5 perspectivas sobre la analítica de datos moderna

0
16
Custom Text

Algunas cosas no cambian, ni siquiera durante una pandemia. En consonancia con años anteriores, en la encuesta sobre el estado del CIO del 2021, una pluralidad de los 1.062 líderes de TI encuestados eligió la «analítica de datos/negocios» como la iniciativa tecnológica número 1 que se espera que impulse la inversión en TI.

Desgraciadamente, las iniciativas de análisis rara vez obtienen los mismos resultados en lo que respecta a la satisfacción de las partes interesadas.

El año pasado, Mary K. Pratt, colaboradora de CIO, ofreció un excelente análisis de los motivos por los que las iniciativas de análisis de datos siguen fracasando, entre los que se encuentran la mala calidad o el aislamiento de los datos, la vaguedad de los objetivos de negocio en lugar de su orientación, y la complejidad de los conjuntos de funciones de talla única. Pero una serie de nuevos enfoques y tecnologías están haciendo que estos errores sean menos probables.

En este grupo de artículos de CIO, Computerworld, CSO, InfoWorld y Network World, encontrará consejos y ejemplos que pueden ayudarle a garantizar que sus propios esfuerzos de análisis den sus frutos. Estas iniciativas tienden a parecerse a los proyectos de desarrollo -incluso cuando se trata de productos comerciales- y presentan los mismos objetivos bien definidos y ciclos iterativos que distinguen a los resultados del desarrollo de software.

Para obtener una visión general, comience con el manual de InfoWorld «Cómo sobresalir con la analítica de datos” del colaborador Bob Violino. En este artículo, redactado con gran claridad, Violino cubre todas las bases: el establecimiento de centros de excelencia de análisis; las ventajas de las soluciones de autoservicio (como Tableau o Power BI); las interesantes posibilidades del aprendizaje automático; y el giro hacia las soluciones de análisis en la nube. Violino amplía este último punto en un segundo artículo, este para CIO: «Analítica en la nube: Principales retos y cómo superarlos«. Como observa, la escalabilidad de la nube y las abundantes herramientas de análisis pueden ser irresistibles, pero migrar masas de datos de la empresa a la nube y asegurarlas puede ser una aventura de infarto.

Las nuevas tecnologías conllevan siempre nuevos riesgos. Ningún avance ha tenido un impacto más trascendental en la analítica que el aprendizaje automático -desde la automatización de la preparación de datos hasta la detección de patrones significativos en los datos-, pero también añade un peligro imprevisto. Como explica Lucian Constantin, redactor jefe de CSO, en «Ataques de envenenamiento: Cómo evitar que corrompan los modelos de ML«, los datos deliberadamente sesgados inyectados por hackers malintencionados pueden inclinar los modelos hacia algún objetivo nefasto. El resultado podría ser, por ejemplo, recomendaciones de productos manipuladas, o incluso la capacidad de los hackers de inferir datos confidenciales subyacentes.

Sin duda, la analítica tiene un lado oscuro, como corrobora Matthew Finnegan en el artículo de Computerworld «Sí, puede hacer un seguimiento de los empleados; pero ¿debería?» La recopilación y el análisis de metadatos sobre las interacciones de los usuarios en las plataformas de colaboración tiene sus ventajas legítimas, como la capacidad de identificar cuellos de botella en la comunicación, o de optimizar la experiencia de los empleados. Pero las mismas plataformas pueden utilizarse como sistemas de vigilancia de los empleados que invaden la privacidad y degradan la confianza entre la dirección y todos los demás.

En una nota más ligera, considere este buen estudio de caso sobre la analítica que impulsa la satisfacción del usuario: «La MLB se lanza a la visibilidad de la red«. En su artículo para Network World, la redactora jefe, Ann Bednarz, examina cómo la MLB emplea el software de análisis de flujo de red en toda su infraestructura para garantizar que los jugadores y los aficionados disfruten de un rendimiento de red constante, de principio a fin, desde el Wi-Fi en los asientos hasta los servicios en la nube.

Este esfuerzo por desplegar un análisis de red unificado para optimizar la experiencia del usuario comenzó hace apenas dos años, principalmente porque el nuevo ingeniero principal de software de automatización de red de la MLB vio la necesidad. Su comprensión rompió quizá la barrera más importante para el éxito de las iniciativas de análisis: la inercia cultural.

Al final, el secreto del éxito de la analítica no está en elegir e implementar la tecnología perfecta, sino en cultivar una amplia comprensión de que la analítica generalizada produce mejores decisiones y resultados superiores. Por lo general, se pueden solucionar los problemas tecnológicos o los malentendidos sobre los requisitos. Pero si no puede cambiar la mentalidad, pocos utilizarán la hermosa máquina de análisis que acaba de construir.

Eric Knorr CIO.com

Artículo anteriorCómo la inteligencia artificial está revolucionando la capacitación
Artículo siguiente7 lecciones de liderazgo de TI aprendidas de COVID-19