tener un efecto emocional en las personas y moverlas a actuar; algo que los datos por sí solos no suelen hacer. Sin embargo, la narración de datos debe ser mucho más que añadir gráficos a infografías o presentaciones de PowerPoint. Debe estar conectada con la acción. Disponer de las pequeñas porciones de datos adecuadas en el momento justo es más útil. narraciones pueden tener un efecto emocional en las personas y moverlas a actuar; algo que los datos por sí solos no suelen hacer. Para conectar las narraciones con la acción, hay que añadir tres pasos: Predecir lo que va a suceder y sugerir las acciones más acertadas con AutoML. Usar las alertas, los informes y la automatización para integrar las narraciones en los flujos de trabajo en el momento adecuado. Integrar no solo dashboards, sino también microhistorias en los sistemas con los que trabajan los usuarios. Eso hará que la narración de datos cambie de conocimientos que podrían dar lugar a acciones a verdaderos conocimientos útiles que darán lugar a acciones. La consolidación del mercado abre la puerta a nuevas oportunidades La consolidación del suministro se está dando en paralelo a la consolidación de la demanda. En tiempos difíciles, los directores financieros y los CEO se implican más en el negocio y desean ver claramente el retorno de la inversión. Esto contribuirá a transformar gradualmente los modelos de precios por usuario en modelos basados en el valor generado. Al fin y al cabo, no se puede determinar de antemano qué usuarios de una empresa deberán usar una herramienta concreta si se ignora cuál será el siguiente desafío. En lugar de eso, se debe facilitar el acceso general a las herramientas y plataformas de una manera gobernada, y avanzar a partir de ahí. Lo viejo vuelve a ser nuevo… en la nube Durante la pandemia, las empresas se digitalizaron y trasladaron sus datos a la nube. Esto produjo algunos problemas propios de la madurez del negocio y su modernización. Por ejemplo, luego de la adopción de un data warehouse fue necesario abordar el movimiento y la transformación de datos, los catálogos de metadatos, etcétera. Estas nuevas necesidades están promoviendo inversiones vinculadas a los data warehouses y los data lakes, lo que abarca aspectos como la integración, el movimiento, las fuentes y la capacidad de observación de los datos y las capas semánticas. El “X-Fabric” mantiene unida la gobernanza conectada La gobernanza de datos moderna implica un X-Fabric. Esto significa reutilizar los datos y los recursos incluyendo los modelos, las secuencias de comandos y

En los negocios actuales, tomar decisiones basadas en suposiciones o intuiciones puede ser muy riesgoso. Sin una base sólida y con una planificación débil, alcanzar las metas puede volverse complicado y generar grandes pérdidas. Con el avance y el uso de la tecnología, es imposible ignorar la importancia de los datos y el adecuado análisis de estos. Por eso mismo, es importante tomar decisiones basadas en el análisis y la interpretación de datos, mejor conocido como Data Driven, un concepto estratégico que se puede aplicar a cualquier negocio, y puede traducirse como gestión basada en datos. Tener datos consistentes para personalizar productos, mensajes y todo flujo de relación con el cliente. El principal objetivo del Data Driven es orientar la toma de decisiones, con un enfoque particular en las estrategias de evaluación de la competencia y el mercado. Esta tendencia toma cada vez más fuerza, especialmente para las empresas que quieren tomar las decisiones correctas. Beneficios Económico La gestión basada en datos permite aprovechar al máximo los recursos disponibles. Esto se debe a que, al implementarla, el análisis de riesgos es más sólido y la información recopilada contribuye a una mejor comprensión del escenario y la competencia. Planificación más sofisticada La minería de datos permite mejorar la planificación. Eso se debe al análisis de varios factores, como el comportamiento del consumidor, las tendencias del mercado, competidores, historial de negocio y las posibles repeticiones de ciclos de trabajo o procesos. Esto permite ver que ajustes se deben hacer para lograr las metas definidas. ¿Cómo tomar decisiones basadas en datos? 