Big Data Analytics como un servicio

Las organizaciones IT (Information Technology Organizations) han generado, recopilado y almacenado grandes cantidades de datos; y ahora se les viene pidiendo que proporcionen una infraestructura para analizar estos datos. Pero esta tarea es una propuesta de uso intensivo de recursos y está siendo resuelta por la tecnología de la nube en forma de Big Data-as-a-Service (BDaaS).

La nube es un recurso fantástico para Big Data debido a su escalabilidad, y también porque es extremadamente económico. A medida que los conjuntos de datos crecen, algunas organizaciones están moviendo sus conjuntos de datos hacia y desde la nube; y esto se conoce como (BDaaS).

¿Qué es Big Data-as-a-Service?

Actualmente, BDaaS es un término algo nebuloso que a menudo se utiliza para describir la externalización de varias funciones de Big Data a la nube. Estas funciones pueden ir desde el suministro de datos hasta el suministro de herramientas analíticas para interrogar los datos, realizar el análisis real y presentar informes.

¿Qué tipos de BDaaS están disponibles?

Existen tres tipos de competencia:

Core BDaaS: Emplea una plataforma mínima de Hadoop junto con YARN y HDFS y algunos otros servicios como Hive. Este servicio fue encontrado útil por varias compañías que lo utilizan como parte de una arquitectura más grande o para cargas de trabajo irregulares. Un ejemplo destacado de BDaaS básico es el Elastic Map Reduce (EMR) de Amazon Web Service. Se integra fácilmente con la tienda NoSQL, almacenamiento S3, DynamoDB y otros servicios. La naturaleza genérica del servicio EMR de Amazon permite a las empresas combinar otros servicios a su alrededor para construir cualquier cosa, desde infraestructuras de la empresa hasta tuberías de datos completas.

Rendimiento BDaaS: Como su nombre indica, este servicio se centra en ayudar a las organizaciones que ya están trabajando con Hadoop, en racionalizar su infraestructura y optimizar el rendimiento de Hadoop. Las organizaciones que están creciendo rápidamente se encuentran limitadas por la complejidad y, al mismo tiempo, se muestran reticentes a asumir la formidable tarea de construir su propia arquitectura de datos. Al subcontratar sus necesidades de infraestructura y plataforma a un proveedor externo, las organizaciones pueden centrarse en procesos específicos de dominio, lo que agrega valor y elimina muchos de los dolores de cabeza que están asociados con complejos despliegues de Big Data.

Función BDaaS: Las empresas que requieren características adicionales, que van más allá de las ofrecidas en el ecosistema común de Hadoop, encuentran respuestas en BDaas. Centrándose en la abstracción y la productividad, el enfoque BDaaS esta diseñado para poner a los usuarios en funcionamiento con grandes datos de forma más rápida y económica.

El término "Big Data-as-a -Service" puede ser bastante difícil de manejar, pero el concepto es sólido. A medida que más empresas están realizando el valor de la implementación de estrategias Big Data, más servicios están surgiendo para apoyarlos. El análisis de datos trae cambios positivos a cualquier organización que lo tome en serio. Con el crecimiento de la popularidad del software como un servicio, las empresas están cada vez más acostumbradas a trabajar en un entorno virtualizado a través de una interfaz web, y la integración del análisis de Big Data en este proceso es un paso natural siguiente. Ya podemos ver que BdaaS está haciendo que los proyectos de Big Data sean viables para muchas empresas que antes los consideraban fuera de su alcance, por lo que BDaaS se considera, con razón, la siguiente gran cosa en esta industria.

Fuente: Naveen Joshi. Experto en Big Data e IoT.

Big Data. Una introducción super fácil para todos

Big Data es un término que existe desde hace algún tiempo, pero todavía hay confusión acerca de lo que realmente significa. El concepto continua evolucionando y siendo reconsiderado, ya que sigue siendo la fuerza motriz detrás de muchas oleadas de transformación digital, incluyendo la inteligencia artificial, la ciencia de los datos y el Internet de las Cosas (IoT).

