TENDENCIAS EN BI

01
El auge de la IA explicable

Conforme las organizaciones confían más en

la inteligencia artificial y en los modelos de
aprendizaje automático, ¿cómo pueden
garantizar que sean confiables?
La promesa de la inteligencia artificial (IA) sugiere que las
máquinas aumentarán el entendimiento humano al automatizar
la toma de decisiones. Josh Parenteau, director de inteligencia
de mercado de Tableau, explicó cómo la inteligencia artificial y
el aprendizaje automático actuarán como una nueva
perspectiva, "ayudando a descubrir aquellas ideas que aún no
se han descubierto". La investigación de Gartner indica que,
"el 85 % de los CIO pilotearán programas de inteligencia
artificial mediante una combinación de esfuerzos de compra,
desarrollo y subcontratación". Pero a medida que las
organizaciones se vuelven más dependientes de los modelos de
aprendizaje automático, ¿de qué manera los seres humanos
pueden estar seguros de que estas recomendaciones son
confiables?

Muchas aplicaciones de aprendizaje automático actualmente no

ofrecen una forma de "mirar bajo el toldo" para comprender los
algoritmos o la lógica detrás de las decisiones y
recomendaciones, por lo que las organizaciones que realizan
pruebas piloto de programas de IA están legítimamente
preocupadas por su adopción generalizada. Como lo
señala Adrian Weller, investigador principal de aprendizaje
automático de la Universidad de Cambridge, "con frecuencia, la
transparencia se considera fundamental para permitir la
implementación efectiva de los sistemas inteligentes en el
mundo real" como el aprendizaje automático. Esto se debe a
una variedad de razones; principalmente, para garantizar que
los modelos funcionan según lo diseñado, o para establecer un

tendencias en business intelligence mg. Franco Floris

nivel adecuado de confianza con los usuarios para que puedan
tomar decisiones basadas en predicciones de forma segura.

La necesidad de transparencia ha llevado al crecimiento de la

IA explicable, la práctica de entender y presentar vistas
transparentes en los modelos de aprendizaje automático. Los
encargados de tomar decisiones esperan poder tener la
capacidad de hacer preguntas de seguimiento sobre por qué un
modelo dice algo, qué tan confiable es y qué diría si los insumos
fuesen diferentes, muy similar a cómo un líder le haría
consultas a un experto humano al momento de tomar
decisiones críticas. Como señala Richard Tibbetts, "los
responsables de la toma de decisiones tienen razón en ser
escépticos cuando las respuestas proporcionadas por la IA y el
aprendizaje automático no pueden explicarse. Los análisis y la
IA deberían apoyar, pero no reemplazar completamente, a la
experiencia y el entendimiento humano".

Los análisis y la IA deberían apoyar, pero no reemplazar

completamente, a la experiencia y el entendimiento humano.
Richard Tibbetts, administrador de productos de IA de Tableau

Los líderes de línea de negocios en las organizaciones,

particularmente en organizaciones que se ocupan de los
riesgos, como los servicios financieros y las compañías
farmacéuticas, están exigiendo a los equipos de científicos de
datos que usen modelos que sean más explicables y que
ofrezcan documentación o un seguimiento de auditoría en lo
que respecta a cómo se construyen los modelos. A medida que
los científicos de datos tienen la tarea de explicar estos
modelos a los usuarios corporativos, se apoyan en las
plataformas de BI como un método interactivo para explorar y
validar sus conclusiones.

En última instancia, las empresas han acogido el valor de la

inteligencia artificial y del aprendizaje automático. Pero para
que tenga un impacto disruptivo en las organizaciones, la IA
debe ser confiable. Debe justificar sus conclusiones de una
manera inteligible, tan simple como sea posible, y responder de
manera dinámica a las preguntas de seguimiento; todo ello para
ayudar a los seres humanos a comprender mejor sus datos.

tendencias en business intelligence mg. Franco Floris

02
El lenguaje natural humaniza tus
datos.

Los avances en los sistemas de NLP permiten

que todas las personas tengan
conversaciones naturales con los datos.
El procesamiento del lenguaje natural (NLP) reúne a la
informática y a la lingüística para ayudar a los equipos a
comprender el significado detrás del lenguaje humano. Hoy en
día, los proveedores de BI ofrecen una interfaz de lenguaje
natural para las visualizaciones, de modo que los usuarios
puedan interactuar con sus datos de forma natural, haciéndoles
preguntas sobre la marcha sin requerir de un conocimiento a
profundidad de la herramienta de BI.

