🤖

«Características, aplicaciones y desafíos del Big Data»

Al hablar de Big Data se hace alusión a los grandes conjuntos de datos que no pueden ser capturados, almacenados, administrados y analizados por herramientas de software típicas. Estos conjuntos de datos son enormes, no solo en tamaño, sino también en heterogeneidad y complejidad, pues pueden ser datos estructurados, semiestructurados y no estructurados, además de datos operativos, transaccionales, de ventas, de marketing y otros. Asimismo, el Big Data incluye datos que vienen en varios formatos, incluidos texto, sonido, video o imagen y más, y estos datos no estructurados están creciendo más rápido que los estructurados, capturando el 90% de la totalidad de estos. Por lo tanto, se requieren nuevas formas de capacidades de procesamiento para obtener información sobre los datos que conduzca a una mejor toma de decisiones y poder resolver los desafíos a los que se enfrentan estas nuevas tecnologías en el siglo XXI.

En la era de la cuarta revolución industrial, el Big Data tiene un gran impacto en las empresas, ya que la revolución de las redes, las plataformas, las personas y la tecnología digital han cambiado los determinantes de la innovación, sus causas y efectos, y la competitividad de las entidades corporativas. Los académicos y profesionales muestran un gran entusiasmo por los macrodatos, ya que su análisis conduce a un conocimiento valioso y a la promoción de la actividad innovadora de empresas y organizaciones, transformando las economías a nivel local, nacional e internacional. En ese contexto, la ciencia del análisis de datos hace alusión a la recopilación de principios fundamentales que promueven la obtención de información y conocimiento a partir de los datos mismos. Las técnicas y aplicaciones que se utilizan ayudan a analizar datos críticos para que exista una mejora a la hora de comprender el entorno que circunda a las empresas y a tomar mejores decisiones prácticamente en tiempo real.

Hoy en día, el tremendo aumento de datos a través de Internet de las cosas, o aumento continuo de dispositivos conectados, sensores y teléfonos inteligentes, ha contribuido al surgimiento de una era «impulsada por datos», donde su análisis se utiliza en todos los sectores, como la agricultura, la salud, la energía e infraestructuras, así como los seguros, los deportes, la alimentación y el transporte de todas las economías mundiales. Porque se trata de esto, de economía. La creciente expansión de los datos disponibles es una tendencia reconocida en todo el mundo, mientras que el valioso conocimiento que surge de la información proviene de los procesos de análisis de datos y las ganancias que obtienen algunas organizaciones, como las corporativas. En ese contexto, la mayor parte de las organizaciones recopilan, almacenan y analizan datos para tomar decisiones comerciales estratégicas que conducen a conocimientos valiosos.

La capacidad de gestionar, analizar y actuar sobre los sistemas de decisión basados en datos es muy importante para las organizaciones y se caracteriza como un activo importante. Las perspectivas del análisis de macrodatos son importantes y los beneficios para las organizaciones basadas en datos son determinantes importantes para la competitividad y el rendimiento de la innovación. Sin embargo, primero es necesario establecer cómo se puede caracterizar el Big Data.

En primer lugar tenemos el volumen de datos, al gran tamaño de los conjuntos de estos. Es un hecho que Internet de las cosas a través del desarrollo y aumento de teléfonos inteligentes, sensores y otros dispositivos conectados, en combinación con las tecnologías de la información y la comunicación en rápido desarrollo, incluida la inteligencia artificial, han contribuido a la enorme generación de datos. En segundo lugar, el Big Data se caracteriza por la alta velocidad de generación de datos, datos generados por dispositivos conectados y web que llegan a las empresas en tiempo real. Esta velocidad es extremadamente significativa para que las empresas tomen diversas acciones que les permitan ser más ágiles, obteniendo una ventaja competitiva frente a sus competidores. En tercer lugar tenemos la veracidad de los datos, que se refiere a la fiabilidad y precisión de los estos. La recolección tiene datos que no son limpios y precisos, por lo que la veracidad de los datos se refiere a la incertidumbre de los mismos y al nivel de confiabilidad correlacionado con algún tipo de datos.