Todo comienza con la explosión exponencial en la cantidad de datos que hemos generado desde los albores de la era digital. Esto se debe en gran parte al surgimiento de computadoras, Internet y tecnologías capaces de capturar información del mundo físico real en el que vivimos y convertirlo a datos digitales.

En 2017, generamos datos cada vez que entramos en línea, cuando llevamos nuestros teléfonos inteligentes equipados con GPS, cuando nos comunicamos con nuestros amigos a través de las redes sociales, aplicaciones de chat y cuando compramos. Se podría decir que dejamos huellas digitales con todo lo que hacemos que implique una transacción digital, que es casi todo.

Además, la cantidad de datos generados también viene creciendo rápidamente. Los datos se generan y comparten cuando nuestros dispositivos "inteligentes" se comunican entre sí o con sus servidores domésticos. La maquinaria industrial de plantas y fábricas de todo el mundo está cada vez más equipada con sensores que recolectan y transmiten datos. Pronto, los automóviles de conducción automática se llevarán a las calles, transmitiendo en tiempo real, mapas en cuatro dimensiones de su entorno de regreso a casa de donde quiera que vayan.

¿Qué puede hacer Big Data?

Esta información cada vez mayor, entre fotografías, textos, voz y datos de video, es la fundación de Big Data que podemos ahora utilizar de las maneras que no eran posibles incluso hace algunos años y están ayudando a:

• Curar la enfermedad y prevenir el cáncer. La medicina basada en datos implica el análisis de un gran número de registros médicos e imágenes de patrones que pueden ayudar a detectar la enfermedad temprana y desarrollar nuevos medicamentos.

• Disminuir el hambre. La agricultura se está revolucionando con datos que pueden utilizarse para maximizar los rendimientos de los cultivos, minimizar la cantidad de contaminantes liberados en el ecosistema y optimizar el uso de máquinas y equipos.

• Explorar planetas lejanos. La NASA analiza millones de puntos de datos y los usa para modelar cualquier eventualidad al aterrizar sus Rovers en la superficie de Marte y planear futuras misiones.

• Predecir y responder a los desastres naturales o causados ​​por el hombre. Los datos de los sensores pueden analizarse para predecir dónde pueden ocurrir los terremotos, y los patrones de comportamiento humano dan pistas que ayudan a las organizaciones humanitarias a aliviar a los sobrevivientes. La tecnología Big Data también se utiliza para vigilar y proteger el flujo de refugiados fuera de las zonas de guerra en todo el mundo.

• Prevención del crimen. Las fuerzas policiales están adoptando cada vez más, estrategias basadas en datos, en su propia inteligencia y conjuntos de datos públicos, con el fin de desplegar recursos de manera más eficaz y actuar como elemento de disuasión cuando se necesita.

• Hacer que nuestra vida cotidiana sea más fácil y más conveniente. Comprar en línea, planear un viaje o un lugar para quedarse de vacaciones, elegir el mejor momento para reservar vuelos y decidir qué película para ver a continuación son más fáciles gracias a Big Data.

¿Cómo funciona Big Data?

Big Data trabaja con el principio de cuanto más sepa sobre cualquier cosa o cualquier situación, más confiablemente podrá hacer predicciones sobre lo que sucederá en el futuro. Al comparar más puntos de datos, empezarán a surgir relaciones que anteriormente estaban ocultas, y estas relaciones esperamos que contengan ideas sobre cómo podemos iniciar el cambio.

Más comúnmente esto se hace a través de un proceso que implica construir modelos, basados ​​en los datos que podemos recopilar, y luego ejecutar simulaciones, ajustar el valor de los puntos de datos cada vez y monitorear cómo impacta nuestros resultados. Este proceso está automatizado: La avanzada tecnología analítica de hoy correrá millones de estas simulaciones, ajustando todas las variables posibles hasta que encuentre un patrón o una visión que ayude a resolver el problema en el que está trabajando.