En el contexto de la BI moderna, el lenguaje natural se está

aplicando para apoyar las conversaciones analíticas. La
conversación analítica está definida como un ser humano que
tiene una conversación con el sistema sobre sus datos. El
sistema aprovecha el contexto dentro de la conversación para
comprender la intención del usuario detrás de una consulta y
promover el diálogo, creando una experiencia conversacional
más natural. Por ejemplo, cuando una persona tiene una
pregunta de seguimiento sobre sus datos, no tiene que
reformular la pregunta para profundizar o aclarar una
ambigüedad. Podría solicitarle a una herramienta de BI que
"encuentre grandes terremotos cerca de California" y luego
hacer una pregunta de seguimiento "¿y cerca de Texas?" sin
mencionar los terremotos por segunda vez.

El aprendizaje automático permite a los sistemas obtener un

conocimiento más profundo del dominio a lo largo del tiempo en
función de los datos de una empresa y los tipos de preguntas
que hacen sus usuarios. "Una de las características clave de la
conversación analítica es evitar los callejones sin salida: ser
capaz de hacer una pregunta, obtener un resultado y girar en
torno a esa pregunta original", explica Vidya Setlur.

tendencias en business intelligence mg. Franco Floris

Todos tienen ansias de obtener información sobre sus datos. Y
el lenguaje natural es una importante modalidad para cerrar esa
brecha.

El lenguaje natural también permitirá a los usuarios hacer

preguntas basadas en la visualización de datos: "Digamos que
hago una pregunta desde mi herramienta de BI sobre brotes de
enfermedades y obtengo una visualización resultante. Podría
preguntar “¿qué es ese pico anaranjado?", "Es una pregunta de
seguimiento, pero no está basada en mis datos. Está basada en
las codificaciones de las visualizaciones". Y cuando una
visualización existente no tiene sentido en el contexto de la
siguiente pregunta, ofrecerá una alternativa.

El lenguaje natural representa un cambio de paradigma en la

forma en que las personas hacen preguntas sobre sus datos.
Cuando las personas pueden interactuar con una visualización
como lo harían con una persona, se abren áreas del flujo del
análisis que tradicionalmente estaban reservadas para
científicos de datos y analistas de nivel avanzado. Los usuarios
no están limitados por sus habilidades analíticas, sino tan sólo
por su propio abanico de preguntas. También permite a los
usuarios avanzados responder preguntas más complejas en
menos tiempo y proporcionar funcionalidades de dashboard más
atractivas para los demás. A medida que el lenguaje natural
madura en la industria de la BI, romperá las barreras para la
adopción del análisis a lo largo de todas las organizaciones e
insertar aún más los datos en el núcleo de la cultura del lugar
de trabajo.

03
El análisis accionable pone los datos
en contexto.

Las plataformas de BI evolucionan para

colocar datos donde las personas quieren
actuar.

tendencias en business intelligence mg. Franco Floris

Los trabajadores de datos quieren y necesitan que los datos y
las acciones estén en el mismo lugar. En lugar de realizar
análisis en un silo y actuar en otro, cualquier persona que
trabaje con datos debería poder permanecer en el contexto de
sus procesos y flujos de trabajo de negocio. Las plataformas de
inteligencia de negocios están satisfaciendo esta necesidad al
fusionarse con las operaciones, los flujos de trabajo y los
procesos centrales del negocio a través de funcionalidades
como análisis móvil, análisis incorporado, extensiones de
dashboard (también conocidas como complementos) y API.
Como resultado, los análisis accionables están acelerando el
proceso de toma de decisiones tanto para roles técnicos como
no técnicos.

Estas funcionalidades permiten a los trabajadores de datos

analizar datos y realizar acciones después de encontrar
información, todo en el mismo lugar. Un ejemplo de
convergencia entre la información y la acción es el análisis
incorporado. El análisis incorporado incluye datos e información
que se encuentran allí donde las personas ya están trabajando
para que no tengan que navegar hacia otra aplicación o servidor
compartido. Los análisis pueden estar integrados en portales
internos (como SharePoint) o en otras aplicaciones de uso
común.

Por ejemplo, las organizaciones incorporan análisis en software

de administración de relaciones con clientes (CRM) como
Salesforce. Los vendedores pueden ver datos valiosos de las
cuentas en contexto, como las preferencias de productos o el
gasto en el tiempo, que pueden informar una mejor
conversación o influir en los siguientes pasos con el cliente.

Las extensiones de dashboard abordan esta convergencia

desde el otro lado. Para aquellos que pasan la mayor parte del
tiempo en su plataforma de análisis, las extensiones permiten el
acceso a otros sistemas directamente en el dashboard. Ahora
los individuos pueden realizar una acción sin abandonar su flujo
de trabajo de análisis.

Por ejemplo, los administradores de TI que se apoyan en el

análisis para supervisar las colas de tickets pueden usar una
extensión de dashboard para editar la información del caso o
realizar acciones directamente desde su dashboard en lugar de
cambiar a su sistema de tickets. Esto los mantiene dentro de su

tendencias en business intelligence mg. Franco Floris

flujo, permitiendo una acción más rápida desde donde ya están
pasando su tiempo.

