Analítica para la transformación empresarial

Perspectiva de los casos de uso de las soluciones de analítica así como consejos para las empresas
que quieren aprovechar el poder del análisis para transformar sus organizaciones.

ANÁLISIS PREDICTIVO ANALÍTICA CONSEJOS PARA APROVECHE

MEJORA LAS ACCIONES TRANSFORMACIONAL SIMPLIFICAR ANALÍTICA EL APRENDIZAJE
EMPRESARIALES REQUIERE EQUIPOS DE BIG DATA AUTOMÁTICO PARA
CON EXPERIENCIA IMPULSAR EL NEGOCIO
RECURSOS
Análisis predictivo mejora las acciones empresariales
INICIO Desde la recomendación de compras adi-
cionales basadas en los artículos que los clientes
RECURSOS
colocan en los carros de compras en línea hasta
TALENTO identificar a los pacientes hospitalarios que tie-
CONSEJOS
nen un mayor riesgo de re-admisión, el uso de
herramientas y técnicas de análisis predictivo está
ANÁLISIS AI
permitiendo a las organizaciones aprovechar sus
colecciones de datos para predecir los resultados
futuros –si el proceso se gestiona correctamente.
La analítica predictiva se ha convertido en un
tema cada vez más candente en los círculos analí-
ticos a medida que más personas se dan cuenta de
que el modelado predictivo del comportamiento
del cliente y los escenarios empresariales son “la
gran manera de sacar gran provecho de los datos”,
dijo Mike Gualtieri, analista de Forrester Research.
Como resultado, los empleos analíticos predicti-
vos están ganando impulso, de acuerdo con Gual-
tieri, quien dijo que entre 2012 y 2015 se vio un
aumento en los niveles de adopción, de alrededor
2 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
de 20% en 2012 a “el rango medio-alto-30%” en
2015.
Esto es aun relativamente bajo, lo que genera
beneficios comerciales aún mayores para las orga-
nizaciones que han invertido en software de análi-
sis predictivo. Si los competidores de una empresa
no están haciendo análisis predictivo, la empresa
tiene “una gran oportunidad para adelantarse”, dijo
Gualtieri.
Los proyectos de análisis predictivo también
pueden proporcionar esos beneficios a través de
diversas industrias, dijo Eric King, presidente y
fundador de The Modeling Agency LLC, una firma
de consultoría de análisis y servicios de formación
con sede en Pittsburgh. “Todo el mundo está abru-
mado por los datos y se muere de hambre por la
información”, señaló King.
Pero eso no significa que sea solo una cuestión
de implementar tecnología y permitir que los
equipos analíticos jueguen con los datos. Cuando
RECURSOS
la analítica predictiva se hace bien, los benefi-
cios empresariales pueden ser sustanciales, pero
hay “algunas trampas principalmente estratégi-
cas” a las que hay que prestar atención, dijo King.
“Muchas compañías están usando la analítica para
INICIO hacer análisis, y no están buscando análisis que
sean mensurables, decididos, responsables y com-
RECURSOS
prensibles por el liderazgo”.
TALENTO
CONSEJOS
LOS CIENTÍFICOS DE DATOS NO LO SABEN TODO
ANÁLISIS AI
Un error común es poner demasiado énfasis en
el papel de los científicos de datos. “Las empre-
sas piensan que los científicos de los datos tienen
que entender el negocio”, dijo Gualtieri. Con eso
en mente, terminan buscando analistas de datos
experimentados que tengan todas las habilidades
técnicas necesarias y también entiendan sus prác-
ticas de negocio, una combinación que –advirtió–
puede ser casi imposible de encontrar. “Es por eso
que dicen: ‘Un científico de datos es un unicornio’.
Pero no tiene que funcionar de esa manera.”
En cambio, recomendó, los gerentes de negocios
deben ser los que caminen a través de las opera-
ciones de gestión de la experiencia del cliente u
3 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
otros procesos de negocio e identifiquen los tipos
de comportamientos y tendencias que les gustaría
predecir, “entonces pueden ir con los científicos de
datos y preguntar si pueden predecirlas.”
