Checklist para advanced analytics

Ya sabemos que la palabra de moda es Analytics (ya sea como machine learning, artificial inteligence o deep learning). Aquellas empresas que no están generando estas capacidades dejarán de ser competitivas (lo dice todo el mundo Gartner, IDC, Harvard Business School, MIT,…). Podemos discutir (o no) si, se creemos en esto o si debemos creerlo con matices (no es la discusión de hoy).

Hoy estoy de retrospectiva.

Desde TDWI (en 2009!), se preparó una lista  – checklist lo llamaban – para advanced analytics que toda persona interesada en el tema debía (según ellos) echar un vistazo (como os podéis imaginar el enlace ya no existe o al menos yo no lo he encontrado). Creo que es interesante recuperar el tema. Veamos la lista:

  1. Uso de advanced analytics para descubrir relaciones y anticipar el futuro.
  2. Escalar la integración de datos para aumentar el alcance de volúmenes de datos a analizar.
  3. Identificar que reporting y analytics tiene diferentes objetivos y necesidades.
  4. Distinguir entre data warehouse, data mart y bases de datos analíticas.
  5. Diseñar una arquitectura de data warehouse que encaje con el análisis.
  6. Preparar los datos para cumplir las necesidades del método de análisis escogido.
  7. Preservar la riqueza de los datos, dado que en ella están ocultas los patrones buscados.
  8. Mejorar los datos después de trabajar con ellos, no antes. Es decir, incorporar los resultados a los datos.
  9. Aplicar el análisis al BI y al DW.

Algunos encontrarán esta lista obvia (de sentido común, dirán otros). Lo interesante de esta lista es que con unas ligeras modificaciones la adaptamos al contexto actual.

  1. Uso de machine learning y deep learning para descubrir relaciones y anticipar el futuro.
  2. Escalar la ingestión de datos para aumentar el alcance de datos complejos (big data) a analizar.
  3. Identificar que reporting y analytics tiene diferentes objetivos y necesidades.
  4. Distinguir entre big data, data lakedata warehousedata mart y bases de datos analíticas.
  5. Diseñar una arquitectura de data warehouse y/o big data que encaje con el análisis.
  6. Preparar los datos para cumplir las necesidades del método de análisis escogido.
  7. Preservar la riqueza de los datos, dado que en ella están ocultas los patrones buscados.
  8. Mejorar los datos después de trabajar con ellos, no antes. Es decir, incorporar los resultados a los datos.
  9. Aplicar el análisis al BI, DW y al Big Data.

Está claro que detrás de esta lista muy simple hay muchos detalles complicados. Como, por ejemplo, el punto 4 puede llegar a ser realmente interesante. Preguntas como: ¿es necesario desplegar una arquitectura ad-hoc, es suficiente con una out-of-the-box -que haremos evolucionar- y/o hacemos uso de recurso de cloud computing?

En todo caso, es interesante ver que esta lista sigue bastante vigente.

4 opiniones en “Checklist para advanced analytics”

  1. Buenos días Josep. Estoy bastante de acuerdo contigo. En definitiva, creo que el mercado de la tecnología necesita de tantos cambios y nuevas posibilidades que no deja madurar suficientemente la misma tecnología, y pasa con el hardware y con el software como soportes imprescindibles. Muchos dicen que BI ha muerto, y que el “asesino” ha sido Big data. Otros dicen que Big data ha muerto y el “asesino” es Small Data. Creo que los tres pueden y deben coexistir. En fin, menos truculencia y más dejar que las tecnologías se asienten, cumplan su función, y si eso, ya la modificaremos, para mejor, implementando acciones o estrategias que sean revolucionarias. No parches.

  2. Hola Francisco, la irrupción de Big Data ha transformado profundamente las estrategias de datos. El problema es que frecuentemente las empresas de tendencias deben vivir de las novedades. Por eso van matando términos y empujando otros. Ya he visto varios de ellos (que si dark, que si fast, que si small, etc.).

    Desde mi perspectiva, Small data es demasiado parecido al BI,… ¿no será que son los mismos? Esto es una discusión de taxonomías y da para mucho. En este sentido yo hablo de una determinada taxonomía que habilita ver todas las componentes de valor existentes para facilitar a las organizaciones entender lo que sucede.

    Un saludo

  3. Buenos días, quizás sea parte de la evolución necesaria para tomar conciencia de lo que hemos evolucionado.
    Hace poco también acudí a una conferencia donde nos recordaban los principios básicos del marketing a la hora de valorar un producto, efectivamente estas teorías arraigadas ha parecido que han quedado obsoletas por las capas de contenido que hemos generado en el esfuerzo de tirar hacia adelante.
    Una buena lista de desempeño no tiene por qué tener fecha de caducidad.

    Gracias por el refresco 😉

  4. Hola Patricia, como siempre digo el conocimiento es una pirámide invertida y debemos conocer los fundamentos antes de poder aprender nuevo conocimiento. Lo que es interesante es que tenemos ahora otras aproximaciones que complementan/mejoran los enfoques anteriores. Un saludo

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *