Tendencias de TI - cdn.ttgtmedia.comcdn.ttgtmedia.com/rms/DataCenterES/BigData...

Tendencias de TI Estrategias de analítica de “big data”

de 18

Estrategia y analítica de Big Data

Contenido

Analítica de datos impulsa el uso de big data en las empresas……………….2

Integrar herramientas de big data comienza con una planificación eficaz ..................... 4

¿Misión imposible? Procesos de gobernanza y “big data” ..................... 8

Incremento de Big Data obliga a cambios en las organizaciones…….11

Programas de analítica de big data exigen conocimiento del negocio y experiencia en TI ……………………13

Con el incremento en la capacidad y velocidad de las computadores, ha surgido desde hace unos años la tendencia de analizar grandes volúmenes de datos para descubrir patrones, correlaciones e información que pueda ayudar a la empresa a tomar mejores decisiones de negocio sobre incidentes que pudieran haber quedado sin explotar con el solo uso de la inteligencia de negocio convencional. Sin embargo, la implementación de esta herramienta analítica no es tan sencilla como parece. ¿Qué se necesita para planear e implementar una estrategia de “big data” exitosamente? En esta guía electrónica usted puede encontrar desde información sobre la planeación eficaz y los procesos de gobernanza de datos, hasta la implementación y los recursos necesarios a la hora de ejecutar una estrategia de “big data”.

Analítica de datos impulsa el uso de “big data” en las empresas Artículo por Lizzette Pérez

Aunque más del 75% de las organizaciones de mayor rendimiento citan al

crecimiento o a la innovación como el valor principal de la analítica de

negocios, más de dos terceras partes dice que cierta forma de resistencia

política o ejecutiva es la principal barrera para la realización del valor pleno

de sus inversiones, de acuerdo con un estudio de IBM.

En su quinto examen global sobre la adopción y el uso de la analítica, IBM

encontró que un número cada vez mayor de entrevistados (más de dos

terceras partes) está aplicando la analítica de negocios para apoyar las

estrategias de generación de ingresos, versus la contención de costos.

de 18


Contenido






Adicionalmente, el estudio del Institute for Business Value, IBV (Instituto

para el Valor de Negocios) de IBM, titulado “Analítica: un plan para el valor”

encontró que casi un 40% de las compañías visualizan un rápido retorno

sobre la inversión, dentro de los seis meses de la adopción de la analítica.

El estudio también encontró tres factores esenciales para proponer la

analítica de negocios dentro de las organizaciones –el financiamiento, la

confianza y las habilidades– y las brechas significativas en cada área. Al

abordar esas brechas, los líderes en analítica tienen la oportunidad de

incrementar el apoyo ejecutivo, reforzar la confianza a través de la

organización y construir un conocimiento y habilidades más profundas.

El estudio de IBM revela que una cuarta parte de los directores generales y

los de operaciones actúan como los principales propulsores del uso de los

hallazgos de la analítica de información (24%). Esto representa un 10% de

incremento sobre el 2012, pero aún lejos del liderazgo convincente que se

requiere para crear la chispa de una transformación extensiva. Además del

director general y el director de operaciones, otros ejecutivos de alto nivel

como el Director de Información y el Director de Mercadotecnia tienen el

poder de promover el uso de big data y la analítica a lo largo de la empresa.

El financiamiento e involucración ejecutiva en el proceso de big data y la

analítica son la clave para la creación del valor. En las organizaciones con

bajos niveles de soporte ejecutivo, las implementaciones de la analítica se

obstaculizan por la falta de fondos, recursos y seguimiento.

Obstáculos para el big data

La falta de confianza dentro de las organizaciones está probando ser una de

los obstáculos más significativos para lograr valor. Mientras que el 60% de

los funcionarios más destacados disfrutan de fuertes niveles de confianza

entre los individuos dentro de su organización, el nivel de confianza baja

significativamente (47%) cuando se transfiere a otras unidades de negocios

y los departamentos de tecnología de la información en general.