King estuvo de acuerdo en que las organizacio-
nes a menudo dan a los científicos de datos dema-
siada responsabilidad y margen de maniobra en las
aplicaciones analíticas.
“Realmente no son líderes analíticos en muchos
casos”, dijo, y agregó que los científicos de datos a
menudo no son muy eficaces para entrevistar a las
personas de la parte comercial acerca de sus nece-
sidades, o para definir planes de proyectos analí-
ticos. Reforzando a Gualtieri, King dijo que una
variedad de otras personas, ya sean del negocio o
las TI, también deben desempeñar papeles en las
iniciativas de análisis predictivo. “Cuando se tiene
el equilibrio correcto con su equipo, usted tendrá
un proceso de análisis deliberado y fructífero.”
PLANIFIQUE CON ANTICIPACIÓN
EL ANÁLISIS PREDICTIVO
Las empresas que también buscan aprovechar
las herramientas de análisis predictivo no deben
RECURSOS
simplemente saltar a los proyectos sin un plan.
“No puedes acercarte a la analítica predictiva
como se hace con muchos otros proyectos de TI”,
dijo King. Es importante, aconsejó, pensar estra-
tégicamente sobre una implementación inicial,
INICIO trazando un proceso formal que comienza con una
evaluación integral de las necesidades analíticas
RECURSOS
y de los recursos y habilidades internas. “Ahí es
TALENTO donde estamos viendo no sólo una mayor adop-
CONSEJOS
ción de análisis predictivo, sino resultados mucho
mayores”, dijo.
ANÁLISIS AI
Además, las empresas necesitan entender los
datos que tienen a su disposición y hacer que sean
fácilmente accesibles para el análisis, lo cual no
es “una tarea pequeña”, según Gualtieri. Sin una
estrategia eficaz de gestión de datos, los esfuerzos
de análisis pueden llegar a detenerse: “Los cien-
tíficos de datos informan constantemente que un
gran porcentaje de su tiempo se gasta en la etapa
de preparación de datos”, dijo. “Si no pueden reunir
esos datos en forma efectiva o se necesita dema-
siado tiempo, se pierde la oportunidad”.
Otro error que algunas empresas cometen es
recurrir a trabajadores sin experiencia para hacer el
trabajo, dijo Karl Rexer, presidente de la consultora
4 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
Rexer Analytics en Winchester, Massachusetts.
“El análisis predictivo requiere conocimientos
de estadísticas, tamaños de muestra, regresión y
otros tipos de herramientas y técnicas de análisis
que no se encuentran comúnmente con el per-
sonal actual que tienen las empresas”, dijo. Si la
contratación de trabajadores con experiencia no
es una opción, sugirió la tercerización de progra-
mas piloto iniciales a expertos externos que pue-
den ayudar a producir algunos éxitos tempranos,
mientras que también trabajan para transferir las
habilidades necesarias a los empleados existentes.
Una vez que ya se cuenta con estas habilida-
des y los proyectos están en marcha, dijo Rexer,
una clave para obtener buenos resultados de las
técnicas de análisis predictivo se centra en una
iniciativa empresarial a la vez –por ejemplo, la
retención de clientes o conseguir que los compra-
dores en línea agreguen más artículos a sus carros.
En algunos casos, las compañías piensan que “pue-
den tomar todos los datos, lanzarlos en [modelos
predictivos] y como por arte de magia saldrán las
conclusiones”, dijo. “La analítica predictiva puede
ser muy útil, pero no es mágica. Tiene que estar
bien enfocada”. —Corlyn Voorhees
TALENTO
Analítica transformacional
requiere equipos con experiencia
INICIO Muchas empresas de éxito, grandes y
pequeñas, están ejecutando proyectos e inicia-
RECURSOS
tivas de análisis de datos. Estos proyectos pue-
TALENTO den y entregan enormes impactos en el balance
CONSEJOS
final. Pero también tienen un mal hábito de tomar
tanto tiempo que los patrocinadores corporati-
ANÁLISIS AI
vos pierden interés o pasan a nuevos proyectos.
