- Muchas empresas cuentan con enormes cantidades de datos que no saben cómo explotar. Para tomar decisiones informadas requieren de datos de calidad y transformados en base a una necesidad real.
Las organizaciones producen (y tienen) mucha más información de la que realmente pueden procesar y almacenar. En base a éste surge el de good data, que se refiere a tomar los inmensos volúmenes de datos para analizarlos, filtrarlos y aplicarles transformaciones para llegar a datos de calidad, que permitan tomar buenas decisiones de negocio. Como ilustración de esta situación, un sondeo realizado entre compañías líderes de todo el mundo reveló que el 97% está invirtiendo en iniciativas de datos, aunque sólo el 40% está administrando datos como un activo de negocios para sus empresas.
En este sentido, uno de los problemas que tienen hoy las empresas es que no saben cómo almacenar su big data ya que no suelen tener conocimiento sobre los servicios que se ofrecen en la nube. Además, hay desconocimiento acerca de cómo convertir esos datos en un activo útil para el negocio.
Juan Martín Beines Furcada, Pre Sales Engineer – Cloud Services en BGH Tech Partner explica que esta situación ocurre porque dentro las organizaciones no priorizan sus necesidades reales y no identifican el problema. “Si en lugar de recopilar millones de datos porque sí, primero se ocuparan de determinar qué dato necesitan para su negocio, y a partir de ahí analizan cómo llegar a él, podrían ir registrando los diferentes orígenes de datos que formarán la métrica que requieren; y luego podrían determinar que transformaciones hacen falta para llegar a ella, para finalmente ejecutarla y obtenerla”.
Para convertir big data en good data primero hay que garantizar que toda la información requerida, de todos los orígenes y fuentes de datos, sea almacenada de una forma segura y altamente disponible. Por lo común esto hoy se hace en un lago de datos, que facilita la centralización de estos últimos. Luego hay que limpiar esa información y ver qué datos sirven, cuáles no, dejar solo los primeros, organizarlos y darles tanto un orden lógico como una jerarquía para armar una especie de modelo de datos. Por último hay llegar al nivel más ínfimo de esa métrica, para lo cual hay que aplicarle diferentes filtros y aperturas. “Por ejemplo, si la métrica final que se busca es `cuantos autos se vendieron en el último mes´, ese dato se debería poder filtrar por sucursal y por vendedor, para darle mayor profundidad”, explica el ejecutivo de BGH Tech Partner.