Para que el análisis sea accionable, debemos asegurarnos de

que estamos dándole el mensaje correcto a la persona correcta,
en el momento correcto y de manera que puedan entenderlo.
Peter Benson, jefe de alianzas estratégicas, perspectivas
automatizadas

Mientras que el análisis incorporado y las extensiones de

dashboard reúnen la acción y la información dentro de
plataformas y herramientas, el análisis móvil ofrece estas
funcionalidades a los usuarios dondequiera que estén
físicamente. Los consultores pueden aprovechar los datos de
los clientes mientras están en las instalaciones, a la vez que un
mecánico puede aprovechar los datos del Internet de las cosas
(IoT) para reparar un dispositivo en el campo.

El hecho de poner el análisis en contexto conlleva un impacto

aún mayor, ya que ayuda a personalizar el análisis para una
línea específica de negocio o industria. La convergencia del
análisis y la acción acortará el tiempo y el esfuerzo entre la
información y la toma de decisiones. También hará que los
datos estén más disponibles dentro de los flujos de trabajo del
negocio, alentando a más personas a incorporar datos en sus
decisiones diarias.

04
Los datos colaborativos amplifican el
buen impacto social.

Los esfuerzos enfocados de las

organizaciones de los sectores público y
privado fortalecen el movimiento de “datos
para el bien”.
Los datos han transformado la manera en que operan las
organizaciones, incluidas las organizaciones no

tendencias en business intelligence mg. Franco Floris

gubernamentales (ONG) y sin fines de lucro. Y ahora, el
movimiento de "datos para el bien” está en plena ebullición en
organizaciones tanto del sector público como privado. La
investigación de Gartner indica que "las menciones en redes
sociales de los datos para el bien han aumentado un 68 % en el
último año" a medida que el público en general toma más
conocimiento sobre la manera en que los datos pueden tener un
impacto positivo en la sociedad.

Las empresas del sector privado, como la compañía

multinacional de telecomunicaciones, Orange, están
estableciendo proyectos que utilizan información basada en los
datos para promover esfuerzos sociales. A través del Proyecto
OPAL de Orange, la empresa creó un comité de gobierno, en
asociación con gobiernos locales, a fin de regular cómo se
recopilan, anonimizan y protegen los datos. Esto les permite
compartir registros detallados de llamadas con organizaciones
de impacto social de una manera segura. En Senegal, estos
datos se usaron recientemente para evaluar las tasas de
alfabetización basadas en el uso de mensajes de texto, lo que
ayudó a las organizaciones de impacto social a tomar
decisiones sobre la asignación de recursos en torno a los
programas de alfabetización.

Históricamente, las ONG y las organizaciones sin fines de lucro

no han tenido los recursos necesarios para invertir en una
infraestructura de datos sofisticada o en grandes equipos de
trabajadores de datos. Ahora, con la rentabilidad y la
flexibilidad de la informática en la nube, estas organizaciones
pueden desarrollar entornos de datos sofisticados, sin grandes
inversiones en las instalaciones físicas, allanando el camino
para más iniciativas de impacto social basadas en los datos.

Un ejemplo práctico es el surgimiento y el crecimiento de las

comunidades de datos: plataformas para compartir y colaborar
entre organizaciones para lograr un objetivo común. La Hutch
Data Commonwealth (comunidad de datos Hutch), por ejemplo,
"es un equipo multidisciplinario con la misión de empoderar a
los investigadores del Centro de Investigación del Cáncer Fred
Hutchinson con herramientas innovadoras de ciencia de datos,
funcionalidades de infraestructura y colaboraciones para
acelerar su investigación". En un artículo para GeekWire,
Matthew Trunnell, director de tecnologías de la información y
director ejecutivo de Hutch Data Commonwealth comparte

tendencias en business intelligence mg. Franco Floris

cómo la nube sirve como la "base de una comunidad de datos
científicos". La nube se convierte en el lugar donde nos
reunimos y colaboramos, un lugar donde todos se unen para el
bien común". La comunidad se basa en asociaciones con otras
instituciones de investigación y proveedores de tecnología con
los datos en el centro de su misión.

Las comunidades de datos permiten a las organizaciones

compartir datos entre ellos y con el mundo de una manera
segura y protegida, y de una manera que protege la privacidad
de las personas de quienes se recopilan los datos.

Estas asociaciones, ya sea a través de proyectos del sector

público y privado o de comunidades, requieren una base de
confianza. Las organizaciones están evaluando los elementos
críticos de una asociación exitosa, incluidas las implicaciones
legales y los estándares de gobierno involucrados en el
intercambio de datos. Esto incluye evaluar los riesgos de
privacidad e instilar protecciones para compartir información
personalmente identificable.