Si los proyectos de analítica van a tener éxito –y
los equipos van a asegurar fondos para seguir
haciéndolos– necesitan cumplir sus promesas
rápidamente.
Una razón por la que muchos no cumplen es una
falta de apreciación de la cartera de habilidades
y nivel de experiencia requeridos para diferentes
proyectos. Gran parte de esto se deriva del uso del
término “analítica” para referirse a todo, desde el
simple análisis de números, hasta matemáticas
y programación increíblemente sofisticadas con
base en datos diversos, no estructurados. Dife-
rentes proyectos requieren muchos conjuntos de
5 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
habilidades diferentes, y sin embargo el ‘análisis
de datos’ a menudo se agrupa bajo un mismo para-
guas. El resultado es que gente que comprende una
aproximación hacia los datos termina en proyectos
que requieren un enfoque completamente dife-
rente, y terminan tomando demasiado tiempo para
ponerlo en marcha.
Identificar a las personas adecuadas es real-
mente difícil. El aumento visible de la analítica y
la ciencia de datos ha dado lugar a una gran can-
tidad de nuevas ofertas de entrenamiento, desde
cursos cortos hasta grados completos de ciencia de
datos. Junto con esta nueva ola de profesionales de
los datos, una gama cada vez mayor de herramien-
tas de autoservicio están apareciendo, todas ellas
diseñadas para proporcionar análisis de fácil uso y
visualización de conjuntos de datos.
Muchos de estos cursos y herramientas son
excelentes, y traen un buen valor a una amplia
gama de problemas. Para las necesidades
TALENTO
claramente definidas, tales como la rotación de
clientes o el análisis del comercio al por menor,
una plataforma bien diseñada a menudo puede
resolver su problema con rapidez y eficacia.
Pero estos avances también conducen a una falsa
INICIO sensación de que el análisis de datos puede ser de
consumo general. Algunos pueden, hasta cierto
RECURSOS
punto. Pero la analítica más valiosa a menudo trata
TALENTO de hacer frente a proyectos de transformación de
negocio en diversas y completamente nuevas áreas
CONSEJOS
de la empresa.
ANÁLISIS AI
Estos proyectos de alto valor a menudo nece-
sitan personas con habilidades estadísticas y de
datos de alto nivel para tener éxito. Pero, aún más
importante, es la experiencia aguerrida de “haber
estado allí, haber resuelto eso” de aplicar la analí-
tica a los problemas difíciles del mundo real. Ellos
necesitan personas que están familiarizadas con
la forma en que una amplia gama de modelos y
herramientas de análisis pueden o no funcionar en
el mundo real, que puedan identificar cuál aplicar a
cuál problema, y que ​​puedan refinar y refactorizar
esos modelos hasta los grados de precisión reque-
ridos por el desafío a la mano.
Este tipo de proyectos también requieren que
6 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
los datos se entiendan en su contexto. Los datos
no son solo una cadena de números, representan
algo: una máquina o un motor o un avión, o una
persona. Alguien con experiencia en perforación
de pozos petroleros, por ejemplo, será capaz de
Diferentes proyectos requieren
distintas habilidades, pero el análisis
de datos se agrupa bajo un mismo
paraguas. Es difícil identificar a
las personas adecuadas.
detectar si un cambio en un flujo de datos es indi-
cativo de un problema, o una parte normal de las
operaciones de perforación. Alguien capacitado
únicamente en datos, solo sabrá que ha surgido un
nuevo patrón, no lo que eso significa.
Eso no es para denigrar al personal recién capa-
citado o a las herramientas de autoservicio; ambos
pueden jugar un papel en proyectos complejos. Los
graduados entusiastas deben ser apoyados para
obtener esta experiencia. Sin embargo, las orga-
nizaciones deben reconocer que estas habilidades
son complicadas y toman tiempo para adquirir y
TALENTO
madurar; mucho más tiempo que la duración de un
solo proyecto.
