Inteligencia para la toma de decisiones: El mejor camino a seguir Parte 2

Parte 2: Necesita datos y análisis componibles

En mi primer blog sobre inteligencia de decisiones de ingeniería, compartí información sobre lo que significa este concepto y por qué lo necesita, y luego me explayé sobre la recomendación de Gartner de emparejar las herramientas de inteligencia de decisiones con un tejido de datos común. Pero había un segundo consejo de Gartner: Necesitarás datos y análisis componibles. Este es el tema que trataré en esta ocasión.

¿Qué son los datos y análisis componibles?

La componibilidad consiste en utilizar componentes que funcionen juntos aunque procedan de diversas soluciones de datos, análisis e IA.* Combinando componentes, según Garner, se puede crear una experiencia flexible, fácil de usar y adaptada al usuario. Existen muchos tipos de herramientas analíticas, y la finalidad y el valor de cada una de ellas varían enormemente. La componibilidad permite ensamblar sus resultados para obtener nuevas y potentes perspectivas.

4 formas en las que un almacén de datos moderno puede dar mejor soporte a los datos y análisis componibles

Un almacén de datos moderno debe ofrecer una plataforma que permita a los distintos usuarios de la empresa analizar cualquier cosa, en cualquier lugar y en cualquier momento, utilizando cualquier combinación de componentes que deseen utilizar. He aquí algunos consejos de "arreglo".

1. Ampliar el almacén de datos con capacidades de procesamiento de datos transaccionales y de borde

Históricamente, existía una clara distinción entre una base de datos transaccional y un almacén de datos. Una base de datos transaccional rastreaba y procesaba transacciones comerciales. Un almacén de datos, en cambio, analizaba datos históricos. Sin embargo, las modernas necesidades de información en tiempo real han acercado cada vez más estos mundos antes distintos, hasta el punto de que, hoy en día, existe una fuerte demanda de cargas de trabajo mixtas que combinen el procesamiento transaccional y el análisis. Esto se ve en una serie de casos de uso, desde ofertas de comercio electrónico personalizadas y automatizadas y cotizaciones de seguros en tiempo real hasta aprobación de créditos y gestión de carteras, por nombrar sólo algunos.

Del mismo modo, los responsables de la toma de decisiones buscan formas de actuar con mayor rapidez utilizando los datos de sus miles de millones de dispositivos móviles conectados y del Internet de las Cosas (IoT). El mantenimiento predictivo, la gestión de inventarios en tiempo real, la eficiencia de la producción y la prestación de servicios son solo algunas de las muchas áreas en las que el análisis en tiempo real de los datos de IoT puede ayudar a una empresa a reducir costes e impulsar ingresos adicionales.

Es probable que el análisis de transacciones en tiempo real y la inteligencia artificial a partir de los datos del IoT desempeñen un papel cada vez más importante en muchas organizaciones. Lo que estamos viendo hoy es solo el principio de avantage están por llegar. La obtención de mayores beneficios dependerá de la capacidad de una organización para proporcionar datos variados a las soluciones de inteligencia para la toma de decisiones.

2. Cualquier fuente de datos, en cualquier momento

Las necesidades en tiempo real de la inteligencia de decisiones de ingeniería implican que las herramientas analíticas ya no pueden basarse únicamente en datos históricos para obtener información. Los responsables de la toma de decisiones siguen queriendo tener acceso bajo demanda a los datos de las fuentes tradicionales de procesamiento por lotes, pero también quieren tener la capacidad de actuar sobre las tendencias actuales y los comportamientos en tiempo real. Esto requiere una orquestación, programación y gestión sin fisuras de los datos de flujo en tiempo real procedentes de sistemas de toda la organización y de Internet que los generan continuamente.