Un informe reciente del Governance Lab de la Escuela de

Ingeniería Tandon de la Universidad de Nueva York se centra en
los desafíos relacionados con el intercambio de datos de las
redes sociales entre organizaciones privadas y del sector
público, pero sus principios se aplican a una gran variedad de
asociaciones de intercambio de datos. GovLab predice que más
organizaciones designarán administradores de datos para
impulsar los datos colaborativos bajo la noción de garantizar
“un debido proceso para responder a las solicitudes de datos,
un sistema para filtrar o priorizar ciertos tipos de información y
un método para garantizar que los datos que se divulgan
coincidan con las necesidades y demandas públicas".

El acceso a una gran cantidad de diversas fuentes de datos bajo

los controles adecuados, como en el caso de Fred Hutch, puede
crear un impacto transformador. Si bien los desafíos persisten
en estos proyectos de colaboración a gran escala, el
movimiento de "datos para el bien" es un testimonio del
potencial altruista que tiene el compartir datos. Los avances en
la tecnología, el mayor conocimiento de los datos y el enfoque
en la colaboración están creando un entorno oportuno para
resolver algunos de los problemas más difíciles del mundo.

tendencias en business intelligence mg. Franco Floris

05
Los códigos de ética se ponen al día
con los datos

A la luz de regulaciones como el RGPD, los

líderes evalúan el futuro de las prácticas de
ética de datos.
El tema de la privacidad de los datos ha aumentado en
importancia y los consumidores son más conscientes que nunca
en lo que respecta a compartir datos personales. Esto está
afectando la forma en que las empresas abordan la
monetización, la recopilación y el intercambio de datos. Y con
nuevas regulaciones como el RGPD, las empresas están
teniendo conversaciones cruciales sobre la ética y la privacidad
de los datos en el contexto de sus prácticas comerciales del día
a día. Esto emerge a través de:

Códigos de ética: Muchas funciones ya están sujetas a los

códigos de ética profesionales, incluido el derecho, la medicina
y la contabilidad. Y a medida que los datos continúan
proliferando en todas las áreas de negocios, las empresas están
comenzando a evaluar cómo aplicar esos mismos principios a
las prácticas de análisis de datos. Como compartió Gartner, "la
era de los negocios digitales ha difuminado los límites entre la
tecnología y los negocios" y los datos son ahora una pieza
fundamental para el rompecabezas estratégico. Cada vez más
empresas dependen de los datos para dar forma a las
decisiones de negocios dentro de cada departamento y función,
lo que significa que más personas tienen un interés en cómo se
usan y comparten los datos.

En respuesta, los líderes, en particular los directores de datos

(CDO), están encabezando el proceso de conformación de
lineamientos internos para las prácticas de datos en toda la
empresa como parte de los esfuerzos de transformación digital.
De hecho, la encuesta de directores de datos de Gartner de
2017 reveló que "el número de CDO que mencionan que la ética
es parte de sus responsabilidades ha aumentado en 10 puntos
tendencias en business intelligence mg. Franco Floris
porcentuales desde 2016 a 2017". Estos códigos de ética
servirán como marco para futuras decisiones de infraestructura,
gobernanza y dotación de personal.

Cambios en los procesos del negocio: Las empresas están

pensando críticamente sobre el ciclo de vida completo de sus
datos, desde la recopilación hasta el análisis. Esto abre una
oportunidad para evaluar la estrategia de administración de
datos de la empresa en su conjunto para garantizar el
cumplimiento de las regulaciones y su código de ética interno.
Este proceso de revisión no es una algo que ocurrirá una sola
vez. Como señaló Accenture en su informe de principios
universales de la ética de datos, "las prácticas de gobernanza
deben ser sólidas, conocidas por todos los miembros del equipo
y revisadas periódicamente", adaptándose a medida que la
empresa crece y cambia.

La ética de datos está diseñada para actuar como

amortiguadores de velocidad en nuestro trabajo, a fin de que
podamos entender cómo enfrentar dilemas tanto a nivel
personal como profesional.

La ética de datos no está restringida a la recopilación de datos

o a la gobernanza de datos. También se aplica a cómo se
interpretan los datos y cómo se actúa en función a ellos. Las
plataformas de BI modernas han abierto el análisis de datos a
muchas personas y más roles serán responsables de hacer
seguimiento de los principios de la ética de datos. Bridget
Winds Cogley, consultora principal de Teknion Data Solutions
propone que cualquier persona que analice datos o comunique
información debe "tomar en consideración los sesgos y si los
hechos se presentan o no con claridad", así como si "los límites
de los datos se entienden y se ajustan a la pregunta". A medida
que más personas se conviertan en trabajadores de datos, la
ética de datos será una parte fundamental de los esfuerzos de
alfabetización de datos, afectando la forma en que las personas
abordan los datos tanto en un contexto personal como
profesional.