Una empresa no debe caer en la trampa de pen-
sar que los datos son nuevos y, por lo tanto, deben
ser manejados o manipulados por una nueva gene-
INICIO ración de analistas. Los proyectos de análisis de
datos deben ser reconocidos por lo que son, y se
RECURSOS
debe aplicar a ellos un nivel adecuado de experien-
TALENTO cia. Si el objetivo es la transformación del negocio,
CONSEJOS
ANÁLISIS AI
7 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
ellos necesitan personas con experiencia probada
en la entrega de proyectos de datos de transforma-
ción de negocio.
Comprender lo que su proyecto realmente im-
plica y dotarlo de recursos con el nivel adecuado 
de experiencia es fundamental para su éxito. Equi-
vóquese, y el proyecto puede sufrir salidas en falso,
tomar más tiempo y tal vez nunca entregar su
modelo de negocio en absoluto. —Brian McKenna
CONSEJOS
Consejos para simplificar analítica de big data
INICIO Incluso con la amplia gama de herramien-
tas avanzadas de análisis ahora disponibles para
RECURSOS
su uso, los equipos de analítica todavía enfrentan
TALENTO muchos retos en el desarrollo de aplicaciones de
CONSEJOS
big data y en obtener información útil de ellas.
Para los principiantes, la construcción de mode-
ANÁLISIS AI
los predictivos y aplicaciones de aprendizaje
automático es una tarea difícil y demorada que
normalmente implica probar un gran número de
variables de datos y algoritmos antes de encon-
trar una combinación que produzca los resultados
analíticos deseados. El grado de dificultad aumenta
a medida que el proceso de análisis de big data
se vuelve más complejo, como en las iniciativas
de aprendizaje profundo e inteligencia artificial,
señaló Andy Feng, vicepresidente a cargo de la
arquitectura de big data y aprendizaje automático
de Yahoo.
“El ciclo de innovación es demasiado largo”, dijo
Feng. “Necesita probar muchas cosas diferentes,
8 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
y ese proceso puede ser complicado”. Con sede en
Sunnyvale, California, Yahoo ejecuta más de 300
aplicaciones, incluyendo un creciente conjunto
de programas de aprendizaje automático, en un
entorno de big data de 40 clústeres que se basa en
Hadoop y otras tecnologías asociadas con el marco
de procesamiento distribuido de código abierto.
El fabricante de productos farmacéuticos y pro-
veedor de servicios de salud Merck & Co. Inc. es
otro gran usuario de aprendizaje automático. Por
ejemplo, una aplicación analiza grandes cantida-
des de datos diversosrecogidos de monitores de
presión arterial y otros dispositivos portátiles
como parte de los programas de gestión de salud.
La plataforma de aprendizaje automático de Merck
“está haciendo realmente todo el trabajo pesado”
en el secuenciamiento y análisis de los datos, dijo
Murali Kaundinya, director de ingeniería de inno-
vación de la empresa de Kenilworth, N.J.
Sin embargo, para que el uso de la plataforma sea
CONSEJOS
menos desalentador para los analistas de datos,
el equipo de ingeniería construyó una capa de abs-
tracción que les oculta la complejidad técnica del
proceso de desarrollo de algoritmos. “Hay muchas
opciones; realmente quiere que alguien cure las
INICIO librerías de aprendizaje automático y las convierta
en una plataforma o un servicio”, dijo Kaundinya
RECURSOS
en la Cumbre de Hadoop 2016 en San José, Cali-
TALENTO fornia. “La idea es simplificarlo para que [los ana-
listas] puedan hacer su trabajo mucho más rápido”.
CONSEJOS
ANÁLISIS AI
LA SEMÁNTICA COMPARTIDA
FACILITA LOS ESFUERZOS DE ANÁLISIS
Macy’s Inc. ha emprendido un camino simi-
lar, creando una capa de datos semántica virtual en
la parte superior de su almacén de datos Hadoop.
Eso da a los equipos de inteligencia de negocios
y analítica del minorista de Cincinnati un marco
común para usar en el desarrollo de consultas,
reportes y modelos predictivos con controles de
calidad, consistencia y revisiones de gobierno
incorporados de antemano, dijo Seetha Chakra-
pany, director de análisis de marketing y gestión
de relaciones con clientes (CRM) en Macy’s.