La cuarta característica es la variedad que representa la creciente diversidad de fuentes de generación de datos y formatos de datos, desde mensajes, actualizaciones, fotos y videos que se publican en redes sociales como Facebook o Twitter, SMS, señales GPS de teléfonos inteligentes, hasta transacciones de clientes en banca, comercio electrónico y venta minorista, datos de voz en centros de llamadas, etc. En quinto lugar tenemos variabilidad, que está relacionada con un rápido cambio de significado de los datos. Por ejemplo, las palabras en un texto pueden tener un significado diferente según el contexto de un texto, por lo tanto, para un análisis de sentimiento preciso, los algoritmos necesitan descubrir el significado de una palabra teniendo en cuenta todo el contexto. La visualización de datos sería la sexta característica y es la ciencia de la representación visual de datos e información. Presenta información cuantitativa y cualitativa en alguna forma esquemática, indicando patrones, tendencias, anomalías, constancia, variación, en formas que no se pueden presentar en otras formas como texto y tablas.

El aprovechamiento de Big Data puede proporcionar conocimientos valiosos y, por lo tanto, tenemos la última característica que es el valor que ofrece el proceso de análisis de datos puede beneficiar a empresas, organizaciones, comunidades y consumidores. Las empresas que superan los desafíos y explotan los macrodatos de manera eficiente tienen información más precisa y son capaces de crear nuevos conocimientos mediante los cuales pueden mejorar su estrategia y operaciones comerciales con respecto a objetivos bien definidos como la productividad, el desempeño financiero y el valor de mercado, mientras que los macrodatos juegan un papel importante en la transformación digital de las empresas que introducen innovaciones. Por lo tanto, existe un creciente interés en la explotación de Big Data entre empresas y organizaciones, y por ello se hace necesario explicar los distintos niveles de análisis.

El análisis de Big Data puede ser descriptivo, predictivo y prescriptivo. El análisis descriptivo, basado en datos históricos y actuales, es una fuente importante de información sobre lo que sucedió en el pasado y las correlaciones entre varios determinantes que identifican patrones utilizando medidas estadísticas como la media, el rango y la desviación estándar. Utiliza técnicas como el procesamiento analítico en línea explota el conocimiento de la experiencia pasada para proporcionar respuestas sobre lo que está sucediendo en las organizaciones. Los ejemplos comunes de análisis descriptivo incluyen visualización de datos, cuadros de mando, informes, cuadros y gráficos que presentan métricas clave de empresas, incluidas ventas, pedidos, clientes, rendimiento financiero, etc.

Por otro lado, el análisis predictivo trata de pronosticar y proporcionar una estimación para la probabilidad de un resultado futuro, definiendo oportunidades o riesgos a evitar. Mediante el uso de diversas técnicas, incluida la minería de datos, el modelado de datos y el aprendizaje automático, la implementación de análisis predictivos es importante para el segmento de cualquier organización. Una de las aplicaciones más conocidas de ese tipo de analíticas es la predicción del comportamiento del cliente, determinando operaciones, marketing y prevención de riesgos. Mediante el uso de datos históricos y otros datos disponibles, el análisis predictivo puede descubrir patrones e identificar relaciones en los datos que se pueden utilizar para la previsión.

El análisis predictivo en la era digital es un arma importante para las organizaciones en la carrera competitiva. Por lo tanto, las organizaciones que explotan el análisis predictivo pueden identificar tendencias y patrones futuros, presentando productos o servicios innovadores e innovaciones en sus modelos comerciales, siendo más efectivas. Proporciona, además una previsión del impacto de las acciones futuras antes de que se tomen, respondiendo sobre lo que podría suceder como resultado de las acciones de la organización. Por último, el análisis prescriptivo, es la tercera fase de análisis que va más allá del análisis descriptivo y predictivo, al sugerir posibles acciones a realizar. Está relacionado con el campo del análisis empresarial y busca el mejor enfoque práctico ante una situación dada. Por tanto, es un análisis predictivo pero dirigido a lo concreto y operativo. Por tanto, se mejora la toma de decisiones teniendo en cuenta la predicción de resultados futuros, lo que nos lleva a determinar las aplicaciones de estos.