06

tendencias en business intelligence mg. Franco Floris

La administración de datos converge
con las plataformas de BI modernas

El curado de datos gobernados cierra la

brecha entre los datos y los negocios.
A medida que las fuentes de datos se vuelven más complejas,
diversas y numerosas, la administración de datos ahora es aún
más crítica en las implementaciones de BI modernas. A medida
que una mayor parte de la fuerza laboral utiliza datos para
tomar decisiones, las organizaciones deben garantizar la
precisión dentro de sus datos y su uso en el análisis.

Las organizaciones han recurrido al curado de datos para

abordar los desafíos de administración y gobernanza de datos
que vienen con este acceso más amplio a los datos. El curado
de datos abarca la forma en que una organización capta, limpia,
define y alinea datos dispares. Este proceso crea un puente
entre los datos y sus aplicaciones en el mundo real.

Las organizaciones ya están gastando millones de dólares en

tecnologías que integran definiciones de datos con
herramientas de análisis que ayudan a analizar los datos, con el
objetivo de eliminar la ambigüedad entre equipos y
organizaciones. En respuesta, las herramientas y los procesos
de curado de datos (como los catálogos de datos y la
gobernanza semántica) convergen con las plataformas de BI
para enlazar los datos con el contexto del negocio.

Un catálogo de datos actúa como un glosario de negocios

empresarial de fuentes de datos y definiciones de datos
comunes. Los expertos en la materia, como los ingenieros de
datos y los administradores de datos, pueden agregar
descripciones y definiciones a las fuentes y campos de datos,
etiquetarlas para mejorar la capacidad de detección e incluso
emplear útiles indicadores de calidad de datos, incluidas las
notificaciones de certificaciones de contenido confiable, o el
mantenimiento o la desaprobación de los activos de datos.

Los usuarios cotidianos no necesitan saber dónde se alojan los

datos en la fuente de datos, pero sí necesitan entender lo que
representan los datos en el mundo real. Por ejemplo, los

tendencias en business intelligence mg. Franco Floris

analistas y consumidores de contenido a menudo necesitan
verificar el origen de un dato (también conocido como análisis
de linaje). Y si los conjuntos de datos cambian, los ingenieros
de datos y los administradores de datos deben analizar el
impacto posterior de los activos conectados a las tablas o
esquemas que administran. La combinación de un catálogo de
datos y la plataforma de BI ayuda a simplificar todas estas
tareas, proporcionando métricas de uso para identificar
rápidamente los orígenes de datos y los dashboards de acceso
más frecuente.

El curado de datos es el proceso de identificar qué fuentes de

datos se necesitan, ubicar esos datos en el contexto de la
empresa para que los usuarios de la empresa puedan
interactuar con ellos, entenderlos y utilizarlos para crear sus
análisis.

Si bien los catálogos de datos podrían ser necesarios, se podría

decir que existe una mayor oportunidad más allá de la
gobernanza de metadatos en el área de la gobernanza
semántica. La semántica ayuda a relacionar no sólo el contexto
de los datos, sino también la intención de las acciones
analíticas, como la asignación de sinónimos para conectar
comandos como "tamaño del pedido" con "cantidad". Esto
permite nuevas modalidades para que el espectro completo de
trabajadores de datos interactúe con los datos y llegue
rápidamente a nuevos conocimientos. Una forma es a través de
interacciones de lenguaje natural, donde una plataforma de BI
comprende capas que involucran múltiples consultas, como
"resaltar lo más alto, lo más bajo y lo promedio".

A medida que estas tecnologías y procesos continúan

convergiendo, el curado de datos y la semántica proporcionarán
una base más sólida para el resto de la experiencia de análisis.
Esto unificará más componentes dispares del ecosistema de
datos, como la limpieza y el análisis posterior, y generará
recomendaciones más sólidas generadas por máquinas para
tablas, uniones de columnas y modelos de datos. En última
instancia, los avances en el curado de datos permitirán que la
fuerza laboral vaya más allá de sólo hacer preguntas de sus
datos durante el análisis, hacia hacer preguntas sobre su
negocio.

tendencias en business intelligence mg. Franco Floris

07
La narración de historias con datos
es el nuevo lenguaje de las
corporaciones.

Encontrar y comunicar información a partir de

los datos ahora es un deporte de equipo.
Por mucho que automaticemos, sin importar qué tan grande sea
nuestro conjunto de datos o por más inteligentes que sean
nuestros cálculos, si no puedes comunicar los hallazgos a otros,
no podrás lograr un impacto con sus análisis. Este es el poder
de la visualización de datos. La visualización de datos es un
lenguaje y se está convirtiendo en un estándar para que los
analistas sepan cómo transmitir información a los responsables
de la toma de decisiones de una manera práctica y fácil de
entender. Esta habilidad, combinada con la capacidad de los
analistas para compartir los pasos que tomaron para descubrir
información a partir de los datos, suele definirse como "contar
historias con datos".