9 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
Antes de que se estableciera la capa semántica,
el proceso de análisis de big data se estaba empan-
tanando en la ingeniería de datos y el trabajo
de preparación, sobre todo porque los analistas
comenzaron a ejecutar consultas más complejas,
dijo Chakrapany. Además, era difícil para los ana-
listas colaborar en proyectos.
Construir modelos predictivos
y aplicaciones de aprendizaje
automático implica probar variables
de datos y algoritmos antes de
encontrar la combinación que
produzca los resultados deseados.
Durante una sesión de la Cumbre de Hadoop,
Chakrapany señaló la inmadurez relativa de
Hadoop y muchas de las tecnologías de gestión de
datos y analítica de código abierto que lo rodean
como otro problema que puede obstaculizar las
aplicaciones de análisis de big data.
“Muchas de estas herramientas todavía no están
completamente maduras”, advirtió. “Tienes que
aceptar el hecho de que hay casos en los que las
CONSEJOS
cosas no van a ser fluidas”. Chakrapany agregó, sin
embargo, que el nivel de inestabilidad técnica que
Macy’s ha experimentado desde entonces no es un
espectáculo “si tienes una mente abierta y sabes
que este [proceso] es para el bien” en general.
INICIO
RECURSOS
VENDEN PARA MEJORAR EL ACCESO A LOS DATOS
TALENTO En eBay Inc., averiguar cómo hacer que los resulta-
CONSEJOS
dos de las aplicaciones analíticas estén disponibles
para los ejecutivos corporativos y otros usuarios
ANÁLISIS AI
empresariales de una manera fácilmente accesible
fue un esfuerzo de seis años, involucrando una
sucesión de pasos que no encajaban completa-
mente con la factura.
La empresa de subastas en línea genera 50 TB
de datos nuevos para su análisis diariamente, pro-
cesándolo en una combinación de tres sistemas
de back-end: un clúster Hadoop, un almacén de
datos Teradata y un almacén personalizado desa-
rrollado conjuntamente con Teradata. Para analí-
tica, eBay utiliza SAS, R, MicroStrategy, Tableau y
otras herramientas. Más de 300 analistas de datos
y 5.000 usuarios de negocios tienen acceso al
entorno, dijo Alex Liang, director de programas de
10 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
datos, productos, arquitectura y estrategia de eBay,
con sede en San José.
A lo largo de los años, esas personas han creado
mucha información analítica, incluyendo más de
10.000 informes en Tableau y 5.000 en Micro-
Strategy. El número de tablas de base de datos que
contienen conjuntos de datos de usuario también
ha superado la marca de 10.000. Con tantos datos
entre los cuales los usuarios deben sondear, en
diferentes lugares, “era casi imposible encontrar
las métricas adecuadas en un informe” para res-
ponder una pregunta de negocio específica, dijo
Liang.
Para tratar de remediar eso, eBay primero creó
un wiki en 2009, con el objetivo de fomentar una
mayor colaboración interna en la analítica. Siguió
que, con un hub de datos modelado en elemen-
tos de Pinterest y Facebook, luego intentó otras
tachuelas, incluyendo un moderado foro de discu-
sión analítica. Sin embargo, la plataforma de ana-
lítica seguía siendo inconexa y difícil de navegar
para los usuarios, de acuerdo con Liang.
Por último, en 2014, eBay desplegó una nueva
aplicación de concentrador basada en el software
de descubrimiento de datos de autoservicio,
CONSEJOS
búsqueda y colaboración de Alation Inc., con
capacidades de gobierno de datos incorporadas
para ayudar a los usuarios a encontrar informa-
ción y garantizar su fiabilidad. Liang dijo que el
cambio reemplazó a un modelo similar a IKEA de
INICIO ensamble de datos tipo hágalo usted mismo, con
un enfoque de autoservicio gobernado que es
RECURSOS
más fácil de usar y más eficaz. Ahora, agregó, el
TALENTO mensaje a los usuarios es sencillo: “Vaya a usar
CONSEJOS
analítica”.