1- Recopilar datos La base de una buena estrategia Data Driven es la recopilación de datos. Sin embargo, sabemos que no se puede andar recopilando toda la información existente; tu negocio necesita los datos correctos que sean relevantes para tu propósito. Los datos deben ser claros, imparciales y fiables, y eso lleva tiempo. Es común que los analistas de datos dediquen alrededor del 80% de su tiempo de trabajo total a obtener y “limpiar” los datos y solo el 20% a construir modelos estratégicos a partir de ellos. También es importante señalar que solo recopilar toda esta información, sin importar cuán buena pueda ser, no es suficiente para hacer que tu empresa esté basada en datos. Lo más valioso es lo que se hará con ellos. 2- Acceso a los datos Los datos recopilados deben ser accesibles y de fácil consulta. La información relevante debe agregarse fácilmente con otros datos de la empresa cuando sea necesario, y hay una serie de plataformas que pueden ayudarte con esta tarea. Compartir también debe ser prioritario. Cuando todo el equipo puede consultar el historial de datos la toma de decisiones se vuelve más sofisticada y precisa. Además, la empresa debe ser capaz de extraer estos datos correctamente, haciendo el filtrado adecuado para obtener resultados que realmente importen. 3- Informes Al preparar informes, solo los datos puros, como la tasa de crecimiento, no dicen mucho. Es necesario informar el contexto para que la información tenga más sentido. Esto significa, por ejemplo, comunicar sobre campañas de marketing de alta inversión, cambios en el mercado y otros cambios en los procesos. También es necesario contar con alertas que muestren en tiempo real qué está pasando y qué se debe mejorar en la estrategia. 4- Análisis de datos Los informes proporcionan resúmenes que ayudan a monitorear el desempeño de tu empresa. Pero es necesario ir más allá y transformar estos datos en insights competitivos que impulsen las decisiones de la empresa a través de procesos, personas y tecnologías. Mientras el informe comunica, el análisis propone acciones y qué se puede hacer a partir de lo recabado. Todo esto es parte de la estrategia de Business Intelligence, que tiene como objetivo tomar decisiones estratégicas basadas en conocimientos concretos. ¡Gracias por leer!

El aprendizaje automático se utiliza en todas las industrias y comunidades de usuarios para una amplia variedad de necesidades de análisis predictivo. Casos de uso que van desde pronósticos de ventas hasta reducción de rotación, valor de por vida del cliente, optimización de inventario, asignación de capital y más. Qlik AutoML Por lo general, los científicos de datos profesionales solo se enfocan en las principales prioridades, de una manera muy profunda y sofisticada. Pero, ¿qué pasa con el resto? Aquí es donde entra en juego Qlik AutoML. Aporta el poder del análisis predictivo al “otro 90%” de los casos de uso, lo que permite a sus equipos de análisis generar un enorme valor para su organización. Ahora podemos aprovechar la IA para hacer que el análisis empresarial pase de ser puramente histórico a ser de naturaleza predictiva y prescriptiva. Con el análisis tradicional, miraría los datos anteriores y trataría de comprender qué sucedió. Luego buscaría cierto nivel de conocimiento sobre por qué sucedieron las cosas al profundizar más. En última instancia, intentará aplicar estos aprendizajes para tomar mejores decisiones y tomar medidas más efectivas en el futuro. Con Qlik AutoML, sigue la misma lógica. Es solo que utiliza el aprendizaje automático para analizar los datos históricos y construir modelos que puedan predecir resultados futuros. Entonces, en lugar de adivinar, obtienes una forma mucho más concreta y tangible de tomar decisiones. Tanto con las predicciones como con los datos de explicabilidad, puede ver qué es probable que suceda y, lo que es más importante, por qué. Armado con información sobre los posibles resultados y las palancas que los impulsan, puede determinar la mejor manera de actuar. Y luego, puedes desencadenar esa acción. Ahora completamente integrado en Qlik Cloud, Qlik AutoML proporciona una forma simple y sin código para que los usuarios y equipos de análisis aprovechen AutoML: para entrenar modelos de ML, hacer predicciones y planificar decisiones. Puede aprovechar el poder de nuestro exclusivo motor de análisis para explorar datos predictivos y probar escenarios hipotéticos en Qlik Sense. ¡Gracias por leer!