"...el descubrimiento y la transformación de Big Data sean accesibles a cualquier organización y excluye la necesidad de gastar grandes sumas..."

Cada vez más, los datos nos llegan en una forma no estructurada, lo que significa que no se pueden poner fácilmente en tablas estructuradas con filas y columnas. Gran parte de estos datos están en forma de imágenes y videos, desde imágenes de satélite hasta fotografías subidas a Facebook o Twitter, así como correo electrónico y comunicaciones de mensajería instantánea y llamadas telefónicas grabadas. Para dar sentido a todo esto, los proyectos de Big Data usan a menudo análisis de vanguardia que incluyen inteligencia artificial y aprendizaje automático. Al enseñar a los ordenadores a identificar lo que estos datos representan, a través del reconocimiento de imágenes o el procesamiento del lenguaje natural, por ejemplo, pueden aprender a detectar los patrones mucho más rápido y confiablemente que los seres humanos.

Una tendencia fuerte en los últimos años ha sido un movimiento hacia la entrega de herramientas y tecnología Big Data a través de una plataforma "as-a-service". Las empresas y las organizaciones alquilan espacio para servidores, sistemas de software y potencia de procesamiento de proveedores de servicios cloud de terceros. Todo el trabajo se lleva a cabo en los sistemas del proveedor de servicios, y el cliente simplemente paga por lo que se utilizó. Este modelo está haciendo que el descubrimiento y la transformación de Big Data sean accesibles a cualquier organización y excluye la necesidad de gastar grandes sumas en hardware, software, instalaciones y personal técnico.

Las preocupaciones de Big Data

Hoy en día, Big Data nos da ideas y oportunidades sin precedentes, pero también plantea preocupaciones y preguntas que deben ser abordadas:

• Privacidad de datos. Los grandes datos que ahora generamos contienen mucha información sobre nuestras vidas personales, muchas de las cuales tenemos el derecho de mantenerlos privados. Cada vez más, se nos pide que hagamos un balance entre la cantidad de datos personales que divulgamos y la conveniencia que ofrecen las aplicaciones y los servicios de Big Data. ¿A quién permitimos tener acceso a estos datos?

• Seguridad de los datos. Incluso si decidimos que estamos contentos de que alguien tenga nuestros datos para un propósito en particular, ¿Podemos confiar en ellos para mantenerlos seguros? ¿Existe un marco legal que regule el uso de datos a esta escala?

• La discriminación de datos. Cuando todo se sabe, ¿Será aceptable discriminar a las personas basándose en los datos que tenemos en sus vidas? Ya usamos el puntaje de crédito para decidir quién puede pedir prestado dinero, y el seguro está fuertemente impulsado por los datos. Podemos esperar ser analizados y evaluados en mayor detalle, y hay que tener cuidado de que esto no se haga de una manera que contribuya a hacer la vida más difícil para aquellos que ya tienen menos recursos y acceso a la información.

Estos desafíos también forman parte de Big Data. Sin duda son una parte importante del debate sobre su  uso y también deben ser abordados por aquellos que quieren aprovecharlo en los negocios. De no hacerlo, puede conducir a un desastre financiero a través de multas enormes, para cualquier cosa que tenga que ver con los datos personales. Desde el despegue de Big Data en los negocios durante los últimos cinco años, hemos visto una y otra vez que ignorar estos problemas es a menudo una razón detrás del fracaso de las iniciativas empresariales Big Data.

La cantidad de datos disponibles para nosotros sólo va a aumentar, y la tecnología analítica será más capaz. Así que si Big Data es capaz de todo esto hoy, imagínense lo que será capaz mañana.