Esa es la misma clase de mentalidad que Macy’s
ANÁLISIS AI
11 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
está tratando de fomentar internamente a través
de sus inversiones en tecnologías de administra-
ción de big data y analítica. Con las herramientas
adecuadas vinculadas a Hadoop y a las plataformas
de procesamiento de datos relacionadas, el proceso
de análisis de big data puede ser un gran contribu-
yente para mejorar la toma de decisiones empresa-
riales en una organización, dijo Chakrapany. “Usted
no quiere ver a Hadoop solo como una solución
de almacenamiento barato. Su valor es mucho más
alto que eso.” —Craig Stedman
ANÁLISIS AI
Aproveche el aprendizaje automático
para impulsar el negocio
INICIO Las tecnologías que apoyan el aprendizaje
de máquinas, o aprendizaje automático, y otros
RECURSOS
tipos de aplicaciones de inteligencia artificial (AI)
TALENTO están evolucionando y ganando más y más usua-
CONSEJOS
rios, pero muchas empresas apenas han comen-
zado a rascar la superficie de posibles casos de uso
ANÁLISIS AI
de aprendizaje automatizado.
Especialmente cuando se trabaja con grandes
volúmenes de datos, el aprendizaje automático
y las herramientas de inteligencia artificial pue-
den ayudar a los equipos analíticos a descubrir
información valiosa que contiene la clave para
desbloquear nuevos beneficios empresariales para
empresas en una variedad de mercados.
Por ejemplo, BT Group Plc está tratando de uti-
lizar el software de AI al ejecutarlo contra un lago
de datos Hadoop para orientar mejor los anuncios
y ofertas especiales a los usuarios de su red móvil
y de los servicios de televisión en tiempo real,
a través de la toma automatizada de decisiones.
12 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
“Queremos tratar de ser mejores al promover
cosas a los clientes”, dijo Jason Perkins, jefe de la
visión de negocios y la arquitectura analítica de
BT, con sede en Londres.
Más allá de la mercadotecnia personalizada,
otros casos comunes de uso de aprendizaje de
máquinas incluyen la detección de amenazas de
seguridad en la red y los esfuerzos predictivos
de mantenimiento de equipos alimentados por
datos recopilados a través de internet de las cosas
(IoT). En una vena más extravagante, los proyectos
recientes han implicado el uso de la inteligencia
artificial en los esfuerzos creativos, incluyendo la
escritura de canciones y el diseño de moda –ini-
ciativas que destacan la flexibilidad y el poder de
procesamiento general de la tecnología de aprendi-
zaje automático.
Esa versatilidad crea una abundancia de opor-
tunidades para adoptar la tecnología en diversos
tipos de organizaciones. Aunque no todos los
ANÁLISIS AI
proyectos de AI son exitosos, encontrar las opor-
tunidades para implementaciones de aprendizaje
automático que vayan según lo planeado puede ser
una experiencia de transformación para las empre-
sas desde el punto de vista del negocio.
INICIO
Cuando se trabaja con big
RECURSOS
data, el aprendizaje automático
TALENTO
y las herramientas de inteligencia
CONSEJOS
artificial pueden ayudar a los
ANÁLISIS AI equipos analíticos a descubrir
información valiosa.
Para catalogar algunas de las formas en que las
empresas están utilizando el aprendizaje automá-
tico, les preguntamos a los asistentes del Spark
Summit East 2017 en Boston y de la Cumbre de
Liderazgo de TDWI en Las Vegas sobre el papel
primordial que ven para el aprendizaje automati-
zado, y para AI en general, en sus organizaciones.
Sus respuestas, presentadas textualmente a con-
tinuación, demuestran los variados casos de uso
de aprendizaje de máquina que las empresas están
adoptando cada vez más.
13 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
Alfred Essa, vicepresidente de investigación y cien-
cia de datos de la editorial McGraw-Hill Education:
“Piense en dónde tiene un libro de texto digital;
estamos comprendiendo cómo lo está leyendo y
proporcionándole retroalimentación. En lugar de
resaltar el texto, ponemos de relieve las cosas a las
que hay que prestar atención”.