Un enfoque fragmentado puede resultar en la disminución de la confianza

entre los diferentes grupos de personas al que puede accederse y para

de 18


Contenido






interpretar y usar los datos en diferentes formas. Esta brecha surge de la

desconfianza básica sobre quién está calificado para analizar

competentemente y actuar en relación con los datos. Una falta de confianza

entre los ejecutivos, los analistas y los administradores de datos puede

impactar significativamente en la voluntad de compartir los datos, basarse en

los puntos de vista y trabajar en conjunto para entregar valor. El estudio de

IBM encontró que una brecha de valor entre los individuos es un indicador

líder de falta de confianza en la veracidad de los datos. Cuando esto ocurre,

los valores totales para un negocio son altos.

Por otro lado, la brecha entre la demanda del talento en big data y analítica a

nivel global y el surgimiento del talento a nivel local es uno de los obstáculos

claves para las implementaciones de la analítica a través de las

organizaciones. Una tercera parte de los entrevistados citó la falta de

habilidades para analizar e interpretar los datos que resulten en acciones de

negocios relevantes como el principal desafío empresarial que impide una

mejor analítica de valor dentro de sus organizaciones.

La brecha más grande en habilidades es combinar las habilidades de la

analítica junto con el conocimiento empresarial para poder inferir ideas

significativas sobre los datos. Lo que más se busca en el mercado es un

analista que tenga la capacidad de comprender los negocios y realizar

tareas matemáticas de mayor nivel. Más de una tercera parte de los

entrevistados (36%) citó esto como la brecha de habilidades que crea más

presión para su organización, seguido de las habilidades analíticas (24%),

habilidades de gestión de datos (21 por ciento) y habilidades empresariales

(19%).Normal style.

Integrar herramientas de “big data” comienza con una planificación ideal Por David Loshin

La experimentación con lo que puede ser denominado colectivamente como

herramientas de big data –incluyendo Hadoop clusters, el modelo de

de 18


Contenido






programación MapReduce y bases de datos NoSQL– ha llevado a algunos

escenarios de aplicación emergentes y casos de uso que demuestran un

claro valor de negocios. Pero estos éxitos tempranos plantean una cuestión

potencialmente complicada: ¿Cuál es la mejor manera de integrar los

sistemas de big data en una arquitectura corporativa de data warehousing,

inteligencia de negocios (BI) y analítica?

Las tecnologías de big data no tienen que ser disruptivas para los entornos

existentes de data warehouse. Sí, las barreras reducidas de entrada

proporcionadas por el amplio conjunto de herramientas sin costo o de bajo

costo que conforman el ecosistema Hadoop, y su soporte para almacenar y

gestionar conjuntos masivos de datos en hardware básico, plantea el

potencial de desplazar al tradicional data warehouse corporativo de su

percha en el centro del universo de BI y analítica.

Pero las organizaciones que han invertido una cantidad significativa de

dinero, recursos y tiempo en la implementación de almacenes de datos para

apoyar la consulta, reporte y análisis no son propensas a querer dar la

espalda a esas inversiones. E incluso si su compañía no opta por la

transición a una nueva arquitectura de BI y analítica de big data por capas,

exclusivamente sobre las tecnologías de Hadoop y NoSQL, es poco

probable que el cambio suceda durante la noche. Más comúnmente, será

realizado a través de una serie de cambios incrementales para reducir el

riesgo de niveles de servicio disminuidos o interrupciones a gran escala en

los procesos de análisis.

Como resultado, la mayoría de las organizaciones se beneficiarán de un

enfoque que valore la integración e interoperabilidad para asegurar un nivel

de simbiosis entre viejas y nuevas tecnologías. Un ejemplo podría ser una

aplicación analítica basada en Hadoop para perfiles de clientes, junto con un

data warehouse existente de clientes. Los datos pueden ser transmitidos

desde el almacén a la aplicación Hadoop, mientras que las mejoras en los

perfiles de los clientes y clasificaciones generadas como parte del proceso

de análisis se pueden combinar de nuevo en el almacén de datos.

