3.

Manejo empresarial de los datos

El poder de los datos y la información

Muchas veces hemos escuchado la frase "Información es poder". Los datos son

el punto de partida. Tras acceder a las fuentes de datos, traemos de estas
fuentes todos los datos necesarios, los analizamos, limpiamos y procesamos. A
partir de este momento, estamos en condiciones de combinar nuestra
experiencia de negocio y nuestras propias vivencias con los datos
obtenidos, dando lugar a lo que se conoce como información. La obtención de
conocimiento sería el tercer paso en este proceso, que radica en el análisis de la
información que tenemos preparada y que nos da el poder para tomar
decisiones. A lo largo de la última década, la tecnología nos ha dado la
capacidad de generar, obtener y aprender de los datos más que nunca. Esta
capacidad nos ha permitido gestionar los datos a escala
empresarial, entendiendo por empresa a toda una organización o la
infraestructura técnica de la organización. Debido a que cada una es
diferente, no existe una única solución para implementar tecnologías Big
Data en las áreas de nuestra organización. Esta capacidad, además, nos exige
ser muy responsables, primeramente con el tratamiento de datos y luego con la
información. Debemos velar por la seguridad de las cadenas de conexión y
acceso a las fuentes de datos, velar por la protección y privacidad del dato en sí
mismo y por último, controlar la forma y el ámbito en el que van a ser
expuestos los datos en los informes. Hay que combinar la capacidad que nos
ofrecen las tecnologías actuales para aprender de los datos con nuestra
responsabilidad y buen gobierno de los mismos, ayudándonos, nuevamente, de
lo que nos ofrecen las tecnologías actualmente.

Ciclo de vida de los datos

El ciclo de vida de los datos no siempre es lineal. No siempre creamos,

utilizamos y visualizamos datos. Muchas veces transformamos los datos; les
damos un nuevo significado. Y, así, en esos casos, los datos son cíclicos porque,
a veces, aunque ya se hayan transformado, no son suficientemente buenos para
la toma de decisiones y hay que volverlos a transformar. 
Los datos tienen un ciclo de vida que puede ser bastante complejo. En el centro
y como elemento permanente del ciclo, tenemos el gobierno de datos. Los
datos provienen de todos los aspectos de la vida que nos rodea. 
Algunos son heredados, algunos los creamos, otros los compramos o
extraemos. Y, así, partiendo de que en la vida real no hay una línea recta en este
proceso de datos, veamos el ciclo simplificado, por lo que vamos a dividirlo en
etapas. 
En primer lugar, la obtención y transformación de datos. En esta fase, entra
la estrategia de obtención de datos propios y externos para implementar el
gobierno de los datos, definir la administración de datos maestros, la
arquitectura de datos empresariales y cómo podemos importarlos a nuestro
modelo de datos empresariales. Existen roles asociados con las disciplinas en
esta área: el CDO, siglas en inglés que identifican al Chief Data Officer o Director
de Datos; los directores de gobierno de datos; los administradores de datos o
los expertos en la materia. Los datos empresariales o, en ocasiones, los
denominados arquitectos de la información y los modeladores de datos. 
En segundo lugar, la gestión y trabajo con datos, es decir, ingeniería y
administración. En esta etapa, comenzamos a trabajar con los datos de varias
formas para organizarlos, persistirlos, asegurarlos, perfilarlos, transformarlos en
un modelo que nos permita analizarlos. En esta etapa, entran las tareas de
definición del sistema de administración de datos, ya sea en bases de datos
relacionales o no, y el lenguaje de consulta que, en cada caso, se utilice. Existen
roles asociados a esta área, como son: administradores de base de datos, o
DBA; desarrolladores de datos; desarrolladores de integración de datos o, a
veces, desarrolladores de ETL. Como parte de esta etapa, hay que obtener y
analizar el perfil de nuestros datos. 
Esta es una tarea de extraordinaria importancia cuando se trata de gestionar y
garantizar la calidad de los datos. 
Y, finalmente, en tercer lugar, la obtención de valor a partir de los datos o, lo
que es lo mismo, inteligencia empresarial, análisis y modelado predictivo para
conocer mejor nuestros datos e intentar predecir los resultados de decisiones
basadas en patrones de datos existentes. Los roles en esta área son los
ingenieros de datos, ingenieros de big data, desarrolladores de inteligencia
empresarial, analistas de modelado predictivo y los desarrolladores de
visualización de datos.

