Los informes empresariales basados en un almacén de datos
han sido el foco de la inteligencia empresarial durante mucho tiempo. Las
potentes herramientas como IBM Cognos proporcionan una interfaz simple pero
potente para crear tableros e informes a partir de fuentes de datos bien
diseñadas. Las capacidades de estos motores de informes son inmensas, pero
pueden tardar mucho tiempo en reflejar los cambios en las fuentes de datos o
las necesidades comerciales. Si llega un nuevo origen de datos, o si los usuarios
de negocios tienen nuevos tipos de preguntas que hacer, puede tomar semanas o
meses diseñar y implementar cambios.
Las herramientas de descubrimiento de datos evolucionaron
para beneficiar a los usuarios que necesitaban más agilidad de lo que
permitirían los informes empresariales. Las ofertas de software como QlikView o
Tableau proporcionan informes rápidos y medios limitados para combinar
diferentes fuentes de datos. Para transformaciones complejas de datos, los
datos podrían procesarse externamente (por ejemplo, en Excel) antes de
cargarlos en la herramienta. Lo más importante es que todo esto se puede hacer en
el escritorio de un usuario sin necesidad de intervención o soporte de TI. Con
los usuarios frustrados por la rigidez de los almacenes de datos, fue fácil ver
el descubrimiento de datos como un "asesino de almacén".
El presente, en busca del equilibrio
A pesar de sus muchas ventajas, las herramientas de
descubrimiento de datos tienen sus propios problemas. Debido a que están
enfocados en el análisis y la visualización rápidos, no están diseñados para
procesos de datos repetibles o mantenibles. Un informe que la gente espera con
regularidad necesita que se actualicen sus datos, lo que a menudo implica el
procesamiento manual de esos datos. Si un analista produjo un informe
realizando una exportación desde el almacén, combinándolo con un nuevo origen
de datos externo en formato de hoja de cálculo, y luego reconciliando
manualmente los dos donde no se alinearon ciertas categorías, eso sería un
proceso que debe completarse cada mes. El poder del análisis rápido puede
fácilmente atascarse en copias de hojas de cálculo y actualizaciones manuales.
Existen otras áreas en las que las herramientas de
descubrimiento de datos no eran tan robustas al principio: la autenticación, la
conexión de datos y los informes con formato alto son algunos ejemplos. Muchas
de las herramientas han mejorado en estas áreas, pero su capacidad para hacerlo
está limitada por su diseño. El descubrimiento flexible de datos y los informes
de nivel empresarial resultan ser muy diferentes en términos de objetivos de
diseño, y es difícil crear una arquitectura que logre ambos.
En lugar de reemplazar los informes empresariales, el
descubrimiento de datos se ha convertido en su propia área de enfoque junto con
los informes empresariales. Los analistas y científicos de datos, junto con
cualquier otra persona que busque información rápida en un mundo de datos que
cambian rápidamente, pueden usar el descubrimiento de datos. Cuando se
necesitan análisis más robustos y escalables, se implementan los informes
empresariales. La analítica bimodal significa reconocer que ambos tipos de
analítica son importantes y comprender cómo mantener un equilibrio entre ellos.
Es importante tener en cuenta que este par de enfoques
analíticos no es una situación de "negocio frente a TI". Los usuarios
empresariales seguirán ejecutando informes de almacén. Los recursos de TI
ayudarán a mantener y utilizar las herramientas de descubrimiento de datos. De
hecho, uno de los mayores desafíos de las herramientas de descubrimiento de
datos es que aún requieren una comprensión de las técnicas básicas de
manipulación de datos. Los usuarios comerciales pueden sentirse atraídos por la
facilidad de uso de las herramientas de descubrimiento de datos, pero pueden
tener problemas al combinar las fuentes de datos o al explorar una fuente compleja
de almacenamiento de datos.
Los recursos técnicos son vitales en este punto para
asegurarse de que se están utilizando los datos correctos para obtener
información y realizar un análisis rápido. Al igual que la comprensión de los
casos de uso y las necesidades empresariales es fundamental para diseñar un
almacén de datos, una comprensión de la parte técnica del análisis de datos es
fundamental para realizar el descubrimiento de datos. Todas las partes de una
empresa deben estar alineadas y aprovechar ambos tipos de informes y análisis.
El futuro, análisis bimodales
Una vez que se establece el análisis bimodal, es muy
importante gestionar la interacción entre los dos modos. La gestión de la
migración de información y datos de uno a otro es vital para continuar
aprovechando los beneficios de cada uno.
La migración de informes de empresas generalmente consiste
en garantizar que los activos de almacén establecidos sean fáciles de usar y
comprender en las herramientas de descubrimiento de datos. Muchas herramientas
de descubrimiento de datos se conectan en la capa de la base de datos (evitando
las capas semánticas fáciles de entender). Puede ser necesario crear vistas u
otras estructuras intermedias para facilitar el descubrimiento de datos. El
suministro de datos en un número menor de tablas con menos combinaciones
(desnormalizadas) facilitará su uso en el descubrimiento. Los analistas
particulares o los científicos de datos pueden tener otras solicitudes
específicas, ¡escuchelas!
No hay comentarios:
Publicar un comentario