Buenas praxis en el análisis Big Data

Los proyectos de análisis avanzados que utilizan grandes volúmenes de datos son cada vez más habituales dentro de las organizaciones, pero también presentan un mayor riesgo de fracaso, principalmente por una inadecuada planificación de los objetivos que se persiguen y un desconocimiento de los riesgos que entrañan.

En palabras de Alexander Linden, director de investigación de Gartner, en el Business Intelligence & Analytics Summit 2015, celebrado por la compañía en Munich (Alemania) los días 14 y 15 de octubre, la mayoría de los fracasos no tendrán como resultado fallos técnicos o analíticos obvios, sino que se traducirán en la falta de entrega de valor para el negocio.

El no entender correctamente y mitigar los riesgos que se enfrentan, puede tener una serie de consecuencias no deseadas y altamente impactantes: pérdida de la reputación, limitaciones en las operaciones, reducción de cuota de mercado frente a otros competidores, uso ineficiente y pérdida de recursos, e incluso sanciones legales. Según las predicciones de Linden, en 2018, la mitad de violaciónes de ética empresarial se producirán por el uso inadecuado de la analítica Big Data.

En la presentación de su informe, Linden, ofreció varias claves para aumentar las probabilidades de éxito de los proyectos de analítica avanzada en Big Data:

  • Vincular analítica a resultados de negocio.

Todo proyecto de analítica debe tener un efecto mensurable y que permita ejecutar acciones a los tomadores de decisiones de negocio. Además se debe poder conocer si el efecto influye directamente o indirectamente.

Vincular los efectos del proyecto a resultados concretos del negocio, ayuda al equipo de análisis a explorar las complejidades del entorno empresarial, y establecer aquellos esfuerzos analíticos que sean pertinentes y justificables.

  • Invertir en análisis avanzado con precaución

Muchas organizaciones creen que cualquier proyecto Big Data requiere automáticamente el uso de analítica avanzada. Sin embargo, para extraer el conocimiento que encierran los datos, no es necesario utilizar un algoritmo de procesamiento muy sofisticado, cuando no hay una gran variedad de datos o no necesitamos los resultados en tiempo real.

El uso de herramientas analíticas avanzadas sólo viene condicionado por la complejidad del problema que debe abordarse, y, en muchos casos, los resultados deseados se pueden lograr sin tener que recurrir a los procesos de análisis más sofisticados.

  • Equilibrio entre resultados y capacidad de usarlos

Debido a que el análisis sólo puede ser beneficioso en las organizaciones que están dispuestas a aceptar un cambio, tiene sentido limitar la inversión en proyectos de analítica a un nivel que coincida con la capacidad de la organización para utilizar los conocimientos resultantes.

Un proyecto analítico puede no ser el enfoque más adecuado si los datos necesarios no están disponibles, cuando hay altos niveles de ambigüedad en los mismos, o donde no están arraigados puntos de vista opuestos.

En estos casos, la planificación de escenarios, las estrategias basadas en diferentes opciones y el pensamiento crítico; también deben ser incorporados en los puntos de partida del proyecto, para maximizar la capacidad de la organización en la toma de decisiones y medidas.

  • Priorizar mejoras incrementales sobre transformación del negocio

El uso de Big Data y de sistemas de análisis avanzado, para mejorar los procesos de análisis pre-existentes, o para actualizar y extender un proceso de negocio existente de forma incremental, son escenarios más óptimos, que otros que tengan como resultado una transformación del negocio, ya que hay menos barreras que superar para asegurar el éxito.

Se debe tener cuidado para validar el nivel de cambio global requerido que se producirá. Pero, en algunos casos, una profunda reforma de la estrategia de negocio todavía puede ser necesaria. Por ejemplo, cuando un nuevo proveedor entra en el mercado y suponga una amenaza para el negocio, cuando una innovación tecnológica genere un nuevo paradigma en el modelo de negocio, o cuando la organización se ha convertido en disfuncional.

  • Enfoques alternativos para alcanzar el mismo objetivo

Hay muy pocos objetivos que sólo se puedan alcanzar de una manera. El modelado estadístico, la minería de datos o los algoritmos de aprendizaje automático, proporcionan medios para probar ideas y alternativas que nos permitan refinar nuestra solución. El Big data y los sistemas de análisis avanzado, son una vía más que ayuda a validar hipótesis propuestas y a ampliar la gama de posibles enfoques al abordar las prioridades corporativas.

En resumen, no todos los problemas, alrededor del manejo de grandes volúmenes de datos, requieren de una solución analítica avanzada y de una re-ingeniería de toda la operación de una compañía. Las inversiones podrían tener un destino mejor en factores humanos, como la reeducación del equipo, o en la reformulación de los problemas de la organización.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s