Fuente: Bernard Marr. Autor de negocios internacionales de mayor venta, orador principal y asesor estratégico para empresas y gobiernos. Twitter: @bernardmarr

Inteligencia Artificial: Líderes vs. Gerentes

Los cambios que la Inteligencia Artificial (IA) está trayendo a las empresas, son tan rápidos que las organizaciones vienen diferenciándose de su competencia en si saben o no de IA. La diferencia es que aquellos que practican IA son capaces de transformar su negocio y lograr rápidamente la gestión del cambio operacional en sus empresas. En última instancia, esto definirá a los líderes de los directivos de las empresas.

Los gerentes planificarán cómo aprovechar las tecnologías de aprendizaje automático y de IA en un año u otro, mientras que los líderes implementarán cambios en sus organizaciones en 3 a 6 meses. 

Los líderes utilizarán éxitos y fracasos para aprender qué funcionó y qué no, en un ambiente de innovación de ritmo rápido, que combina los procesos de negocio, la tecnología, la ciencia de datos y los recursos que aportan diversidad de experiencia y pensamiento a la mezcla. Un proceso simplificado para identificar soluciones será lo suficientemente flexible como para acomodarse a objetivos estratégicos y tácticos a corto, mediano y largo plazo. Un líder debe tener buenas habilidades empresariales y experiencia en diversos proyectos analíticos exitosos, para proporcionar orientación sobre el arte de lo posible y cuando un cambio de enfoque es necesario, sin gastar recursos corporativos innecesarios.

Los equipos de ciencias de datos son difíciles de manejar, ya que tienen un conocimiento especializado y en algún momento creen que sólo ellos tienen el conocimiento necesario para resolver un problema. Son parecidos a los sacerdotes de la Edad Media ante la imprenta. Pensaban que sólo ellos podían interpretar la Biblia. Esta visión estrecha debe ampliarse incluyendo tanto a los tecnólogos como a los dueños de los procesos de negocios e innovación que incluyan la IA y el aprendizaje automático. Los dueños de los procesos de negocios tienden a proteger su territorio y los tecnólogos siempre se ocupan de múltiples prioridades y no de los presupuestos suficientes. Todas estas áreas deben ser manejadas cuidadosamente por un líder que construya redes, tire de palancas y enseñe simultáneamente cómo aprender en un ambiente cooperativo. La mejor práctica es tener un proceso claramente definido para aceptar, administrar y reportar resultados y lecciones aprendidas en proyectos avanzados de análisis e IA.

Un consejo de precaución para cualquier empresa: Tenga en cuenta si tiene un líder o un gerente responsable para integrar IA en su organización.

Fuente: Alberto Roldan. Big Data Analytics Solutions Architect - Azure Cloud at Microsoft

¡Feliz día del trabajo!

Este lunes 1ro de Mayo estaremos celebrando el día del trabajo y no queremos desaprovechar la oportunidad de saludar a todos nuestros colaboradores, clientes y amigos. ¡Feliz día del trabajo!

Big Data está cambiando la manera en que resolvemos los problemas

Nuestra inteligencia se define por las decisiones que tomamos. Esas decisiones se basan en los hechos y la información que tenemos a la mano. Anteriormente, los datos utilizados durante el proceso de toma de decisiones se descartaban una vez tomada la decisión. Ya no es así.

Big Data procesa y analiza constructivamente grandes cantidades de información digital para ayudar en la toma de decisiones. Utilizamos estos datos y los reutilizamos una y otra vez para probar conclusiones, cambiando nuestras decisiones si es necesario. Una gran ventaja de Big Data es su capacidad para entregar mejores decisiones de negocios en una fracción del tiempo. Su información ayuda a proporcionar ideas útiles y soluciones adecuadas. En este artículo, observaremos cómo algunas industrias han utilizado Big Data para resolver sus problemas.