de 18


Contenido






Estableciendo una conexión de big data

La primera consideración para la integración es el establecimiento de

conexiones entre los almacenes de datos y las plataformas de big data. En

la actualidad, uno de los usos más frecuentes de los sistemas de big data es

el aumento del data warehouse, en el que ofrecen almacenamiento de datos

ampliado a un costo más bajo de lo que puede brindar un tradicional data

warehouse o data mart. Muchos usuarios tempranos también están

utilizando clusters Hadoop y bases de datos NoSQL como áreas de escena

para los datos antes de cargar una parte o la totalidad de la información en

un data warehouse para usos analíticos. Tales aplicaciones pueden ser tan

simples como usar el sistema de archivos distribuidos Hadoop para

almacenar datos, o pueden involucrar enlaces más complejos a conjuntos de

datos en Hive, HBase, Cassandra y otras tecnologías NoSQL.

La incorporación de estas herramientas en un marco de data warehouse y BI

puede requerir tanto conectividad como interpretación. Las interfaces de

programación de aplicaciones se pueden utilizar para proporcionar acceso a

los sistemas Hadoop y NoSQL de los data warehouses; además, numerosos

proveedores ofrecen conectores empaquetados entre bases de datos SQL y

los sistemas de big data, incluyendo los basados en estándares de

integración, tales como ODBC y JDBC. Para esos sistemas que no se

ajustan a un modelo relacional típico, podría haber una necesidad de una

capa de interpretación que puede transformar objetos semi-estructurados

(documentos, por ejemplo) desde su forma representativa, como YAML o

JSON, en un formato que pueda ser entendido por las aplicaciones de BI.

Hay otros enfoques para una integración aún más estrecha entre los dos

tipos de sistemas. Por ejemplo, los sistemas de data warehouse son cada

vez más abiertos a la incorporación de llamadas hacia las funciones de

MapReduce como mejoras a su vocabulario SQL nativo, permitiendo que los

resultados de un proceso de análisis en un cluster Hadoop sean extraídos

directamente hacia el conjunto de resultados de una consulta de BI. Otro

ejemplo es la incorporación de los resultados analíticos generados por

Hadoop en almacenes de datos para la presentación de informes y su

posterior análisis.

de 18


Contenido






Las brechas de big data necesitan puentes

Integrar los diferentes enfoques se convertirá rápidamente en un imperativo

para muchos equipos de TI y de data warehousing a medida que el valor

empresarial de big data –y la forma de revelarlo– llega a ser mejor

comprendido. El acoplamiento de un grado de agilidad con una buena

planificación del programa para el proceso de integración es fundamental.

Eso significa salvar algunas lagunas evidentes que persistirán a medida que

aumenta la adopción, incluyendo las siguientes:

Arquitecturas desconectadas. El enfoque típico para proyectos piloto o

pruebas de concepto, así como para muchas aplicaciones de producción

temprana, consiste en la implementación de sistemas Hadoop o NoSQL en

sus propios entornos de silos. Un plan de integración bien estructurado debe

incluir involucrar a TI y los arquitectos de datos para correctamente

visualizar, diseñar e implementar las diversas capas apiladas de una

arquitectura de data warehouse híbrido, BI y analítica.

Deficiencias de la administración. La naturaleza de código abierto de

muchas herramientas de big data a menudo conduce al énfasis de la

funcionalidad sobre la gestión y la administración. Esta brecha se reducirá

con el tiempo, a medida que maduren las versiones comerciales de

productos de software de big data, pero por ahora puede que tenga que

compensar la relativa inmadurez de sus capacidades de gestión.

Escasez de habilidades. La empinada curva de aprendizaje al trabajar con

las tecnologías Hadoop y NoSQL puede ser el obstáculo más grande a

escalar en los esfuerzos de integración de big data. El conocimiento de

técnicas de computación paralela y distribuida, en general, sigue siendo algo

difícil de encontrar en el mercado de personal de TI, e incluso hay un menor

número de gente con una profunda experiencia práctica en el desarrollo y

actualización de las aplicaciones de big data. Entrenar empleados internos

puede ser el camino más rápido y de menor costo para poner en su lugar las

habilidades requeridas.

de 18


Contenido






En cada vez más empresas, la integración de Hadoop y NoSQL con los

entornos de data warehouse es una cuestión no de “si” sino de “qué tan

pronto”. Empezar a prepararse ahora le ayudará a identificar los posibles

obstáculos en la delantera, y le permitirá el desarrollo de un plan eficaz del

proyecto. Eso, a su vez, debe ayudar a construir procesos repetibles para

satisfacer sus necesidades de integración, y ese debería ser el objetivo final

de cualquier iniciativa.