Contar historias con datos es un elemento crítico del proceso

de análisis. Y la cultura cambiante en el lugar de trabajo, donde
el análisis es el rey, está refinando la definición de contar
historias con datos. A medida que las organizaciones crean
culturas de análisis, los métodos de los analistas para contar
historias con datos se basan cada vez más en fomentar una
conversación en torno a los datos y menos en argumentar a
favor de una conclusión en particular. Estas culturas analíticas
también están fomentando los esfuerzos de alfabetización de
datos dirigidos a enseñar a las personas a comprender los datos
en su dimensión real y a participar en la conversación analítica,
desde el momento del descubrimiento hasta la decisión de
negocios resultante.

Andy Kirk, especialista de visualización de datos y fundador de

VisualisingData.com comparte los siete sombreros de la
visualización de datos. Uno de ellos es el comunicador: "una

tendencias en business intelligence mg. Franco Floris

persona fundamentalmente interesada en todas las relaciones
humanas involucradas en cualquier proyecto (los comisionados,
las partes interesadas y la audiencia)". Andy explica cómo "todo
trabajo de visualización, al menos en el sentido de la
comunicación, tiene que estar centrado en la audiencia". Los
trabajadores de datos necesitan entender el proceso que sigue
la audiencia para llegar a una conclusión a partir de una
visualización. Y al mismo tiempo, la audiencia tiene la
responsabilidad de tener el conocimiento necesario del tema
para interpretar los datos y debe estar "dispuesta a estar
informada".

Como miembros de la audiencia, debemos estar dispuestos a

estar informados, a ser capaces de interpretar y necesitamos
tener un grado de conocimiento de la materia. Si eso no es algo
que tenemos, entonces el diseñador tiene que asumir la
responsabilidad de proporcionarnos una idea de lo que esto
significa.
Andy Kirk, fundador de VisualisingData.com

Este cambio hacia contar historias con datos también se

manifiesta en las tendencias de visualización de datos. Las
maneras de contar historias con formato largo (a través de
dashboards de desplazamiento o de varias páginas) se vuelven
más comunes, lo que permite al analista mostrar su enfoque
paso a paso para llegar a una conclusión. Estos métodos
permiten a los analistas mostrar la progresión de su análisis,
destacando la información que encontraron en los datos y las
suposiciones resultantes. El siguiente paso es crear una
conversación abierta en torno a esas ideas. Esto deja espacio
para que personas de diferentes roles o departamentos puedan
aportar un contexto comercial adicional e invita a una gran
diversidad de perspectivas antes de tomar una decisión de
negocios.

Contar historias con datos continuará impregnando la cultura

del lugar de trabajo a medida que más organizaciones creen
flujos de trabajo y equipos centrados en la colaboración
analítica. Este enfoque está configurando la forma en que las
organizaciones utilizan los datos para participar, informar y
probar ideas. Y a medida que más personas entienden cómo
interpretar los datos y explicar su proceso analítico, se
amplifica el potencial de impacto en el negocio.

tendencias en business intelligence mg. Franco Floris

08
Las empresas se vuelven más
inteligentes con la adopción de
análisis

¿Qué sucede cuando los líderes se centran

menos en la adopción y más en la
participación?
Las iniciativas de inteligencia de negocios a menudo tienen
una fecha de inicio y final bien definidas y no es infrecuente que
se consideren "completas" después de que se despliegan a los
usuarios. Pero el solo hecho de proporcionar acceso a
soluciones de inteligencia de negocios no es lo mismo que la
adopción. Los directores de datos, principalmente, están
reevaluando cómo la adopción de la BI juega un papel
importante en un cambio estratégico hacia la modernización,
porque el valor real no se mide por la solución que implementa,
sino por cómo su fuerza de trabajo utiliza la solución para
impactar el negocio.

La suposición de que todos están obteniendo valor de una

plataforma de BI sólo porque tienen acceso a ella en realidad
podría ser un inhibidor del avance real a través del análisis.
Como Josh Parenteau, director de inteligencia de mercado de
Tableu señala, medir el retorno de la inversión en función del
número de licencias "puede impedir que los aprendizajes, el
crecimiento y la posibilidad de tener más éxito se hagan
realidad". En lugar de la adopción en sus términos más simples,
los líderes se centran en si los datos y los análisis están
cambiando o no la forma en que se toman las decisiones en
toda la organización. Por ejemplo, si le quitaras la plataforma de
BI a los empleados, ¿eso tendría un impacto en la forma en que
toman las decisiones del día a día en el trabajo?

De la misma manera que la descarga de una aplicación en su

teléfono no significa necesariamente que la esté utilizando,
abrir un informe una vez al mes no significa que esté

tendencias en business intelligence mg. Franco Floris

impulsando acción o influencia. Los líderes están evaluando
programas que fomentan la participación, como las
comunidades internas y los grupos de usuarios. Estos esfuerzos
que antes se consideraban programas de base se considerarán
elementos fundamentales de la estrategia de BI de una
organización, ya que ayudan a los usuarios a aumentar su
velocidad, aplicar el autoservicio y obtener respuestas a sus
preguntas rápidamente. La adopción aparece como resultado,
impulsando a los líderes a aumentar su inversión y ayudar a las
comunidades a aumentar de escala.