Viajar

Tradicionalmente, los clientes tienen que tomar una serie de decisiones de viaje, la selección de una variedad de hoteles, vuelos, opciones de alquiler de automóviles, fechas para la planificación de sus vacaciones, etc. Los catálogos físicos se convirtieron en catálogos digitales, pero la visibilidad que el cliente necesita para tomar la decisión, todavía requiere una multitud de opciones. Y no es una tarea fácil para un cliente comparar todos estos aspectos. Muchas personas tomarían decisiones basadas en referencias dadas por sus amigos y familiares. Ahora las empresas de viajes pueden utilizar las tecnologías de Big Data para buscar relaciones no complejas, crear precios dinámicos y recomendaciones con una respuesta secundaria. Esto les ayuda a aprovechar los impuestos, el combustible y los tipos de cambio para mejorar su margen de operación.

Gobierno

Anteriormente, los gobiernos se basaron en encuestas manuales y visitas de campo para planificar proyectos de infraestructura. Pero el uso de Big Data ha proporcionado técnicas flexibles para administrar, asegurar y analizar volúmenes masivos de datos, de modo que las agencias gubernamentales puedan responder con éxito al cumplimiento, las deficiencias presupuestarias y las economías en dificultades, incluso durante épocas adversas de crisis sociales, económicas o desastres naturales. Por lo tanto, para ellos se ha convertido en factible para automatizar los procesos manuales, reduciendo errores, mejorando los servicios, capacitando inteligentemente ciudades y reduciendo costos.

Cuidado de la salud

Tradicionalmente, el diagnóstico y el tratamiento de enfermedades dependían únicamente de las habilidades y experiencia del médico. Un porcentaje de personas solía morir debido a un diagnóstico y tratamiento erróneo. Pero ahora los investigadores están empleando el enfoque de Big Data para estudiar los factores genéticos y ambientales para buscar tratamientos personalizados para los pacientes.

Big Data también nos permite pasar de diagnosticar y tratar la enfermedad, a predecir y prevenir diferentes tipos de enfermedades. Los datos relacionados con las personas, tanto de sus propias fuentes como de los proveedores privados de atención médica, están creciendo exponencialmente.

Al combinar estos datos con el mapeo del genoma para predecir las enfermedades, la asistencia sanitaria podría entrar en una nueva frontera. La combinación de datos y el uso de la tecnología para agilizarla, significa que los profesionales de la salud y las personas tienen la información necesaria para tomar mejores decisiones. Big Data no sólo podrían reducir las visitas al hospital, sino anticipar enfermedades para prevenir la incapacidad o incluso la muerte.

Las organizaciones utilizan cada vez más Big Data para crear mejores experiencias para sus clientes, creando mundos digitales que son más fáciles de navegar. Big Data otorga una mayor visión en los proyectos exitosos y ofrece un equipamiento a las organizaciones con la capacidad de hacerlas mucho más inteligentes. Los datos influyen en las decisiones.

Fuente: Naveen Joshi. Soluciones IoT con Big Data Analytics.

La importancia de una buena explicacion de datos en Business Intelligence

Las diferentes herramientas de Business Intelligence simplifican enormemente la ardua tarea de conectar, explorar y visualizar los datos de la empresa. ¿Qué sentido tiene entonces la figura del analista de datos en la organización? Es imprescindible, es el responsable de dar una explicación breve y efectiva para la toma de decisiones acertadas.

Antaño el analista de datos se sumergía en hojas de Excel y pasaba horas y horas para elaborar gráficos ininteligibles para el equipo directivo. Dedicaba más horas al análisis de datos y menos esfuerzo en su explicación. Ahora es imprescindible explicar bien los datos en Business Intelligence, que cualquier persona que trabaje en análisis datos sea capaz de crear una narrativa del proceso y una explicación sobre los resultados. Sin embargo, todavía muchas empresas creen que con la adopción de una herramienta de BI ya está todo hecho. En realidad está todo por hacer. En este artículo vamos a ver 5 razones por las que es importante que los datos y las historias basadas en la analítica son tan importantes para tu empresa.

Veamos primero por qué un buen analista de datos ha de ser también un buen comunicador:

• Las historias son herramientas eficaces para transmitir las experiencias humanas. La narrativa es la forma en la que simplificamos y damos sentido a un mundo complejo. La visualización de datos precisa de un contexto e interpretación, todo lo que da significado a los datos y hace que se vuelvan más interesantes y relevantes para conseguir los objetivos empresariales.