Hoy en día, dado que la creciente generación de datos disponibles es una tendencia reconocida en empresas, países y segmentos de mercado, la mayoría de las empresas, independientemente de la industria, recopilan, almacenan y analizan datos para capturar valor. La economía digital, mediante el enorme uso de Internet y los servicios digitales, ha transformado casi todos los sectores industriales, incluidos la agricultura y la manufactura, hacia más centrados en los servicios. Hay muchos y diferentes sectores, como el comercio electrónico, la política, la ciencia y la tecnología, la salud, los servicios gubernamentales, etc., donde se aplica. Las empresas basadas en datos de diversas industrias aclaran el poder de los macrodatos, haciendo predicciones más precisas que conducen a mejores decisiones. Por lo tanto, existen aplicaciones de análisis de Big Data en casi todos los sectores comerciales, así como también existen aplicaciones en política y gobierno electrónico, ciencia y tecnología, seguridad y protección, salud inteligente y bienestar.

Además, hay muchos y diversos tipos de aplicaciones del Big Data entre empresas y sectores industriales. Se puede emplear en aplicaciones de marketing y comercio electrónico como publicidad en línea y venta cruzada, mientras que también ayuda a las empresas a analizar el comportamiento del cliente para dar forma a un perfil en el cual se realice la implementación de acciones de marketing específicas y optimizadas para impactar la adquisición y satisfacción del cliente. En definitiva, ofrecer una mejor comprensión del comportamiento y las preferencias de los clientes y, por lo tanto, la mejora del servicio de atención a éste.

Sin embargo, el volumen y la variedad de datos de seguridad rápidamente se vuelven abrumadores y las técnicas analíticas existentes no pueden funcionar de manera eficiente y confiable. Las aplicaciones pasan a formar parte de la gestión y el seguimiento de la seguridad, ya que contribuyen a la limpieza, preparación y análisis de diversos conjuntos de datos complejos y heterogéneos de forma eficaz. De hecho, uno de los usos más comunes del análisis de Big Data es la detección de fraudes, por lo que las instituciones financieras, los gobiernos y las compañías telefónicas utilizan dicas tecnologías para eliminar el riesgo y mejorar su eficacia. Además, se aplica ampliamente en la cadena de suministros y las operaciones de logística, y desempeña un papel importante en el desarrollo de estrategias en cadenas de suministros. También puede respaldar la toma de decisiones mediante la comprensión de los cambios en las condiciones de marketing, la identificación de los riesgos de la cadena de suministro y la explotación de las capacidades de la cadena de suministro para modelar estrategias innovadoras de la cadena de suministro, mejorando así la flexibilidad y rentabilidad de la cadena de suministro. Por tanto, mejora la eficiencia de las operaciones, mide su rendimiento, reduce la alteración de los procesos y contribuye a la implementación de las mejores estrategias de la cadena de suministro a nivel operativo. Sin embargo, dichas aplicaciones también se enfrentan a límites y desafíos.

La literatura sobre el Big Data, tanto académica como profesional, tiene un fuerte enfoque en las oportunidades asociadas a éste. Sin embargo, se ha prestado mucha menos atención a las amenazas que surgen de reutilizar datos, consolidar datos de múltiples fuentes, aplicar herramientas analíticas a las colecciones resultantes, extraer inferencias y actuar sobre ellas. Asimismo, los principales desafíos en la adopción de análisis de Big Data por parte de las empresas son más administrativos y culturales que los asociados con los datos y la tecnología, mientras que las principales barreras son la falta de comprensión de cómo utilizar el análisis de Big Data para mejorar los negocios y la falta de espectro de gestión de las prioridades de la competencia.

El primer desafío es la propia utilización de nuevas tecnologías. Muchas empresas que conciben el poder de los datos han desarrollado habilidades tecnológicas en inteligencia empresarial y / o almacenamiento de datos, pero las tecnologías de análisis del Big Data son diferentes y nuevas. Por lo tanto, las empresas deben utilizar técnicas y tecnologías disponibles. Si no, por ejemplo, surgirán problemas cuando el software de la base de datos no admita opciones de análisis de Big Data. Otro gran desafío es la gestión de la privacidad de los datos porque mucha gente considera que la recopilación de datos es profundamente sospechosa y una invasión a su privacidad. En esa dirección, las políticas de datos, incluidas las cuestiones de privacidad, seguridad, propiedad intelectual y responsabilidad, deben abordarse para aprovechar el valor de los macrodatos y no violar la privacidad personal de los clientes, pero también un buen marketing para tranquilizar a la población. El tercer desafío importante para adoptar un enfoque basado en datos es que éste forme parte de la cultura empresarial. La base para obtener una cultura basada en datos son las capacidades para condensar, analizar y distribuir rápidamente información comercial crucial a los que toman decisiones. En ese contexto, las empresas deben adoptar la toma de decisiones basada en datos en todos los temas y dejar de actuar únicamente por corazonadas e instintos.