Necesitamos repensar cómo medir el beneficio real de la BI. No

sólo es un asunto de quién tiene acceso. Debería enfocarse en
cómo las personas están utilizando realmente los análisis para
informar sus procesos de toma de decisiones.

El equipo del centro de excelencia de JPMorgan Chase (JPMC),

liderado por TI, utilizó este modelo para incorporar a miles de
analistas y hacer crecer su comunidad de usuarios. Tuvieron
sesiones de día completo, a las que Steven Hittle,
vicepresidente y líder de innovación de BI, denominaba
"sesiones de terapia de datos", para compartir las prácticas
recomendadas de visualización y gobernanza de datos. Estas
sesiones fueron sólo una de las muchas actividades utilizadas
para estimular la participación y la conversación entre los roles
y los departamentos que ayudaron a JPMC a adaptar su
moderna plataforma de BI a más de 30.000 personas.

A medida que estas comunidades internas incorporan a los

trabajadores a una plataforma de BI, las organizaciones pueden
comenzar a delegar responsabilidades analíticas y crear nuevos
usuarios estrella. Esto reducirá en última instancia el trabajo
pesado para el mantenimiento y los informes, tradicionalmente
reservado para TI. Comenzarán a surgir más campeones
internos, actuando como expertos en la materia que socializan
las mejores prácticas y alinean a las personas en las
definiciones de datos. Inevitablemente, todos estos
movimientos llevarán a más personas a usar y obtener valor del
software de BI. Y lo más importante, tu fuerza laboral será más
eficiente y tu organización, más competitiva.

tendencias en business intelligence mg. Franco Floris

09
La democracia de datos eleva el rol
del científico de datos.

Los científicos de datos desarrollan

habilidades blandas para impulsar el cambio
organizacional.
Existe una gran demanda por científicos de datos. En su Informe
de empleos emergentes en los Estados Unidos de 2017,
LinkedIn citó que "los roles de científico de datos han
aumentado más del 650 por ciento desde 2012" y "cientos de
compañías están contratando personas para esos roles" en una
gran variedad de industrias. El grupo de candidatos se está
haciendo mayor a medida que "los ingenieros de aprendizaje
automático, los científicos de datos y los ingenieros de big data
aparecen entre los principales puestos de trabajo emergentes".

Pero a medida que se espera que más departamentos y roles

trabajen con los datos, las organizaciones están viendo un
aumento general en el conocimiento de los datos y el
surgimiento de más científicos de datos ciudadanos. Gartner
define a los científicos de datos ciudadanos como "una persona
que crea o genera modelos que utilizan análisis de diagnóstico
avanzado o capacidades predictivas y prescriptivas, pero cuya
función principal de trabajo está fuera del campo de las
estadísticas y el análisis". Estas personas no están
reemplazando a los científicos de datos, pero se están
convirtiendo en socios clave para desarrollar y probar hipótesis.

Esto está cambiando la definición de la ciencia de datos y

difuminando las líneas entre aquellos con experiencia en datos
tradicionales y conocimiento del dominio de los negocios. Sonic
Prabhudesai, administrador de análisis estadístico de Charles
Schwab, compartió cómo "más trabajadores de negocios
entienden cómo trabajar con datos, mientras que los científicos
de datos se están familiarizando más con el funcionamiento
interno del negocio".

En la actualidad, se espera que los científicos de datos tengan

conocimientos avanzados de estadística y aprendizaje
tendencias en business intelligence mg. Franco Floris
automático, pero también se espera que tengan una mente
estratégica para el negocio, incluido un profundo conocimiento
de sus industrias. "La ciencia de datos es más que un simple
cálculo numérico: es la aplicación de varias habilidades para
resolver problemas particulares en una industria", explica el Dr.
N. R. Srinivasa Raghavan, jefe global de ciencia de datos de
Infosys. "Los científicos de datos necesitan tener un
conocimiento profundo de los dominios en los que se aplicarán
sus conocimientos".

El modelado estadístico y el aprendizaje automático se están

convirtiendo en elementos esenciales para convertirse en un
científico de datos. El factor diferenciador para quienes
trabajan en el campo es qué tan bien pueden comunicar sus
hallazgos de una manera simple, pero accionable.
Sonic Prabhudesai, administrador de análisis estadístico de
Charles Schwab

Los resultados de los algoritmos y modelos sólo son efectivos si

ayudan a resolver el problema correcto en el contexto
adecuado. Esto significa trabajar de la mano con las partes
interesadas para identificar y refinar la declaración del
problema y la hipótesis al comienzo del proceso y mantenerlos
involucrados durante todo el flujo de trabajo. Y al final del flujo
de trabajo, significa saber cómo comunicar los resultados a los
socios de negocios de manera relevante y accionable.