• El objetivo de la inteligencia de negocio es facilitar la toma de decisiones. Con la analítica conseguimos argumentaciones de peso para persuadir e inspirar confianza en la toma de decisiones. Sin embargo, no importa lo impresionante que sea tu análisis o la calidad de los datos que manejas, si no sabes comunicarlo eficientemente. Para ello, precisas de una historia visual o una narrativa, precisas contar una historia.

• La mayoría de la gente no quiere perderse en los detalles de la analítica, quieren evidencias contundentes del análisis de datos. Más allá de historias basadas en anécdotas o experiencias personales, tu objetivo será construir historias convincentes que incorporen datos. Quizás la mayoría de las historias convincentes sean aquellas que combinan datos y análisis de datos, así como un punto de vista o ejemplo que involucre tanto a la organización como a las personas.

• La preparación y el análisis de datos son unos grandes consumidores de tiempo. Debemos por tanto encontrar la manera de hacer llegar la información de una forma amena y sin extendernos en los detalles del análisis cuantitativo. Como analista, debes encontrar la manera de explicar tus resultados de una forma breve y sencilla. Tu público quiere entender las conclusiones rápidamente.

• Existen diversas maneras de contar estas historias. La más común es basarse en la evolución temporal para explicar el pasado, el presente y predecir el futuro. Puedes explicar también el qué, el cómo o el porqué. Hay quién basa su explicación en relaciones de correlación o de causa-efecto.  Se trata de diversas formas no exclusivas que te pueden ayudar construir una explicación que siempre debe ir más allá del “esto es lo que sucedió”.

Las implicaciones de no ser capaz de crear historias basadas en los datos son muy graves. La información no se transmite correctamente al cuadro ejecutivo y se corre el riesgo de no tomar las decisiones acertadas.  La inversión económica y de tiempo en analítica e inteligencia de negocio carece entonces de retorno. No olvidemos que en inteligencia de negocio medimos y analizamos para mejorar.

Preguntémonos ahora por qué los individuos y las organizaciones no están haciendo bien las cosas a la hora de contar historias con datos. Veamos las 3 principales razones.

• Las personas que se dedican al mundo de la analítica no se sienten muy motivadas o no tienen éxito a la hora de contar historias. Ellos se mueven en el mundo de las matemáticas y las estadísticas, los datos estructurados y la ciencia informática, y se sienten cómodos interactuando con números antes que con personas. Por supuesto, no todos los analistas cuantitativos son así, y algo que tenga un enfoque muy matemático puede evolucionar hacia un estilo más humano y literario. Pero contar historias convincentes no es algo que resulte muy natural para la mayoría de analistas de datos.

• Si a los analistas de por sí no se les da bien la narrativa (el storytelling) es porque probablemente no han recibido mucha instrucción al respecto. Muchos de los cursos de analítica cuantitativa no profundizan en la capacidad de contar historias. Se sienten más cómodos enseñando métodos para no perder el tiempo en la narrativa de los datos.

• Algunos analistas creen que enfocarse en el storytelling requiere mucho menos esfuerzo e inversión personal en comparación con los aspectos más técnicos. Pueden justificar su argumento con que muchas personas son capaces de contar buenas historias, pero muy pocas son capaces de hacer lo que hacen ellos. Sienten que el mejor uso que le pueden dar a su tiempo es el análisis cuantitativo frente a otros aspectos como contar historias.

Explicar historias basadas en datos requiere experiencia y consume una gran cantidad de tiempo. Sin embargo es un aspecto fundamental en el éxito de la inteligencia de negocio.