¿Misión imposible? Procesos de gobernanza y “big data” Por Roger du Mars

"Big data" seductoramente, ofrece la promesa de ventajas competitivas a las

empresas que lo pueden utilizar para desbloquear secretos acerca de los

clientes, el uso del sitio web y otros elementos clave de sus operaciones

comerciales. Pero cierta precaución debe prevalecer: Sin un proceso de

gobierno de datos adecuado, liderar proyectos de datos grandes puede

desencadenar un lío de problemas, incluidos los datos erróneos y los costos

inesperados.

El papel del gobierno de datos es mantener los repositorios y grandes

volúmenes de datos. Big data, que generalmente implica una gran cantidad

de información no estructurada, es un fenómeno muy reciente que ha

encontrado su camino en muchas organizaciones bajo el radar del

departamento de TI. Como resultado de ello, la gestión de entornos de

grandes volúmenes de datos se encuentra en una etapa incipiente, y hay

pocas recetas generalizadas para saber cómo hacerlo de manera efectiva,

de acuerdo con analistas de la gerencia de datos.

"Big Data es un área tan nueva que nadie ha desarrollado procedimientos y

políticas de gobierno", dijo Boris Evelson, analista de Forrester Research

Inc. en Cambridge, Massachusetts. "Hay más preguntas que respuestas".

Un problema fundamental es que las piscinas de grandes volúmenes de

datos están más orientadas a la exploración de datos y descubrimiento de lo

que son la presentación de informes convencionales de Business

de 18


Contenido






Intelligence y análisis, Evelson añadió. Eso, dijo, crea un círculo vicioso:

"Los datos no se pueden gobernar hasta que se modelan, pero no se puede

modelar tampoco hasta que se exploran [por los analistas de datos]".

Los programas de gobernabilidad de datos proporcionan un marco para el

establecimiento de datos de uso de las políticas y la implementación de

controles diseñados para asegurar que la información sigue siendo precisa,

coherente y accesible. Es evidente que un reto importante en el proceso de

gobernar grandes datos es categorizar, modelar y mapear los datos a

medida que se capturan y se almacenan, en particular debido a la naturaleza

no estructurada de gran parte de la información.

"Para obtener información comercial significativa de grandes volúmenes de

datos, hay que hacer todo tipo de cosas, como el análisis semántico de los

datos, que luego se presta en los modelos conceptuales u ontologías", dijo

Malcolm Chisholm, presidente de la consultora de gestión de datos en

AskGet Inc. Holmdel, New Jersey "Y todo eso implica un montón de cosas

de gobierno."

Buscando pistas en los grandes datos

La dificultad es que todo lo relacionado con el proceso de gobernabilidad de

datos para grandes volúmenes de datos es tan nuevo. "Hay una gran falta

de madurez cuando se habla de grandes volúmenes de datos, y la mayoría

de los gestores de datos realmente no tienen ni idea en lo que se meten ",

dijo Chisholm.

Big data, que también se incluye grandes cantidades de datos de

transacciones estructuradas, tiene características idiosincrásicas. Es

comúnmente definido de acuerdo con la V para tres: volumen, variedad y

velocidad. Forrester añade variabilidad a su definición, mientras que su rival

de la empresa de consultoría Gartner Inc. se enfoca en la complejidad.

Además, los datos a menudo proviene de fuentes externas, y su exactitud no

siempre se puede validar fácilmente; también, el significado y el contexto de

datos de texto no es necesariamente evidente. Y en muchos casos, se

de 18


Contenido






almacena en sistemas de archivos o bases de datos NoSQL Hadoop en

lugar de almacenes de datos convencionales. Para muchas organizaciones,

grandes volúmenes de datos implica una curva de aprendizaje colectivo para

todos los implicados: gestores de TI, programadores, arquitectos de datos,

los datos de los modeladores de datos y profesionales de la gobernanza.