Saket Mengle, principal responsable de datos
del proveedor de servicios de análisis de marketing
DataXu: “Las personas que gestionan las campañas
publicitarias tienen muchas opciones para orde-
narlas. Podemos mostrarles cómo la inteligencia
artificial puede asignar sus presupuestos de una
manera más matemática”.
Anu Miller, científico de datos sénior del proveedor de
tecnología de redes Cisco: “Vemos muchos casos de
uso desde el punto de vista de IoT y el cuidado del
cliente. Con el tiempo, proyectamos que habrá una
mayor necesidad de [tales capacidades], por lo que
estamos tratando de adelantarnos a la curva”.
Ben Okudolo, director de TI de la agencia guber-
namental canadiense Export Development Canada:
ANÁLISIS AI

“Todavía tenemos que freír algunos peces antes de
llegar a ese punto. Estamos en las primeras etapas
de construir nuestra gran plataforma de datos”.
Korin Reid, científico sénior de datos en el proveedor
INICIO de software y servicios médicos Change Healthcare:
“Hay mucho que podemos hacer en términos de
reducir la incertidumbre del ciclo de ingresos, y
mucha oportunidad en términos de salud de la
población. Con los grandes activos de datos que
tenemos, es una especie de ‘el cielo es el límite’.”
—Tréa Laver

RECURSOS

TALENTO

CONSEJOS

ANÁLISIS AI

14 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL

 SOBRE
LOS AUTORES
TRÉA LAVERY trabajó como asistente editorial para los sitios
de SearchBusinessAnalytics y SearchDataManagement en
TechTarget.
BRIAN MCKENNA es editor de Aplicaciones de Negocios
INICIO
en Computer Weekly, donde cubre temas de gestión de
la información y software empresarial. Fue editor de las
RECURSOS revistas InfoSecurity y Knowledge Management, entre otras.
TALENTO
CRAIG STEDMAN es editor ejecutivo de los grupos de
CONSEJOS
Aplicaciones de Negocios y Gestión de la Información
en TechTarget, además de escribir para los sitios Search-
ANÁLISIS AI
BusinessAnalytics, SearchDataManagement, SearchOracle
y SearchSQLServer. Tiene más de 30 años de experiencia
en el periodismo de TI.
CORLYN VOORHEES trabajó en TechTarget como
asistente editorial de SearchBusinessAnalytics y
SearchDataManagement. Posteriormente colaboró para
el Boston Globe, y actualmente colabora para Woof
Magazine, Worcester Mag y BDN Maine Focus.
15 ANALÍTICA PARA LA TRANSFORMACIÓN EMPRESARIAL
Analítica para la transformación empresarial
es una publicación de SearchDataCenter.Es
Rich Castagna | Vicepresidente editorial
Lizzette Pérez Arbesú | Editora ejecutiva
Melisa Osores | Editora adjunta
Linda Koury | Director de diseño online
Megan Cassello | Diseñador gráfico
Moriah Sargent | Editora sénior de gestión de eProducts
Bill Crowley | Publisher
BCrowley@techtarget.com
TechTarget
275 Grove Street, Newton, MA 02466
www.techtarget.com
© 2017 TechTarget Inc. Ninguna parte de esta publicación puede ser reproduci-
das o retransmitidas de ninguna manera o por ningún medio sin el consentimien-
to por escrito de la editorial. Los reimpresos de TechTarget están disponibles a
través de YGS Group.
Acerca de TechTarget: TechTarget publica contenidos para profesionales de tec-
nología de información. Más de 100 sitios web focalizados permiten un rápido
acceso a un vasto repositorio de noticias, consejos y análisis sobre tecnologías,
productos y procesos cruciales para su trabajo. Nuestros eventos virtuales y pres-
enciales le proporcionan acceso directo a los comentarios y consejos de exper-
tos independientes. A través de IT Knowledge Exchange, nuestra comunidad so-
cial, usted puede obtener asesoría y compartir soluciones con colegas y expertos.
COVER ART: ISTOCK