Fuente: Ágatha Estera (saimasolutions.com)

Entrevista: Phillip Evans de The Boston Consulting Group

Entrevista a Phillip Evans, asesor senior de The Boston Consulting Group

"Los datos se están volviendo el activo más importante"

El experto analiza las cuatro tendencias tecnológicas claves para las empresas: El Internet de las cosas, el Big Data, la Inteligencia artificial y los Dispositivos móviles. Además, nos comenta sobre cómo las empresas de países emergentes pueden aprovechar los avances globales.

¿Cuáles son las principales tendencias en la relación entre las empresas y la tecnología a escala mundial?

Existen cuatro tendencias centrales. Primero se encuentra el Internet de las cosas, que implica que muchas de las cosas que están en el mundo se autodescriben, dado que ahora tienen sensores incorporados. Esto cambia la manera en que las empresas recolectan datos y pueden interactuar con sus usuarios o clientes. La segunda (y más comentada), es la gestión de grandes bases de datos o Big Data. En tercer lugar (y creo que es la menos comprendida), esta la inteligencia artificial, donde ha habido grandes descubrimientos en los últimos años y que hace posible encontrar patrones en esta Big Data. La cuarta son los dispositivos móviles, que son fuentes de datos, pero también brindan información sobre el mundo.

¿Cómo se materializa el Internet de las cosas en el mundo corporativo?

Esta es la aplicación mas potente. Las áreas que más se benefician son en la manufactura y la logística. De esta manera son las empresas y no los consumidores los que están recibiendo los mayores beneficios de esta tendencia tecnológica.

En el caso de maquinaria industrial, una parte de los costos es el mantenimiento de las máquinas. Poder saber con anticipación que una maquina esta por fallar y poder prevenirlo tiene consecuencias económicas muy importantes. Por ejemplo, General Electric está poniendo sensores en los motores de los jets, que reportan cualquier falla mientras estos estén en el aire. Así, pueden captarlo antes de que el percance se vuelva serio.

Lo mismo sucede en logística. Cuando los paquetes pueden ser monitoreados con perfecta precisión, disminuye el riesgo y permite llevar estos procesos de manera más eficiente.

Las segunda tendencia es Big Data. Da la sensación que en países en desarrollo, su uso es aún muy limitado. 

Lo que suele suceder es que las empresas no son lo suficientemente grandes como para crear el volumen de datos que se necesita para generar valor. Cuando necesitas más jugadores para recolectar los datos o distintos tipos de tecnología, el proceso se ve interrumpido.

Lo que sucede también en países en desarrollo es que se tiene otro tipo de fuentes de información. Por ejemplo, en África, las principales fuentes de información son las redes sociales y los celulares, dado que permiten saber cómo se desplaza y comunica la gente, lo cual pone a la compañía de teléfonos en la posición de saber, por ejemplo, más del riesgo crediticio de la persona que una entidad bancaria.

En este marco, ¿Cómo la gestión del Big Data se mueve en el entorno regulatorio actual de privacidad de datos?

Lo que tienen que preguntar las empresas es si la información que tienen les da una ventaja mayor frente a su competencia al tener una mayor base de datos de sus consumidores. En esta línea, la empresa será mas cuidadosa de que esta información no se filtre. Lo que las empresas se deben preguntar es si tienen ventaja en este ámbito frente a su competencia y no querrán renunciar a esa exclusividad.

Usted dice que la Inteligencia artificial "Ilumina la data".

La gente piensa que la Inteligencia artificial es una máquina con un cerebro humano, y esto no es verdad. Lo que hace está tecnología es aplicar análisis estadístico complejo a grandes bases de datos para resolver problemas específicos que no podrían resolver de otra manera.

Lo que hace posible estos hallazgos es, por un lado, la disponibilidad de los datos, y por otro, el ganador siempre es el dueño de estos, no la persona que hace el mejor análisis. Los datos se están volviendo el activo mas importante que una empresa puede tener.

Fuente: Diario El Comercio del Perú. Gonzalo Carranza.

