Stay Connected & Follow us

La analítica tradicional tiene claras limitaciones

Se podría decir que nuestros inicios en big data y analítica fueron de la mano. Cuando comenzamos a hacer analítica en Pragsis no teníamos (mucha) idea, pero desde 2010 hasta hoy hemos dado pasos de gigante

La analítica tradicional es un valor indiscutible cuando cuenta se con expertos con suficiente experiencia de negocio para obtener un valor competitivo. Sin embargo, en la dinámica actual de generación de datos, un enfoque analítico tradicional es algo limitado.

Uno de nuestros clientes nos presentó hace un tiempo una oportunidad en el sector industrial que representó un importante desafío analítico. En ese momento, el propio cliente no esperaba que obtuviéramos mucho valor de nuestro enfoque analítico. La realidad fue un poco diferente. Después de finalizar el proyecto, logramos no solo reducir drásticamente sus costos de mantenimiento, sino que logramos abrir las puertas a nuevas posibilidades analíticas.

Desde la fundación de Pragsis hace 15 años y especialmente desde nuestro primer contacto con el big data, nuestro enfoque tecnológico siempre se ha basado en un punto de vista agnóstico. La visión de las diferentes soluciones y tecnologías de un ecosistema cambiante ha tenido un claro beneficio. No solo conseguimos ofrecer soluciones analíticas nativas en big data, sino que también tenemos una visión privilegiada de las necesidades y oportunidades que los clientes y proyectos necesitarán en el futuro inmediato.

Nuestra visión sin condicionantes en algunas áreas como la analítica, nos ha permitido ser una empresa con la capacidad de abordar las necesidades más complejas y estar preparados para el contexto actual. Esto ha sido en parte gracias a nuestra visión libre de los obstáculos técnicos o de procedimiento, y también a la predisposición a la que nos ha preparado el contexto de big data.

Estar en este contexto y asumir desafíos analíticos, nos ha capacitado como nativos analíticos en big data y nos ha hecho capaces de enfrentar necesidades como la escalabilidad de una manera natural. La explicación es simple: ser expertos en big data implica la reingeniería de procesos y su escalamiento como capacidades “nativas”.

La escalabilidad no es solo un desafío, también es una oportunidad y una necesidad. Debemos poder pasar del enfoque de conjuntos de datos (datasets) limitados, congelados y temporales al de un conjunto de datos infinitamente más amplio. Debemos, por ejemplo, considerar qué sucede cuando, en lugar de tener los datos de un año, tenemos todos los datos históricos de una empresa.

Aprovechando nuevas oportunidades: inteligencia artificial (IA)

También debemos aprovechar nuevas oportunidades como las que ofrece la inteligencia artificial (machine learning, deep learning). La IA no es una moda y obtener conjuntos de datos lo suficientemente grandes para alimentar «el apetito voraz que tiene el del learning para los datos de aprendizaje» (Harvard Business Review, 2019). Instituciones como la Asociación Americana para el Avance de la Ciencia han advertido sobre el riesgo de la utilización de técnicas de aprendizaje automático derivadas de datasets limitados. (BBC News, 2019)

La gobernanza del dato como necesidad

Pero todavía hay muchos más desafíos. En un contexto de crecimiento masivo de información y sujeto a condiciones de legalidad y privacidad, también debemos tener procesos sólidos de gestión de datos.

Obstáculo final: productivización y soporte

Pero todo lo anterior no serviría de mucho si la solución no fuera capaz de ser productivizada y apoyada en la organización. Estos dos aspectos tienden a ser el talón de Aquiles de muchas organizaciones cuyo enfoque de big data no se ha realizado de manera global.

Una vez más, una experiencia amplia y global en big data y analítica hace que Pragsis Bidoop sea un socio ideal en la explotación de soluciones de big data. Si no fuera cierto, hoy no estaríamos aquí.

Referencias

BBC News. (2019). Machine learning ‘causing science crisis’. [online] Available at: https://www.bbc.com/news/science-environment-47267081 [Accessed 6 Mar. 2019].

Harvard Business Review. (2019). Most of AI’s Business Uses Will Be in Two Areas. [online] Available at: https://hbr.org/2018/07/most-of-ais-business-uses-will-be-in-two-areas [Accessed 7 Mar. 2019].