Un fuerte impacto

Una de las mayores dificultades para hacer frente a, y tratando de gobernar,

la inundación de grandes volúmenes de datos es perder de vista las

prioridades de negocio, dijo Rick Sherman, fundador de Athena IT Solutions,

una consultoría en Stow, Massachusetts

Por ejemplo, muchos de los datos no estructurados deben ser capturados

por las organizaciones que vienen de los medios sociales, y por lo general

sólo una pequeña parte de esa información es de gran valor, de acuerdo con

Sherman. "Tratar de manejar o controlar todo en datos no estructurados

sería un gran error", dijo, advirtiendo que las empresas podrían terminar

perdiendo tiempo y recursos en datos sin importancia.

Danette McGilvray, presidente de Granite Falls Consulting Inc. en Newark,

California, también dijo que los grandes volúmenes de datos pueden ser un

gran momento del disipador de datos para los equipos de gestión y de

gobierno si no se manejan de manera inteligente y sensata. "La única

manera de averiguar si los datos son la gestión de valor es si sabemos lo

que es la necesidad del negocio", dijo McGilvray. "Cuando se trata de

grandes volúmenes de datos, aún necesitamos que se nos recuerde de

eso".

Gwen Thomas, fundador y presidente de The Data Governance Institute

LLC, una empresa de consultoría y formación en Orlando, Florida,

recomienda que los juicios acerca de la calidad de los datos de entrada deba

ser una de las prioridades más importantes para los administradores de

gobierno de datos que buscan tener sus brazos alrededor de grandes

volúmenes de datos. Los controles de calidad Proactive de datos pueden

ahorrar un montón de tiempo y dolores en el camino, dijo.

de 18


Contenido






La alineación correcta evita datos inconexos

Thomas agregó que con frecuencia subestiman la importancia de la

cartografía de los nuevos datos a los datos de referencia que las

organizaciones utilizan para clasificar la información. La alineación de

grandes volúmenes de datos con los datos de referencia existentes es "un

detalle enorme", dijo. "De hecho, si esto no se hace bien, la información que

resulta del procesamiento de grandes volúmenes de datos puede ser

engañosa, inexacta o incompleta."

Para ayudar a asegurar que los datos se asignen correctamente, la tarea

debe ser asignada a un arquitecto de datos principales en lugar de estar en

manos de un modelador de datos con menos experiencia o alguien fuera de

él, Thomas aconseja.

Chisholm dijo que los gerentes de gobernabilidad de datos también deben

tener como prioridad mantener conversaciones productivas acerca de los

modelos de datos aplicables con los programadores y usuarios de negocios,

que a menudo inician las instalaciones de datos grandes. Tales discusiones,

sin embargo, deben comenzar con un reconocimiento firme de Hadoop y

tecnologías NoSQL y en qué difieran de las bases de datos relacionales - y

una comprensión de la necesidad de un enfoque unificado para la gestión y

gobierno de datos grandes.

Lo que las empresas deben evitar, Chisholm dijo, es permitir que los

programadores y los usuarios sigan su propio camino y lleven perspectivas

impulsadas por silos para el proceso de configuración de los sistemas de

datos grandes y hacer el modelado de datos necesarios y las tareas de

mapeo. Eso podría cargar con las grandes facturas de reparación, las

instalaciones inadecuadas que no producen los beneficios esperados de

negocios e inversiones perdidas en los sistemas innecesarios.

de 18


Contenido






Incremento de “big data” obliga a cambios en las organizaciones Por Lizzette Pérez

Un estudio de Intel revela que en 2012, el número de dispositivos

conectados fue igual al número de la población mundial. Y la previsión es

que en el año 2015 este número será el doble de la población del mundo.

Además, en 2015, tomará 5 años ver todos los videos que se han subidos a

la red.

Ante este escenario, la gestión y el análisis de Big Data se presenta como

un activo valioso para muchas organizaciones. De acuerdo con el estudio de

Intel, cada minuto se transfieren 639,800 Gb de datos globales sobre

internet.