Diferencias entre los científicos de datos y los analistas de datos de BI

Un científico de datos y un analista de BI pueden llevar al siguiente nivel los programas analíticos y de Data Warehousing de Big Data. Pueden ayudar a descifrar lo que los datos están diciendo realmente a una empresa. También son capaces de segregar los datos relevantes de datos irrelevantes. Un científico de datos y un analista de BI pueden aprovechar el almacén de datos de la empresa, para profundizar en ellos. Por lo tanto, las organizaciones deben conocer la diferencia entre los científicos de datos y los analistas de datos.

Business Analytics ha existido por 30 años, comenzando con el lanzamiento de MS Excel en 1985. Antes de eso, el análisis de datos sólo se limitaba a los cálculos manuales utilizando métodos de prueba y error. Hay dos grandes tendencias que han contribuido a la fundación del fenómeno de Data Science. En primer lugar, el uso de la tecnología en diversos ámbitos de la vida, en particular el uso de Internet que dio lugar a un boom de datos sin precedentes. El tipo de información que está disponible para las organizaciones ahora es casi infinita. En segundo lugar, las nuevas tecnologías hacen que el análisis y la interpretación de tales cantidades de datos sea posible y las empresas pueden ahora utilizar todos estos datos en la toma de decisiones. Antes de entender acerca de la diferencia entre los científicos de datos y los analistas de datos, echemos un vistazo a cómo la función del científico de datos nació.

Advenimiento del científico de datos

Las empresas veían la disponibilidad de grandes volúmenes de datos como fuente de ventaja competitiva y se dieron cuenta que si utilizaban estos datos de manera efectiva, tomarían mejores decisiones y estarían por delante de la curva de crecimiento. Para tener sentido de tales datos, surgió la necesidad de un nuevo conjunto de habilidades que incluía la habilidad de dibujar percepciones de clientes/usuarios, perspicacia de negocios, habilidades analíticas, habilidades de programación, habilidades estadísticas, habilidades de aprendizaje de máquinas, visualización de datos y mucho más. Esto llevó a la aparición de un científico de datos.

Diferencias entre los científicos de datos y los analistas de datos de BI

Científico de datos: Es probable que tenga un fuerte sentido del negocio y la capacidad de comunicar de manera efectiva, conclusiones basadas en datos a las partes interesadas del negocio. Un científico de datos no sólo se ocupará de los problemas empresariales, sino que también seleccionará los problemas adecuados que tienen el mayor valor para la organización.

Analista de datos de BI: Su trabajo es encontrar patrones y tendencias en los datos históricos de una organización. Aunque BI se basa en gran medida en la exploración de tendencias pasadas, la ciencia de los datos consiste en encontrar predictores y la importancia detrás de esas tendencias. Por lo tanto, el objetivo principal de un analista de BI es evaluar el impacto de ciertos eventos en una línea de negocio o comparar el rendimiento de una empresa con el de otras empresas en el mismo mercado.

Como sabemos ahora los roles del analista de datos de BI y del científico de datos, echemos un vistazo más de cerca a las principales diferencias entre los dos:

• Normalmente, un científico de datos espera formular preguntas que pueden ayudar a las empresas en la solución de sus problemas, mientras que un analista de datos BI responde y resuelve preguntas del equipo de negocios.

• Se espera que ambas funciones escriban consultas, trabajen con equipos de ingeniería para obtener los datos correctos y se concentren en derivar información de los datos. Sin embargo, en la mayoría de los casos, no se espera que un analista de datos de BI construya modelos estadísticos. Un analista de datos de BI normalmente trabaja en bases de datos SQL o bases de datos similares más simples o con otras herramientas/paquetes de BI.

• El papel del científico de datos requiere fuertes habilidades de visualización de datos y deben tener la capacidad de convertir datos en una historia de negocios. Normalmente, no se espera que un analista de datos de BI sea experto en negocios y en visualización avanzada de datos.

Las empresas deben saber distinguir entre estas dos funciones y las áreas en las que un científico de datos y un analista de negocios pueden agregar valor.

Fuente: Naveen Joshi. Soluciones IoT con Big Data Analytics.