Los cambios tecnológicos y el impulso que va adquiriendo la cultura orientada a los datos, hace que la forma de acceso a la información y del uso de las capacidades analíticas vayan evolucionando a una velocidad y formas que no nos imaginábamos hace un tiempo. Los casos de uso del Business Intelligence tradicional eran netamente internos (y principalmente estratégico), las aplicaciones analíticas eran estáticas, no había diálogo dinámico con los datos y el accionar era más reactivo que proactivo - off line. Todo eso fue cambiando, hasta llegar a la actualidad que propone desde un analytics real time, mayormente operativo, impulsando un accionar automático (Automation Intelligence) y sumando casos de uso externos: dentro de mis productos y servicios. ¿Cómo veo esa evolución que fue sumando capacidades? ¿Estamos preparados para este nuevo escenario?




1) BI Tradicional:

Acceso a los datos: indicadores disponibles y accesibles directamente en los tableros de control desarrollados en diversos formatos y/o sistemas, incluyendo planillas de cálculo, y los detalles de la información era presentada sobre reportes impresos o a través de archivos. Poco dinamismo en la interacción con los datos, una lectura más estática y predefinida por el esquema, diseño y desarrollo del tablero de control.

- Foco de análisis: los tableros de control tradicionales tendían a brindar sólo una visión  estratégica, con indicadores de gestión orientados a los altos mandos, sin contar con el detalle de los datos que sustentaban esos indicadores, y si estaban, con poca flexibilidad de navegación y manipulación para profundizar el análisis sobre los focos de interés.

- Tipo de Analítica: descriptiva. Sólo información histórica.  

- Actualizaciones y cargas de datos: de manera batch que, al requerir un tiempo considerable para la recarga de datos y ejecución de los cálculos,  sumaba delay desde la generación hasta su publicación. Solían ser "fotos de los datos a la fecha de corte"  por lo tanto, para tener una visión actualizada había que esperar una nueva publicación del tablero por parte de quiénes gestionaban y generaban los indicadores. Más aún, si se querían ver nuevos indicadores y vistas en el tablero o un reporte de detalle, implicaba un requerimento de cambio adhoc a los encargados de su desarrollo y mantenimiento. 



2) Data Analytics / Active Intelligence:

Con la llegada de las plataformas más modernas, y un cambio cultural en las organizaciones respecto al acceso a los datos (Data Driven), se ganó  flexibilidad y capacidad de análisis. ¿por qué? 

Acceso a los datos: comenzó a ser a través de plataformas con una interfaz de usuario (y experiencia de usuario) más intuitivas, accesibles desde diversos dispositivos, con funcionalidades de automatización y capacidades en aumento. El Self Service llegó para quedarse.
 

- Foco de análisis: los dashboards en estas nuevas plataformas resuelven las necesidades analíticas estratégicas pero más aún, impulsan el analitco operativo: la inteligencia activa. Con capacidad de manejo de grandes volúmenes de datos, tipologías y conexión con múltiples fuentes. Brindando un detalle y flexibilidad de navegación e interacción para dialogar con los datos, continuar profundizando el análisis y las preguntas, a través del recorrido interactivo con los gráficos, métricas y reportes.

- Tipo de Analítica: descriptiva y predictiva. Información histórica y actual, incorporando capacidades de ML/IA para la generación de modelos predictivos que permiten no sólo mostrar indicadores de ayer y actuales, sino predecir escenarios futuros.de la mano de IA / +data mining.  

- Actualizaciones y cargas de datos: con una frecuencia de actualización alineada a las necesidades de análisis y decisión del negocio, ya sea batch, programada y/u on line -  llegando al near real time. Y lo más importante: minimizando dependencia con las áreas de diseño y desarrollo tanto para la actualización de los datos (con funcionalidades de recarga) sino para la generación de nuevas vistas y/o métricas relativas a los  datos que ya residan en el modelo. Capacidades de autogestión (sefl service) sin necesidad de que todos los usuarios analíticos sean expertos en IT. 

3) Embedded Analyitcs + Automation Intelligence:

Un paso más en la evolución de las plataformas - y cultura - de Data Analytics fue la capacidad de llevar las métricas y las funciones analíticas al entorno de trabajo del usuario de negocio o del requirente de la información: dónde ocurren las acciones y momentos de negocio. ¿Cómo?

Acceso a los datos: Embebiendo esta información directamente en los sistemas transaccionales (ej: CRM), WEBs corporativas, intranet (Ej: sharepoint), entre otros. Los usuarios (empleados internos, proveedores, stakeholders o incluso clientes)  ya no requieren ingresar a la plataforma analítica (dashboard), sino que los indicadores del dashboard se encuentran embebidos (publicados) dentro de sus aplicaciones de uso habitual, como parte de los datos y pantallas del sistema que utilizan para llevar a cabo sus tareas (ej: un CRM o en la web a la que acceden clientes o proveedores) y los ven incluidos dentro del resto de sus datos de interés diarios.

Las caracteríticas de focos de análisis, tipos de analítica y actualizaciones/carga de datos siguen las mismas evoluciones que van sumando las plataformas de data analytics, independientemente de la modalidad de acceso. También evoluciona el concepto de Active Intelligence hacia el Automation Intelligence:  no sólo las personas generan acciones a partir de un hallazgo en los datos sino que estas aplicaciones analíticas - mayormente aplicable a las que tienen foco operativo -  cuentan con funcionalidades que permiten ir automatizando acciones en integración con sistemas de negocio, para disparar tareas y decisiones a partir de valores que alcanzan ciertos indicadores,

4) Analytics como parte del Customer Experience:

Hasta ahora, y lo más frencuente en la mayoría de las organizaciones, es la utilización de data analytics para casos de uso interno, los que fuimos recorriendo con las diversas modalidades de acceso: dasbhoards y reportes para áreas internas, embebidas en aplicaciones de negocio de uso de los empleados y/o publicación de algún reporte o métrica a proveedores, clientes o socios con una vista y uso parecido a los usuarios internos.

La novedad es que están emergiendo casos de aplicación externos: uso del producto obtenido del análisis de datos generando valor en mi producto/servicio entregado al cliente.

Acceso a los datos: la aplicación de las capacidades de data analytics, y los KPIs resultantes, forman parte del producto y/o servicio que se le entrega al cliente. Y no se trata sólo de enviarle un reporte al cliente sobre su uso de mi producto o servicio (ej: reportes y métricas en el homebanking, o lista de canciones que más escuchaste en el año....). Se trata de que los datos y KPIs formen parte del producto, de la experiencia de uso del producto. El caso que presentó Qlik de Ford fue muy explícito: analytics en los autos tomando información del propio auto, aprendiendo de su uso, generando insights de uso y mantenimiento. Y tomando datos del contexto, IoT, datos abiertos, combinándolos con sus datos, en su modelo analítico y generando insights para el usuario del auto. 

Esto es lo que se viene.... para algunos lo que ya está pasando, y lo que nos desafía a seguir sacándole más ventajas a las capacidades analíticas para incorporarlas en los modelos de negocio, de una manera no tradicional. Una verdadera cultura Data First.