10 aspectos clave del data-dirven para el business Intelligence

10 aspectos clave del data-dirven para el business Intelligence

Qlik señala 10 áreas que los líderes tecnológicos deberán tener en cuenta para sacar el máximo partido a su estrategia de datos.

Hoy en día, tanto empresas como la sociedad en general, nos encontramos inmersos en un entorno gobernado por la incertidumbre y la cautela. Los problemas geopolíticos y económicos han derivado en una tendencia en aumento al aislamiento.

Mientras tanto, los conflictos y las normativas locales se multiplican, con la consecuente necesidad de adaptación a nuevos marcos legales. En el ámbito económico reina la desconfianza con una gran temor a la recesión, el aumento de los tipos de interés, sumado a la inflación, que afectan a préstamos e inversiones.

No son pocos los expertos que afirman que nos encontramos en un proceso de desglobalización. Debido a ello, no cabe otra solución que adaptarse a ella para poder reaccionar sobre ella y prever lo que vendrá en el futuro más cercano. En este contexto, Qlik ha recogido 10 áreas en la que los líderes tecnológicos deben centrarse para sacar el máximo partido a sus iniciativas de datos y alcanzar el éxito:

1 – Datos en tiempo real

en el contexto actual, existe la necesidad de actualizar sus cadenas de suministro, que han pasado de funcionar por lotes a proporcionar datos casi en tiempo real. A medida que aparezcan en la red más dispositivos perimetrales que produzcan un alto volumen de flujos informativos continuos, surgirán más oportunidades de aprovechar los datos en tiempo real y las compañías deben capitalizar esos esfuerzos. Por esta razón, los datos en tiempo real ayudan a combatir las interrupciones en la cadena de suministro.

2 – Velocidad de decisión

El siguiente paso es adaptar las decisiones operativas al mismo ritmo. La analítica, la IA y la automatización pueden tomar más decisiones que los humanos y hacerlo más deprisa, pero el papel de las personas sigue siendo clave en aspectos como la higiene digital o el filtrado de la información. La velocidad de decisión a escala permite acortar el proceso entre los datos y la acción.

3 – Optimización del desarrollo

Con la aparición de herramientas con un bajo nivel de programación para crear aplicaciones, los usuarios no técnicos desarrollan sus propias apps, impulsan la creación de nuevo software y aumentan el consumo de datos y conocimientos. De esta forma, es posible alcanzar la optimización del desarrollo de apps con un nivel bajo y alto de programación, y las organizaciones no deben tener que elegir entre un nivel bajo o alto de programación, sino que la clave reside en apostar por la optimización.

4 – Relación humano y máquina

A día de hoy, los modelos de lenguaje natural se han entrenado con enormes conjuntos de datos, provocando que algunos modelos como GPT-3 abran el debate acerca de si las máquinas al fin van a superar el Test de Turing. por lo que el lenguaje natural tendrá enormes implicaciones en la forma de consultar e interpretar la información y de generar informes basados en ella, en el espacio de los datos y la analítica.

5 – Datos que mueven a la acción

Un mantra que durando durante década en el sector de los datos es proporcionar la información adecuada al usuario correcto y en el momento justo. En este caso, el modelo más útil para conectar al usuario con la acción son las narraciones de datos, un modo de proporcionar la información de una manera en la que el receptor la entienda y la sepa interpretar sin la necesidad de recurrir a un actor que actúe como intérprete.

6 – Nuevas oportunidades

En un contexto que tiende a la fragmentación, también hay una tendencia de mercado en el sentido opuesto: la convergencia. Los sistemas que antes estaban aislados ahora se están consolidando, lo que incluye la integración de datos, gestión, analítica, IA, visualización y más. Combinar estas funciones abre la puerta a oportunidades que antes eran inimaginables y que favorecen la interoperabilidad.

7 – Modernización en la nube

Durante la pandemia, las empresas modernizaron sus aplicaciones y migraron datos a la nube. Esto ha dado pie al surgimiento de empresas emergentes impulsadas por capital riesgo, cada una de ellas especializada en un ámbito. Muchas de ellas desaparecerán a medida que los sectores maduren y se consoliden, y el mercado vivirá una gran oleada de fusiones y adquisiciones cuando los pequeños proveedores empiecen a buscar una salida.

8 – Tejido X

En los últimos tiempos ha salido a la palestra el data fabric como una importante metodología que conecta los conjuntos de datos distribuidos a través de modelos semánticos. En este entorno, son necesarios otros tejidos o “tejidos X”, entre los que se incluye el tejido de aplicaciones, el de BI o el tejido algorítmico.

9 – IA más profunda

La IA se integra en un nivel más profundo del proceso. En el proceso, están siendo objeto de una “polinización cruzada”, generando nuevos conocimientos que antes eran impensables. El uso de la IA en la gestión de datos permite automatizar un número mayor de las tareas rutinarias de la ingeniería de datos.

10 – Datos derivados y sintéticos

Los datos son un activo líquido ya que pueden verse de manera diferente según los distintos fines. Los datos que se transforman, procesan, agrupan, correlacionan o utilizan para ejecutar operaciones se denominan datos “derivados”. Por su parte, los datos sintéticos son aquellos que no se han obtenido de operaciones reales. Incrementar su uso es crítico para la toma de decisiones.