En tan sólo un minuto, 20 millones de fotos son vistas y 61,141 horas de

música son escuchadas. Además, cada 60 segundos son enviados 204

millones de correos electrónicos, se realizan 2 millones de búsquedas en

Google y se reproducen 1.3 millones de videos en Youtube. Además, en 60

segundos, 20 personas son víctimas del robo de identidad en la red y se

disparan 135 virus letales hacia las computadoras.

La capacidad de analizar y entender Big Data tiene un enorme potencial

para transformar a la sociedad, ya que permite nuevos descubrimientos

científicos, modelos de negocios y experiencias de consumo. Aun así, sólo

una pequeña fracción del mundo es capaz de encontrar sentido en toda esta

información debido a que las tecnologías, técnicas y habilidades disponibles

actualmente son demasiado rígidas para los tipos de datos, o excesivamente

caras para implementarlas.

El software de Big Data recoge todos los datos que una organización genera

y permite a los administradores y analistas usarlos más tarde. En este

sentido, son más escalables que las bases de datos tradicionales y los data

warehouses.

de 18


Contenido






De acuerdo con Intel, Norteamérica es quien lidera el servicio de Big Data,

seguido por Europa. Asia y América Latina están haciendo sus primeras

grandes inversiones en el tema. La razón es que para poder aprovechar

realmente el valor que genera esto, se necesitan tres cosas: un nivel de

arquitectura tecnológica avanzada, demanda y el know-how de parte del

usuario. También vale resaltar que la adopción de Big Data en Asia y

Latinoamérica será mucho más rápida que el cómputo de nube.

Otro frente será la forma en que se procesarán esos datos. Los

requerimientos para poder hacerlo impulsarán arquitecturas que permitan

procesar, simultáneamente, datos de distintos tipos y, lo más importante, de

distintos niveles. Todo sobre la misma infraestructura de red y todo en

tiempo real.

El data center cambiará de diseño en cuanto al armado de servers, switches

y almacenamiento; y también generará modificaciones para el uso eficiente

de estos recursos, entre ellos la energía requerida. Sin embargo, uno de los

cambios de la arquitectura de red es mover la gran cantidad de datos que

requerirá mayor performance y mayor ancho de banda.

Programas de analítica de “big data” exigen conocimiento del negocio y experiencia en TI Por Rick Sherman

Los artículos y estudios de caso que se han escrito sobre los programas de

analítica de “big data”(grandes datos) proclaman los éxitos de las

organizaciones, normalmente resaltando las tecnologías utilizadas para

construir los sistemas. La información sobre productos es útil,

evidentemente, pero también es absolutamente esencial que las

organizaciones que se embarquen en este tipo de proyectos tengan la

seguridad de contar con personas con la experiencia y conocimientos

apropiados para extraer la máxima utilidad a las herramientas de analítica de

big data.

de 18


Contenido






Normalmente se piden conocimientos sobre las nuevas o emergentes

tecnologías de big data, como Hadoop, especialmente si el proyecto tiene

que ver con datos semi-estructurados o no estructurados. Pero, incluso en

estos casos, saber manejar Hadoop es sólo una pequeña porción de todos

los requisitos que debe tener el personal del proyecto; también es preciso

contar con capacidades en las áreas de inteligencia empresarial (BI) e

integración y almacenamiento de datos. Otros de los requisitos sine qua non

que debe cumplir un programa de analítica de big data exitoso es tener

conocimientos y experiencia sobre el negocio y la industria. Muchas

organizaciones también buscan capacidades analíticas avanzadas, como

análisis predictivo y técnicas de minería de datos.

“Científico de datos” es una nueva categoría laboral que está adquiriendo

cierta popularidad en la industria. En realidad, es un título que combina

capacidades de todas las áreas mencionadas arriba, incluyendo también la

elaboración de modelos predictivos, análisis tanto estadísticos como del

negocio, y desarrollo de la integración de datos. He visto algunas ofertas de

empleo para científicos de datos que exigen un título en estadística además

de otro relacionado específicamente con la industria concreta. Poseer dos

titulaciones y experiencia profesional relevante es fantástico, pero ¿cuáles

son las probabilidades de encontrar candidatos que tengan todo eso?

¡Bastante pocas!