“El modelado estadístico y el aprendizaje automático se están

convirtiendo en elementos esenciales para convertirse en un
científico de datos”, afirma Sonic. “El factor diferenciador para
quienes trabajan en el campo es qué tan bien pueden comunicar
sus hallazgos de una manera simple, pero accionable”. En lugar
de simplemente transferir los resultados, los científicos de
datos tendrán un papel central en la forma en que esos
resultados se aplican al negocio.

Con las herramientas de análisis de autoservicio, tanto los

científicos de datos como los usuarios avanzados pueden
explorar y obtener una mejor comprensión de sus datos. Esto
genera información que puede direccionar el resto del análisis
y, en última instancia, impactar el negocio.

tendencias en business intelligence mg. Franco Floris

10
La migración acelerada de datos en
la nube alimenta la adopción de una
BI moderna

Los datos se están trasladando a la nube más

rápido que nunca, lo que lleva a las
organizaciones a repensar su estrategia de
datos.
Modernizar tu estrategia de datos a menudo significa repensar
dónde se almacenan tus datos. Más compañías están viendo los
beneficios de trasladar sus datos a la nube, incluida la
flexibilidad y escalabilidad agregadas a un menor costo total de
propiedad. De hecho, las investigaciones de Gartner
indican que "se proyecta que el mercado público de servicios
en la nube crecerá un 21,4% en 2018 hasta alcanzar un total de
$ 186,4 mil millones". La nube facilita a las empresas la captura
e integración de diferentes tipos de datos. Esto significa
alejarse de un entorno donde todos los datos residen en un
almacén local altamente estructurado hacia una infraestructura
más escalable y flexible, ya sea una solución en la nube
completa o híbrida.

Esto nos lleva a la fuerza de gravedad de los datos, un

concepto que sugiere que los servicios y las aplicaciones son
atraídos hacia el lugar donde residen los datos. A medida que
más organizaciones trasladan cargas de trabajo a la nube a una
velocidad acelerada, esta fuerza de gravedad de los datos
también está atrayendo a los procesos analíticos hacia la nube.

A medida que las empresas se mueven hacia Google Cloud,

vemos a los líderes repensando toda su estrategia de análisis
de datos y cómo la nube puede afectar sus negocios y sus
resultados.
Sudhir Hasbe, director de administración de productos de
Google Cloud.

tendencias en business intelligence mg. Franco Floris

Los factores determinantes de este cambio gravitacional son la
latencia, la cantidad de tiempo necesaria para realizar una
acción, y el rendimiento, la cantidad de veces que se puede
realizar una acción o el resultado alcanzado por una unidad de
tiempo determinada. Cuando los datos, las aplicaciones y los
servicios están estrechamente alineados, hay una disminución
en la latencia y el rendimiento, lo que resulta en un aumento en
eficiencia. Naturalmente, cuando los datos residen en la nube,
estas aplicaciones y servicios comenzarán a seguirlos al mismo
lugar.

A medida que las organizaciones evalúan una estrategia de

datos más amplia, también están reconsiderando su modelo de
análisis, pasando de la BI tradicional a una moderna. McKinsey
señala que el valor de la nube surge cuando las compañías se
enfocan en la infraestructura y los sistemas en la nube "no
como decisiones tácticas puntuales, sino como parte de una
estrategia holística para buscar la transformación digital".

La inteligencia de negocios tradicional depende de los

departamentos de TI para proporcionar respuestas a las
preguntas, lo que crea cuellos de botella y mantiene los análisis
separados del contexto del negocio. De la misma manera, las
implementaciones de BI tradicional a menudo se basan en un
rígido modelo local destinado a brindar soporte a este modo de
informes empresariales.

En contraste, el análisis en la nube ofrece una variedad de

beneficios, incluida la oportunidad de pensar en nuevos
modelos de implementación, y los líderes están ansiosos por
aprovechar esas oportunidades. Esto incluye implementar
dashboards móviles para los empleados en el campo a fin de
que puedan acceder a los datos sin tener que pasar primero por
un firewall. La nube también permite el intercambio seguro de
dashboards con socios o clientes, creando una fuente de datos
que va más allá de los procesos internos.

Aunque no todas las empresas están preparadas para mover

todos sus datos a la nube, muchas están experimentando con
soluciones híbridas para aprovechar las diversas fuentes de
datos. Como resultado, las empresas están evaluando las
plataformas de BI moderna con la premisa de ver si pueden
soportar una futura transición completa hacia el análisis en la
nube.

tendencias en business intelligence mg. Franco Floris

tendencias en business intelligence mg. Franco Floris