E-Linois y el Business Intelligence. Bienvenidos al Data Analytics

En nuestra “cabecera” se pueden ver las palabras Business Intelligence Consulting, sin embargo, aún no nos hemos acercado a ese concepto que nos define. Hoy parece un buen día para ello. Hoy hablaremos sobre el concepto Business Intelligence.

Business Intelligence (en adelante BI) versa sobre el uso de estrategias y herramientas basadas en datos que se enfocan en transformar información en conocimiento con el principal objetivo de mejorar el proceso de toma de decisiones de una organización.

“Sólo cuando conoces cada detalle de la condición del terreno puedes maniobrar y guerrear.”

Sun Tzu – El Arte de la Guerra.

Después de estas sabias palabras de Sun Tzu parece claro que para tener éxito en una batalla hay que conocer cada milímetro del terreno, su condición, todos y cada uno de sus detalles. Así pues, esta idea la podríamos extrapolar al mundo del negocio, ¿no? Pues el mismo no es sino una “batalla” entre empresas que desean conquistar un mercado, por ello, podemos considerar que una empresa que conoce todos los recovecos del mercado en el que desea triunfar probablemente alcance a tener una mejor estrategia y herramientas para lograrlo.

Ese conocimiento del terreno, dada la era digital en la que nos encontramos, nos lo aportan los datos que podemos obtener de competidores, clientes, proveedores, redes sociales, etc.

Pero… obtener meramente un Data Lake (Lago de Datos o repositorio que contiene una gran cantidad de datos en bruto, o… Cajón de sastre de datos) no nos ofrece, sin más, ese conocimiento que nos hace potentes en el mercado. Sin embargo, si los filtramos, los preprocesamos y los convertimos en un Big Data Warehouse (contenedor donde solo hay datos limpios, estructurados y combinados) podremos entrar en lo que se conoce como Data Analytics.

Estamos mencionando en este post una serie de conceptos, que tal vez, de buenas a primeras resulten conocidos (seguro que los hemos visto en redes sociales, artículos, lecturas…) y desconocidos (pues tal vez no hayamos entrado en profundidad en ellos) al mismo tiempo. Acabamos de mencionar uno importante, obviaré por el momento el concepto Big Data debido a que lo hemos dado a conocer ya en post anteriores.

¿Qué es “Data Analytics”?

Es el uso efectivo de los datos almacenados en Big Data Warehouse para encontrar tendencias y obtener información útil. Cuando se analizan (y en muchos casos, se visualizan en esquemas, diagramas, infografías), esa multitud de datos limpios, estructurados y combinados, muestran, por ejemplo, el rendimiento de los dispositivos, ayudan a identificar ineficiencias y a encontrar formas de mejorar un sistema.

Por lo tanto, y volviendo al punto de partida, por Data Analytics entenderemos el proceso que consiste en inspeccionar, limpiar y transformar datos con el objetivo de resaltar información útil, para sugerir conclusiones y apoyo en la toma de decisiones.

¿Qué figura, o figuras, hay detrás de lo que acabamos de explicar agrandes rasgos? La más conocida, y que probablemente en más ocasiones habremos escuchado es la del Data Scientist.

¿Qué es un Data Scientist?

Es alguien que es mejor en estadística que cualquier programador, y mejor programador que cualquier estadístico”.

Josh Wills.

Entonces… ¿un Data Scientist es un estadista que a su vez es programador?

Un Data Scientist es algo más, es un experto en Data Science (obviamente), y su trabajo principal consiste en extraer conocimiento a partir de toda esa marabunta de datos conocida, a día de hoy, como Big Data, con ello pretende responder a esas preguntas que se plantea un Ejecutivo que desea posicionarse en el mercado, por ejemplo.

Un Data Scientist debe explorar y analizar datos de múltiples fuentes, como hemos mencionado… De multitud de fuentes variopintas, y que pueden tener formatos muy diferentes. Además, debe tener una fuerte visión de negocio para ser capaz de extraer y transmitir recomendaciones a los responsables de negocio de su empresa.

¿Qué proceso se sigue para ello?

  • Extraer los datos, independientemente de su fuente (webs, csv, logs, APIs, etc.) y de su volumen (Big Data o Small Data). Recordemos el Data Lake.
  • Limpiar, estructurar y combinar dichos datos. Recordemos el Big Data Warehouse.
  • Procesar los datos usando diferentes métodos estadísticos (inferencia estadística, modelos de regresión, pruebas de hipótesis, etc.) y diseñar la arquitectura más efectiva para ello.
  • Diseñar los tests o experimentos que sean necesarios.
  • Visualizar y presentar gráficamente los datos a fin de que los responsables de negocios puedan hacer un uso óptimo de toda esa información.

Hoy hemos querido acercarles a una visión de lo que ofrece E-Linois como Business Intelligence Consulting, no obstante, y como pueden observar, el entramado es bastante profundo para abarcarlo en un solo post… Por lo que llegados a este punto, y queriendo ofrecer visiones más específicas de este nuevo mundo que nos ha abierto la era digital… debemos decir que…

…CONTINUARÁ…

Escrito por

Data Protection Officer - Máster Executive en Big Data Science - Compliance Officer

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s