En un mundo que evoluciona, los datos deben estar disponibles para su análisis con independencia de dónde residan. Dado que la mayoría de las empresas tienen alguna combinación de aplicaciones en la nube y sur site , el almacén de datos debe integrarse con los sistemas de ambos entornos. También debe poder trabajar con cualquier tipo de datos del entorno. Los responsables de la toma de decisiones empresariales que pueden obtener información del análisis en tiempo real de datos semiestructurados y no estructurados, por ejemplo, pueden ser capaces de aprovechar las oportunidades de manera más eficiente y aumentar la probabilidad de que las iniciativas estratégicas tengan éxito.

3. Aprovechar las ventajas de la contenedorización

Un enfoque basado en contenedores hace que las capacidades analíticas sean más componibles, de modo que puedan combinarse con mayor flexibilidad en las aplicaciones. Sin embargo, esto resulta más ventajoso si la propia arquitectura del almacén de datos admite contenedores. La compatibilidad es clave para que una organización pueda satisfacer las demandas de recursos asociadas a la inteligencia artificial, el aprendizaje automático, la analítica de streaming y otros procesos de inteligencia de decisiones que consumen muchos recursos. Estas cargas de trabajo ponen a prueba las arquitecturas de almacén de datos heredadas.

déploiement de contenedores representa una forma más portátil y eficiente en recursos de virtualizar la infraestructura informática frente déploiement virtualizado. Dado que los contenedores virtualizan el sistema operativo en lugar del hardware subyacente, las aplicaciones requieren menos máquinas virtuales y sistemas operativos para ejecutarse.

4. Se adapta a cualquier herramienta

Está muy bien que un almacén de datos ofrezca sus propias herramientas analíticas, siempre y cuando pueda adaptarse fácilmente a cualquier otra herramienta que se desee utilizar. Como mencioné al principio, la finalidad y el valor que aportan los distintos tipos de herramientas analíticas varían enormemente, y los distintos usuarios -ingenieros de datos, científicos de datos, analistas de negocio y usuarios empresariales- necesitan herramientas diferentes. Busque la flexibilidad necesaria para integrar fácilmente la inteligencia de decisiones con el almacén de datos. O, si tiene requisitos únicos que le obligan a crear aplicaciones personalizadas, fíjese en las herramientas de desarrollo que admite la plataforma para poder lograr la componibilidad que requiere un entorno analítico moderno.

Más información

Si este tema te ha parecido interesante, quizá quieras consultar algunos de estos blogs relacionados con los beneficios que puedes obtener de una mayor componibilidad de la inteligencia de decisión:

• Streaming en tiempo real: la información práctica impulsa la capacidad de respuesta de las empresas
• Es hora de que los historiadores de datos se conviertan en. . . Historia
• Datos semiestructurados: Qué son y por qué son importantes
• Las 10 principales ventajas de un almacén de datos operativos para 2021

* Las 10 principales tendencias en datos y análisis de Gartner para 2021

** Los datos semiestructurados son información que no reside en una base de datos relacional pero que tiene algunas propiedades organizativas que facilitan su análisis (como los datos XML). Los datos no estructurados no están organizados de forma predefinida o no tienen un modelo de datos predefinido (por ejemplo, archivos Word, PDF y de texto, así como registros multimedia).

Este artículo ha sido escrito por Lewis Carr.

Profesional sénior de industrias verticales estratégicas, soluciones horizontales, marketing de productos, gestión de productos y desarrollo empresarial centrado en software empresarial, incluida la gestion des données y análisis, móviles e IoT, e informatique dans le cloud distribuida informatique dans le cloud.

Acerca de Teresa Wingfield

Teresa Wingfield es Directora de Marketing de Producto en Actian, impulsando el conocimiento de las capacidades de integración, gestión y análisis de Actian Data Platform. Cuenta con más de 20 años de experiencia en marketing de soluciones analíticas, de seguridad y en la nube en empresas líderes del sector como Cisco, McAfee y VMware. Teresa se centra en ayudar a los clientes a alcanzar nuevos niveles de innovación e ingresos con los datos. En el blog de Actian, Teresa destaca el valor de las soluciones basadas en análisis en múltiples sectores verticales. Consulte sus publicaciones para conocer historias reales de transformación.