Adoptando una perspectiva más realista sobre los aspectos a planificar, a

continuación ofrezco una descripción de los conjuntos más importantes de

capacidades y funciones que deberían formar parte de los proyectos de

analítica de big data. En lugar de hacer un listado de títulos profesionales o

trabajos específicos, he mantenido una visión general; las organizaciones

pueden unificar roles y responsabilidades de diversas maneras según los

niveles de capacidad y experiencia de su plantel de trabajo en cada

momento y de las nuevas contrataciones que realicen.

Conocimiento empresarial. Además de habilidades técnicas, las

compañías que deciden entrar en el terreno de los proyectos de analítica de

big data necesitan involucrar a personas con una amplia experiencia

empresarial en la industria. Aquí se incluiría el conocimiento de la propia

de 18


Contenido






estrategia empresarial y las operaciones de una organización, así como de

los competidores, las condiciones actuales del sector y tendencias

emergentes, demografía de los clientes y factores micro y

macroeconómicos.

Gran parte del valor de negocio derivado de la analítica de grandes datos no

proviene de los indicadores clave de rendimiento más tradicionales, sino de

intuiciones, descubrimientos y datos desgranados del propio proceso

analítico. El proceso es en parte ciencia (por ejemplo, estadística), y por otro

lado, arte, como cuando los usuarios efectúan un análisis de hipótesis para

obtener información que pueda ser posteriormente aplicable a las

operaciones de negocio de una organización. Tales descubrimientos son

sólo posibles con la participación de los administradores y trabajadores que

tienen un conocimiento de primera mano de las estrategias y cuestiones que

afectan a la actividad de cada empresa en particular.

Analistas empresariales. Este grupo juega también un rol importante a la

hora de ayudar a las organizaciones a comprender las ramificaciones de los

grandes datos para sus negocios. Además de llevar a cabo una tarea

puramente analítica, estos expertos pueden también recibir la tarea de

recopilar los requisitos de negocio y los datos para un proyecto determinado,

ayudando a diseñar tableros de control (dashboards), reportes y

visualización de información para presentar los descubrimientos del análisis

a los usuarios y ayudar a cuantificar el valor que el programa analítico tiene

para el negocio.

"No caiga en la tentación de pensar que el éxito en la analítica de big data

depende solamente de las herramientas. La verdadera clave del éxito está

en garantizar que su organización dispone de las capacidades que

necesita."

Desarrolladores de BI. Estas son personas que colaboran con los analistas

empresariales para construir los tableros de instrumentos, reportes y

visualizaciones necesarias para los usuarios del negocio. Junto a esto,

dependiendo de las necesidades internas y las herramientas de inteligencia

de negocios (BI) que utilice una organización, pueden también habilitar

de 18


Contenido






capacidades de autoservicio de BI mediante la elaboración de datos y

plantillas de BI necesarias para el uso de los directivos y trabajadores de la

empresa.

Constructores de modelos predictivos. En general, los modelos

predictivos para analizar big data tienen que estar hechos a medida. Para

crear buenos modelos es esencial contar con un profundo dominio y

conocimiento de la estadística. Con demasiada frecuencia, las compañías

subestiman el nivel de capacitación necesario y contratan a gente que sí ha

usado herramientas estadísticas, incluidos algunos modelos desarrollados

por otros, pero que no conocen los principios matemáticos subyacentes en

los modelos predictivos.

Las personas que realizan modelos predictivos también necesitan tener

ciertos conocimientos empresariales y entender los mecanismos de

recopilación e integración de la información en modelos, aunque en ambos

casos pueden apoyarse en otras personas más experimentadas en la

creación y refinamiento de los modelos. Otra capacidad clave que deben

tener quienes formulan este tipo de modelos es la de evaluar el grado de

limpieza, actualidad y amplitud de la información disponible. A menudo

existen lagunas o carencias en los datos y el analista tiene que saber

cubrirlas.

Arquitectos de datos. Los proyectos de analítica de grandes datos

necesitan alguien que diseñe la infraestructura de datos y guíe su desarrollo.

