Una arquitectura de datos moderna ayuda a las empresas a ser competitivas en la nueva economía. Los datos precisos hace tiempo que son un componente importante en el planeamiento y gestión de los presupuestos. Pero, en la actualidad el planeamiento estratégico ya no es un ritual que se realiza una vez al año con cuadros y documentos impresos que se reparten.

Las analytics hoy en día deben ser:

1. En tiempo real, considerando una única verdad de toda la empresa.
2. Fácilmente usable en formato fácil de leer.
3. On-demand y amigable para los usuarios.
4. Unificada y totalmente integrada con los sistemas empresariales.
5. Basada en la nube para un almacenamiento eficiente.
6. Precisa y confiable, con definiciones claras y con lógica bien documentada.

Estas cualidades son esenciales para desarrollar una cultura empresarial equipada para reaccionar con gran velocidad y proactivamente ocuparse de los temas cambiantes.

Las empresas pueden aprovechar analytics que son sumamente flexibles y que apoyan a los procesos importantes, para una rápida toma de decisiones, en distintos niveles de la organización. Esto ayuda a crear resiliencia, lo que significa la necesidad de ser rápidos, tomas decisiones enseguida y luego volver a la normalidad en forma ágil y segura.

Las organizaciones tienen que estar preparadas para el futuro. Esto significa contar con la capacidad de ser elásticos y luego volver la normalidad en una mejor posición de la que estaban antes de los cambios.

Existen tres retos comunes que normalmente atoran a las empresas con arquitectura de datos desactualizadas:

1. Múltiples fuentes de datos: esto causa la incapacidad de gestionar todas las fuentes de datos involucradas en brindar analytics. La mayoría de las plataformas de datos han evolucionado y no siempre están preparadas para gestionar fuentes de información más modernas como datos máquina a máquina (M2M). Las infraestructuras antiguas también fuerzan a las empresas a calzar cantidad de datos dentro de estructuras predefinidas. Esto es un limitante.
2. Alto costo al escalar: incapacidad de escalar en forma rápida, junto con los altos costos de mantenimiento. Para la mayoría de las soluciones ya existentes, la empresa paga la capacidad, aunque no se use. Recortar la capacidad, es un riesgo alto y puede hacer que la empresa no esté preparada. Poder escalar cuando surge una necesidad puede tomar semanas o meses para provisionar el hardware y software necesarios. En ese tiempo se puede perder la oportunidad con un competidor más ágil.
3. Cuellos de botellas en los reportes: incapacidad de ver nuevos datos rápidamente. Debido a tecnología vieja, los flujos de trabajo lentos y la necesidad de contar con recursos de TI altamente especializados, crear nuevos reportes puede ser trabajoso. Esto puede tomar tiempo para lograr incorporar nuevas fuentes de datos. Sin las herramientas para crear los reportes, los usuarios pueden esperar semanas en cola para que los recursos de TI estén disponibles. Los cuellos de botellas en la investigación demoran la innovación y las decisiones.

¿Cómo llegamos hasta aquí?

La lentitud de la estructura analítica no es intencional sino producto de la evolución. Para muchas empresas, el objetivo original era crear un repositorio para toda la información necesaria para la toma de decisiones en categorías críticas. Pero, los procesos y herramientas estaban frecuentemente aferrados, creando una estructura peligrosa de múltiples herramientas, extractos múltiples, almacenes de datos múltiples y de múltiples equipos trabajando en distintos silos de datos.

Los proyectos frecuentemente se estancaban en la medida que se discutía quien cuenta con los datos correctos. Se necesitan largo tiempos para contar con los datos relevantes, por lo que la toma de decisiones era lenta.

La adopción de los usuarios era un reto. Como las herramientas estaban diseñadas para desarrolladores y científicos de datos, los usuarios tenían que tener conocimientos profundos para generar los nuevos reportes. El equipo de IT se transformó en un cuello de botella. Además, algunas de las primeras soluciones no estaban diseñadas para necesidades dinámicas, lo que también frustraba a los usuarios.

A continuación, algunos lineamientos para ayudar a distinguir una solución moderna de una antigua, que limita la agilidad:

1. Orientado a resultados. Una arquitectura moderna de datos está centrada en el negocio, no en la TI. Está centrada en las necesidades del negocio y cómo lograr mayores éxitos.
2. Automatizada.Una arquitectura moderna de datos aprovecha la automatización. Busca aumentar y automatizar las tareas manuales para garantizar que los procesos sean sólidos.
3. Flexible y elástica. Un sistema moderno debe ser lo suficientemente flexible para ocuparse de los distintos casos que pueden surgir. Es elástica, aprovechando el poder de la nube brindando escalabilidad instantánea, on-demand, que asegura que siempre hay capacidad disponible.
4. Adaptable. Debe poder adaptarse a las necesidades cambiantes del negocio y a distintas realidades de la empresa. Al contar con una semántica actualizable, la empresa puede agregar definiciones y parámetros en la medida que se expanden las necesidades de la empresa..
5. Inteligente. Las soluciones actuales deben aprovechar el poder de la inteligencia artificial (IA) y del machine learning (ML) para operar los datos automatizados..
6. Seguro. Deben ser seguras, garantizando los cumplimientos de la información en toda la cadena de suministro. Los sistemas no solo deben protegerse de infiltraciones externas, sino controlar también los accesos internos. Los usuarios solo deben poder acceder y usar la información que es adecuada para sus roles.
7. Colaborativa. Debe ser colaborativa, permitiendo compartir información dentro de la empresa, entre los distintos departamentos y fuera de la empresa, garantizando que todos trabajen considerando los mismos datos.

Noticias Relacionadas

Las historias de Instagram son una mejor alternativa para el retail que Snapchat2 min read ¿Cómo funciona la optimización de la gestión de activos por medio del IoT y el machine learning?5 min read El IoT deja su incómoda adolescencia, y el mundo nunca será el mismo2 min read Aeropuertos: el desafío de un mantenimiento eficiente tras la pandemia2 min read