En cuarto lugar, y derivado de lo anterior, está el propio procedimiento de toma de decisiones. En empresas eficientes, los tomadores de decisiones y el conocimiento derivado de la explotación de datos están en el mismo lugar. Por lo tanto, es necesario que los responsables de la toma de decisiones tengan habilidades para la resolución de problemas y la capacidad de proporcionar respuestas a los problemas con los datos correctos o la cooperación de diferentes personas en la resolución de problemas mediante el aprovechamiento del Big Data. Esto está asociado también a un quinto desafío, el de la calidad de la toma de decisiones, un factor importante para aprovechar las posibilidades que ofrece el análisis del Big Data. La precisión de las fuentes del Big Data es importante para proporcionar un alto valor en la toma de decisiones que eliminan las acciones incorrectas, mientras que las capacidades de análisis están relacionadas con la utilización de las técnicas y herramientas adecuadas de especialistas con conocimientos en dicho análisis lo que nos lleva al sexto desafío, el de la gestión de talento personal especialista en la toma de decisiones. Las habilidades específicas de este capital humano incluyen estadísticas, minería de Big Data, herramientas de visualización, mentalidad orientada a los negocios y aprendizaje automático. Sin embargo, estas personas (científicos de datos, analistas de datos, etc.) son extremadamente difíciles de encontrar y, por lo tanto, la demanda es alta por lo que es un desafío encontrar científicos de datos con habilidades tanto en análisis como en dominio de tales conocimientos además de ser gestionadas por líderes naturales, lo que nos lleva al último desafío. A pesar de su enfoque tecnológico, el poder de los macrodatos no se puede explotar sin visión o perspicacia humana. Por lo tanto, el liderazgo de las empresas con visión y capacidad de revelar las tendencias y oportunidades futuras, deberá tener la capacidad de actuar de manera innovadora, motivar a sus equipos a trabajar de manera eficiente para lograr sus objetivos. De lo contrario, fracasarán.

Referencias:

• Grover, V., Chiang, R. H. L., Liang, T., & ZHANG, D. (2018). Creating Strategic Business Value from Big Data Analytics: a research Framework. Journal of Management Information Systems, v. 35, n. 2, p. 388–423.
• Kelly, S., & Noonan, C. (2017). The doing of Datafication (and What this Doing Does). Journal of the Association for Information Systems, v. 18, n.12, p. 872–899.
• Manyika, J., Chui, M., Brown, B., et al. (2011). Big Data The Next Frontier for Innovation, Competition, and Productivity. McKinsey Global Institute.
• McAfee, A., Brynjolfsson, E. (2012). Big data: the management revolution. Harv. Bus. Rev. 90(10) 60–66, 68, 128.
• Menon, S.; Sarkar, S. (2016). Privacy and Big Data: Scalable Approaches to Sanitize Large Transactional Databases for Sharing. MIS Quarterly, v. 40, n. 4), p. 963-981.
• Newell, S., & Marabelli, M. (2015). Strategic Opportunities (and Challenges) of Algorithmic Decision-Making: A Call for Action on the Long-Term Societal Effects of ‘Datification’. Journal of Strategic Information Systems, v. 24, n. 1, p. 3–14.
• Sivarajah, U., Kamal, M.M., Irani, Z., Weerakkody, V. (2017). Critical analysis of big data challenges and analytical methods. J. Bus. Res. 70, 263–286.
• Vassakis, K., Petrakis, E., & Kopanakis, I. (2017). Big Data Analytics: Applications, Prospects and Challenges. Lecture Notes on Data Engineering and Communications Technologies, 3–20.
• Waller, M.A., & Fawcett, S.E. (2013). Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management. J. Bus. Logist. 34(2), 77–84.
• Wiener, M., Saunders, C., & Marabelli, M. (2020). Big-data business models: A critical literature review and multiperspective research framework. Journal of Information Technology, 35(1), 66–91.

Canciones recomendadas: