Blog

22 Agosto, 2022

A la hora de definir estrategias y diseñar soluciones que nos permitan analizar datos (Analytics y/o BI) e interactuar con ellos es necesario identificar bien las necesidades funcionales (qué tipo de información, métricas, acceso a los datos y experiencia de usuario…) y las necesidades técnicas de la organización (diversidad de fuentes, tecnologías para conectarse hacia las fuentes y hacia los consumidores, frecuencia de recarga, volumen, tipología de datos, entre otros).
Y sumo las necesidades de governance, es decir, los requisitos para gestionar y utilizar de manera gobernada esa arquitectura (activos).

Data Analytics, tiene un peso muy fuerte de cara a la experiencia del usuario (Clientes de Información): su finalidad es que las personas puedan contar con los datos en tiempo y forma para la toma de decisiones, ya sea estratégicas u operativas. ¿Cómo?

Con consultas y métricas que integran diferentes entidades de datos, procesos, actividades y temáticas de la organización.
Con facilidades de acceso: desde diferentes dispositivos – o inclusive desde aplicaciones de negocio con analítica embebida - con gráficos apuntando a una mejor UX, con componentes de NLP (lenguaje natural) para conversar desde un lenguaje coloquial con las aplicaciones y con componentes que aumentan/enriquecen la experiencia analítica a través de recomendaciones de análisis, a través de mecanismos como IA (inteligencia artificial)
Promover el autoservicio, facilitando la autogestión de desarrollo de nuevas métricas y tableros de análisis, dejando a IT para los desarrollos de alto impacto.
Con datos actualizados… con la frecuencia que demande cada situación en particular. En muchos casos tiende al “permanentemente actualizados”.

Para que todo lo anterior ocurra, tienen que pasar, al menos, dos cosas:

Que la herramienta de Data Analytics tenga un buen “Front End”, con un buen componente de Data Viz: es decir, que esté muy bien diseñada y desarrollada la capa de la plataforma analítica a la que acceden los usuarios (directa o indirectamente) con buenos diseños de gráficos, intuitivos, con facilidades de autogestión de métricas.
Que la plataforma sea sólida y flexible en las capas sobre las que se sostiene y potencia/habilita la consulta y visualización: Integración (con las fuentes de datos y hacia otras aplicaciones que deban embeber los resultados) y Modelado (funcionalidades para el diseño, armado y acceso/consulta sobre el modelo analítico).

Por lo tanto, la gestión y visualización de métricas - punto 1 - para muchas organizaciones es condición necesaria pero no suficiente ya que requieren una arquitectura analítica robusta, flexible y escalable. Es decir, requieren contar con una plataforma que tenga componentes tan fuertes de Integración y Modelado - punto 2.

Para llevarlo a algo más concreto, algunos de los requisitos a considerar a la hora de elegir la plataforma analítica, deben incluir aspectos relativos al punto 2. Menciono los principales:

Extracción de datos desde diversas Fuentes: integración con múltiples tecnologías (del origen)
Tipos de Datos y volumen: diversidad de tipos de datos, datos estructurados y no estructurados, Big Data (volumen)
Oportunidad / momento preciso y actualización: esquemas de actualización de datos desde las fuentes con tendencia al “near real time”. Acceso a los datos/KPI en el momento de negocio (en el tablero, desde el dispositivo mobile o embebido en el sistema de negocio) para tener el dato cuando ocurre y con la actualización que requiera.
Visión integrada – modelo integrado: diferentes entidades de datos interconectadas para poder realizar métricas y consultas que las vincule desde el cálculo y/o desde las vistas y filtros por diversas perspectivas.
Entorno / infraestructura: on premise – cloud – híbrida.
Flexibilidad e Independencia para el usuario: una tecnología que permita diseñar un modelo de datos analítico sólido y flexible, de manera tal que no sólo responda a las preguntas y métricas predeterminadas o definidas en una primera implementación, sino que me deje interactuar y navegar por el tablero de manera dinámica a medida que los hallazgos se van desencadenando. Es decir, que no tenga una modalidad de consulta rígida y predeterminada, sino que sea flexible según cómo se va desencadenando cada consulta y análisis en particular. Y que me permita realizar nuevas vistas, métricas y/o consultas de manera self service sobre los datos que ya se encuentran en el modelo, sin requerir un desarrollo/evolutivo en IT ni skills muy técnicos.

Cada organización deberá definir en base a sus requerimientos qué tipo de arquitectura analítica, y por ende, plataforma, da mejor respuesta a sus requerimientos. Si con una buena capa de Data Viz es suficiente o requieren una arquitectura más robusta para el modelo analítico y la gestión de ETLs (integración con las fuentes, carga y transformación hacia el modelo).