Normalmente, los arquitectos de datos tendrán que incorporar varias

estructuras de información en una sola arquitectura, además de los procesos

necesarios para capturar y almacenar los datos y hacerlos disponibles para

el análisis. Esta función abarca diversas capacidades tradicionales de TI,

como la elaboración de modelos, el análisis de perfiles, la calidad, la

integración y la gobernanza de los datos.

Desarrolladores de integración de datos. La integración de datos es

suficientemente importante para necesitar sus propios desarrolladores.

Estos sujetos diseñan y desarrollan procesos de integración para manejar el

espectro completo de estructuras informativas en un entorno de grandes

de 18


Contenido






datos. Con ello se aseguran, al menos teóricamente, de que la integración

no se lleve a cabo en silos sino dentro de una arquitectura de datos global.

Asimismo, es preferible usar herramientas de integración de datos en

paquetes que soporten múltiples tipos de datos, incluyendo fuentes

estructuradas, no estructuradas y semi-estructuradas. Conviene evitar la

tentación de desarrollar código a medida para manejar, extraer, transformar

y cargar operaciones en grupos de grandes datos; el hand coding puede

aumentar los costos del proyecto, sin mencionar la posibilidad de que la

organización quede cargada con procesos de integración de datos

indocumentados, incapaces de escalarse según crecen los volúmenes de

información.

Arquitectos de tecnología. Este rol tiene que ver con el diseño de la

infraestructura subyacente de TI que servirá de soporte a la iniciativa de

analítica de grandes datos. Además de entender los principios del diseño

tradicional del almacenamiento de datos y los sistemas de BI, los arquitectos

tecnológicos deben contar con experiencia en las nuevas tecnologías que

habitualmente se emplean en los proyectos de big data. Y si la organización

planea implementar herramientas de código abierto como Hadoop, los

arquitectos tendrán que entender cómo configurar, diseñar, desarrollar e

implementar dichos sistemas.

Abordar un proyecto de analítica de big data y adquirir nuevas tecnologías

para apoyar el proceso de análisis puede ser muy emocionante. Pero no se

ilusione falsamente con la idea de que el éxito del proyecto depende

exclusivamente de las herramientas. La verdadera clave del éxito está en

asegurarse de que su organización cuenta con las capacidades necesarias

para administrar de forma efectiva grandes y diversificados conjuntos de

datos, así como la analítica necesaria para derivar valor de negocio de la

información disponible

de 18


Contenido






Recursos gratis para profesionales en el área de la tecnología TechTarget publica información dirigida a medios de tecnología cubriendo la

información y los recursos que usted necesita para investigar productos,

desarrollar estrategias y tomar decisiones de compra que traigan un buen

costo-beneficio. Nuestra red, enfocada a páginas web de tecnología, le da

acceso a expertos en la industria, contenido y análisis objetivo, la biblioteca

virtual más grande de reportes escritos por proveedores, estudios, webcasts,

podcasts, videos, conferencias virtuales y más. Todo esto se hace

aprovechando los recursos de investigación y desarrollo de proveedores de

tecnología con el fin de poder abordar tendencias de mercado, retos y

soluciones. Nuestros eventos y seminarios virtuales le dan acceso a

observaciones, y consejos de expertos en retos y tareas del día a día.

Nuestra comunidad IT Knowledge Exchange le permite compartir

información en tiempo real con compañeros y expertos.

¿Que hace único a TechTarget? TechTarget se enfoca específicamente en el segmento de TI empresarial.

Nuestro equipo de editores y nuestra red de expertos en la industria proveen

el contenido más relevante e importante para los profesionales y

administradores de TI. Balanceamos las inmediaciones de la red, con las

oportunidades de contacto en persona, para permitirle hacer contactos en

eventos presénciales y virtuales, y para que pueda tener la habilidad de

interactuar con compañeros, todo esto con el fin de crear información valiosa

y relevante para los profesionales de TI en todas las industrias y mercados.

Tendencias de TI - cdn.ttgtmedia.comcdn.ttgtmedia.com/rms/DataCenterES/BigData...

Documents

Transcript of Tendencias de TI - cdn.ttgtmedia.comcdn.ttgtmedia.com/rms/DataCenterES/BigData...