Muchas empresas ahora tienen una comprensión de lo que constituye big data; hacer un éxito de big data es otro asunto. Pregúntele a Doug Laney, analista de Gartner Inc.; Mike Gualtieri, analista de Forrester Research Inc.; y Robert Morison, miembro principal de la facultad en el International Institute for Analytics, tres expertos de big data cuyo trabajo les da una visión de cómo las empresas están utilizando los grandes volúmenes de datos.
Estos son los factores que consideran que contribuyen al éxito de big data, y los que pueden significar su fracaso.
Lo que sí hay que hacer con big data
Empiece poco a poco
Los CIOs han escuchado este consejo antes, pero ¿qué significa comenzar en pequeño? "Significa comenzar con un dominio de la empresa donde usted detecta una oportunidad de mover la proverbial aguja del rendimiento y una oportunidad de aprender integrando más datos", dijo Morison del Instituto.
Él se refirió a una empresa de productos farmacéuticos que quería mejorar su rendimiento del producto en solo 1% al 2%.Con las herramientas tradicionales de BI, podía analizar una cantidad limitada de su proceso de fabricación, lo que resultaba en una visión limitada de dónde se podía ajustar el proceso para aumentar la producción. La compañía se preguntó si analizar más datos podría ayudar a identificar los verdaderos impulsores del rendimiento en la fabricación, y compró tecnología relacionada con Hadoop de código abierto, que permitió a la compañía cargar hasta tres años de historia de producción en cuestión de semanas.
"Poco después, están desarrollando mapas de calor con las combinaciones de variables –en este caso, cosas como la presión, la temperatura, la agitación y el tiempo– que pueden llevar a un mejor rendimiento del producto", dijo Morison. "Así que, en cuestión de meses, pasaron de explorar lo que podrían hacer si miraban más datos para realmente lanzar experimentos en su planta de fabricación para mejorar su rendimiento”.
Experimente
Es hora de que los CIO y líderes empresariales se desvíen del estilo de gestión de proyectos de consumo y orientado a objetivos tradicional de TI, dijo Morison. En su lugar, fomente la experimentación y el pensamiento creativo. En su ejemplo de producción farmacéutica anterior, "el objetivo era aprender todo lo que pudieran y mejorar sobre la marcha", dijo. "Lo que es realmente grandioso de esta aplicación es que, una vez que empezaron a hacerlo, cada nuevo lote de fabricación se convierte en parte de la base de datos. Tienen un ciclo de retroalimentación constante. Es un pequeño experimento para hacer las cosas mejor y mejor".
Laney de Gartner dijo que la experimentación debe incluir "la integración de fuentes de datos que quizá no van naturalmente juntas”. Los minoristas, por ejemplo, están analizando las grabaciones de cámaras de seguridad "para entender el flujo de sus clientes en las tiendas", dándoles la oportunidad de identificar los perfiles de compra y los patrones de compra, dijo.
Apriete el gatillo respecto a Hadoop
Big data no es solo Hadoop, "pero Hadoop es un gran catalizador para ello" porque es barato y de fácil acceso, dijo Gualtieri de Forrester. Para muchas de las empresas que ven el éxito con big data, Hadoop está en algún lugar en el fondo. "Adopte Hadoop. Hágala su plataforma experimental para sus datos, ya que puede tener todos los datos juntos a un costo relativamente rentable", dijo.
Aproveche los datos oscuros
Laney se refiere a los datos corporativos que están almacenados y que nunca son vistos ni se sabe de ellos de nuevo como "datos oscuros", y anima a los CIOs a considerar la riqueza de posibilidades sobre las cuales están sentados. Algunas empresas ya lo están haciendo. Las aseguradoras, por ejemplo, están ejecutando herramientas de minería de texto sobre viejos reportes de ajuste para entender mejor el fraude o las tendencias en el negocio de seguros, dijo Laney.
Además, la exposición de los datos oscuros a la luz del día podría conducir a nuevas fuentes de ingresos que valen la pena. Dollar Generalpaga por su data warehouse empresarial compartiendo datos de bienes de consumo envasados con los clientes, dijo Laney. Y el proveedor de software como servicio Clothes Horse, una startup que está ayudando a los compradores en línea a determinar el ajuste perfecto, está analizando los datos de sus clientes para darle a los minoristas más visibilidad en la preferencia del cliente. Nuevas plataformas también están surgiendo para ayudar a distribuir y vender datos de una variedad de vendedores, dijo Laney, incluyendo: Microsoft; ProgrammableWeb, adquirida por MuleSoft en 2013; Data Market, adquirido por QlikTech el otoño pasado; y qDatum, una startup con sede en Alemania.
Lo que no debe hacer con big data
No se rinda ante la locura de R
Si bien el lenguaje de programación R de código abierto se asocia comúnmente con la ciencia de datos, los CIO no necesitan contratar a científicos de datos que saben R para poner en marcha un programa de analítica avanzada. El software comercial llevará a las empresas bastante lejos. Del mismo modo que los CIO no pedirían a un desarrollador Java que programe un reporte de inteligencia de negocios en estos días, lo mismo es cierto para la analítica avanzada, de acuerdo con Gualtieri. Herramientas de Alpine Data Labs, Alteryx, SAS, RapidMiner y KNIME son lo suficientemente maduras como para abarcar el 80% de los puestos de trabajo de analítica predictiva sin tener que construir todo desde cero, dijo.
No se limite a informar sobre los datos
Empujar más allá de la analítica tradicional es uno de los mayores diferenciadores entre las empresas que están haciendo que big data trabaje para ellos y las que no lo están logrando. "Esto va más allá de los gráficos circulares y los gráficos de barras", dijo Laney de Gartner. “Empiece a integrar datos en los procesos de negocio –y no solo informe sobre los datos”. Gualtieri también ve a la analítica avanzada como elemento diferenciador. "¿Puede hacer más informes tradicionales y mejores presentaciones de informes con big data? Sí, pero eso es solo más de lo mismo. El diferenciador competitivo es cuando usted realmente crea modelos predictivos sobre esos datos", dijo. Por desgracia, junto con la escasez de científicos de datos, Gualtieri dijo que la imaginación para empujar más allá del análisis tradicional escasea.
No piense que la analítica será adoptada automáticamente
Morison dijo que un escollo de la analítica que ve con frecuencia es que “se realiza analítica razonablemente buena, pero no se adopta”. Evite la dificultad trabajando estrechamente con el negocio, dijo, un consejo que fue reforzado por él en conversaciones recientes con un par de directores de analítica: "Tienen socios de negocios en cada paso del camino o no empiezan, incluso cuando ven algo que valga la pena hacer", dijo.
