Analytics-at-Scale: un viaje hacia la democratización de la analítica
Durante muchos años, las organizaciones han considerado los datos como parte de los procesos de negocio, un sustento necesario para implementar las operaciones. Su gestión había estado acoplada a las aplicaciones que daban soporte al día a día del negocio, y no había una visión como un activo de valor, no sólo para las operaciones aisladas, sino para la estrategia de la compañía.
Hoy en día, la mayor parte de las organizaciones, en mayor o menor medida, consideran que los datos pueden aportar un valor más allá de la pura operación, y por ello han decidido invertir en mejorar la gestión y explotación de los mismos, en un proceso cuyo objetivo es democratizar el acceso a los datos, y más importante, democratizar la capacidad de análisis de estos datos para mejorar la toma de decisiones.
Democratizar los datos y la analítica es un objetivo que puede aportar grandes beneficios a cualquier organización, ya que permite que las personas que conocen los procesos de negocio, la problemática y los retos a resolver, tengan las herramientas para poder crear sus propios cuadros de mando e incluso modelos de analítica avanzada que impulsen la creación de valor.
Muchas compañías han desacoplado la explotación de los datos de los usuarios finales de los mismos, creando equipos especializados de analítica que reciben la información de los usuarios y conocedores de negocio, e intentan trasladar este conocimiento, junto con sus conocimientos técnicos, a cuadros de mando, modelos predictivos, etc. Sin embargo, en este proceso hay mucha información que difícilmente puede transmitirse, lo que genera una limitación en cuanto al valor que en realidad aporta la explotación de los datos.
En Shaper hemos definido 5 etapas o estadios en este viaje hacia la democratización que resumimos en este gráfico. No son etapas totalmente cerradas, sino que las compañías van dando pasos en diferentes aspectos que caracterizan cada fase:
El estadio inicial, que denominamos “Analítica a demanda” destaca porque el dato carece de un carácter estratégico, y ni siquiera se tiene una visión única del mismo. En esta fase, los datos están repartidos por diferentes aplicaciones, y los usuarios de negocio los utilizan de forma parcial para la toma de decisiones, realizando análisis ad-hoc y manuales con herramientas como Microsoft Excel.
Cuando la compañía empieza a percatarse del valor de los datos, uno de los primeros pasos que suele realizar es integrar todos los datos en una única plataforma (o en pocas), como puede ser un Datawarehouse. Estas plataformas comienzan a dar una visión única, y empiezan a poner sobre la mesa problemas de interpretación o la calidad de los datos, por ejemplo, ¿un cliente es igual para el área de marketing y para el área de operaciones?. Es por ello que en Shaper denominamos esta fase la de “Estandarización”. En esta fase, además de unificar la visión de los datos, se modernizan las herramientas de explotación, empezando a incorporar herramientas de Business Intelligence o Visualización para crear informes o cuadros de mando de forma automatizada. Aunque la calidad de los datos es un reto y una necesidad en todas las fases, en esta fase además es cuando empieza a manifestarse como algo estratégico.
La irrupción de las tecnologías Big Data, hace ya unos 10 años, posibilitó el análisis de muchos datos que hasta ahora no se habían utilizado, los datos no estructurados, combinados con los datos habituales de la operación. Además, éstas nuevas tecnologías permitían vencer las dificultades para poder almacenar toda la información existente en la compañía, que era un problema de la anterior fase, cuando el Datawarehouse empezaba a “quedarse pequeño” para poder almacenar todos los datos, y sobre todo, permitían poder desarrollar modelos de inteligencia artificial que antes no se podían implementar por incapacidad técnica. Por estas nuevas capacidades, como evolución de la fase anterior, surge una nueva fase, la que denominados de “Enriquecimiento” en la que las compañías empiezan a implantar Data Lakes como complemento o sustitución de los Datawarehouses, y donde se empiezan a desarrollar modelos basados en inteligencia artificial más complejos y completos, emergiendo las figuras como los Data Scientists.
La fase anterior, cuyos principales cambios son de tipo técnico y suelen estar impulsados por los equipos de tecnología, lleva asociado dos retos adicionales, que son el gobierno de datos y la industrialización de los procesos de analítica avanzada. Los Data Lakes son nuevas piezas en las arquitecturas de datos que no sustituyen los sistemas anteriores y que además integran muchas fuentes de datos. Si bien el gobierno de datos es algo fundamental desde la etapa anterior, en esta etapa, con más fuentes, más tipos de datos, más usuarios y más tipos de explotación, se vuelve una necesidad urgente para que esos lagos no se conviertan en charcas. Surge una nueva fase en la evolución, la que denominamos “Integración” en la que el gobierno de datos se integra en toda la gestión de los datos, y en la que se estandariza la construcción y despliegue de modelos de analítica avanzada. Además, suele coincidir en un periodo en el que se ganan mayores capacidades técnicas, incorporando los casos de uso de tiempo real, además de cambios arquitectónicos en los que se migran las plataformas de datos a soluciones cloud.
La fase anterior, que suele ser un objetivo para muchas organizaciones actualmente, sin embargo, adolece lo más importante: poner en valor los datos y maximizar su uso en la organización. Este objetivo se consigue con la siguiente fase, que denominamos la de la “Analítica a escala”, en la que con modelos de arquitectura como Data Fabric, e incorporando herramientas de autoconsumo para explotación de datos (self-service BI, AutoML, AI-as-a-Service, etc.), se consigue el acercamiento real de la capacidad analítica al negocio.
Esta fase requiere, sin embargo, habilitar unos procesos que sirvan como base para poder habilitar estas capacidades mitigando o controlando los riesgos, como las estrategias de Data Literacy, Data Ethics, Security by-design y Gobierno conectado.
En Shaper somos expertos en ayudar a las empresas a evolucionar en este viaje, desde la definición de la estrategia de datos, con nuestro equipo de Shaper Advisory, la creación de soluciones y arquitecturas, desde Shaper Solutions, hasta la implantación y construcción de procesos con nuestros Tec Hubs. ¿Hablamos?