+54 (11) 5365-7577
Cerrito 1070 Piso 3 Of. 71, CABA C1010AAV / Argentina
info@iq4b.com
Alterar navegacion
Home
Nosotros
Acerca de Nosotros
Nuestro Equipo
Nuestra Red de Valor
Blog
Servicios y Soluciones
Todos
Consultoría Analítica
Gestión / Advisory IT
Implementación de Proyectos
Productos
Contáctenos
Contacto
Sumate al equipo
Blog
Inicio
Blog
22
Agosto, 2022
Por
Florencia Hernández
Data
Analytics
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).