Descubrir el modelo de datos

Modelamos para organizar y definir nuestros datos. Veamos un ejemplo

sencillo, simplificado al máximo. 
Tenemos un negocio que se dedica a la venta de un producto, un producto
cualquiera, ese mismo, el que estás pensando. Necesitamos describir al
producto que ofrecemos, describir al cliente que nos compra y especialmente
describir la relación que existe entre ellos, la interacción que se produce en el
proceso de venta. Por tanto, tenemos tres elementos, venta, producto y cliente. 
Cada uno de ellos se convierte en una entidad como parte del proceso de
modelado de datos. Parece fácil. Pero la vida real va mucho más allá. 
¿Qué entendemos por cliente? ¿Un cliente es una persona que aunque no
compró se interesó por nuestro producto, pidió el catálogo y marchó
prometiendo pensárselo? ¿Un cliente es aquella persona que compró el
producto? ¿Y, si devolvió el producto, sigue siendo cliente o deja de serlo? ¿Un
cliente es aquella persona que abonó el precio del producto en su totalidad y
no aquella persona que está abonando a plazos y aún no ha terminado? Y así
muchas otras preguntas que surgen ante la definición de entidades. 
Es posible que todos sean clientes, solo que distintos tipos de una misma
entidad clientes. O quizás no se conviertan en clientes hasta el pago. En fin,
pueden ser escenarios y modelos diferentes. En todos los casos, es importante
definir qué es un cliente. La definición del diccionario de datos de cada
entidad es una de las tareas del programa del gobierno de datos. 
Si tenemos implementada la gobernanza de datos, estaremos cubiertos. Una
vez tomada la decisión en cuanto a la terminología y lógica a aplicar, definimos
el cliente y el producto como nuestros datos maestro, y la entidad de ventas
como contenedora de los datos transaccionales, los datos de las
transacciones. En la definición de las transacciones también podemos
encontrarnos diferencias en el proceso de negocio que provoque diferencias en
las transacciones. Según el servicio que ofrezcamos, puede ser más o menos
complejo. Si se trata de compra/venta, es sencillo. 
Pero en escenarios de gestión hotelera o procesos productivos la complejidad
es muchísimo mayor. Todos estos aspectos han de ser tenidos en cuenta para
definir mejor el modelo. Comienzan con un modelo conceptual que no suele
incluir atributos y tipos sino que tiene una descripción general de los requisitos
de datos, entonces el modelador de datos toma ese modelo conceptual y los
resultados son el modelo de datos lógico. Un modelo de datos lógico se suele
representar como un diagrama entidad-relación. 
El modelo lógico es más detallado que el modelo conceptual porque tiene los
metadatos de la entidad. Los metadatos que son los datos que describen otros
datos son los atributos y dominios de datos que son tipos de datos para una
entidad, como una descripción, notas, valores predeterminados y más. Este es
también el lugar donde corresponde identificar si esa pieza de datos está sujeta
a reglas de negocio que tiene que cumplimentar, como valores máximos o
mínimos admitidos, entre otras muchas. 
Es en el modelo lógico donde aplicamos nuestras técnicas de
normalización. Una vez que el modelo lógico es aprobado por la empresa, se
promueve al modelo físico. 
El modelo físico es la representación más cercana a la base de datos real. En el
modelo físico las entidades se denominan tablas y los atributos se denominan
columnas. 
Entonces, para resumir, modelamos datos para organizar y definir nuestros
datos. Tenemos definiciones estándares comunes, documentamos procesos de
negocios y generamos código para enviar ingeniería a una base de datos.

Desafíos para la organización

En el mundo de hoy, el manejo de tecnologías Big Data viene de la mano de los

desafíos de negocios con los que se enfrentan las empresas para sobrevivir. El
principal desafío es el conocimiento del cliente. 
El cliente ha cambiado en su forma de ver el mundo, está mucho mejor
informado, es más global. Tiene un enfoque diferente ante el producto o
servicio que va a adquirir. Hay empresas que no estaban preparadas para este
tipo de cliente tan globalizado. No se trata solo de que estamos abiertos al
negocio con clientes que no conocemos de nada, que viven en cualquier lugar
del mundo y que tienen comportamientos y costumbres que desconocemos del
todo. El punto es que ese tipo de cliente puede ser alguien que tengas a tu
lado, tu vecino o tu cliente de toda la vida, que hoy ya no es el mismo. 
El cliente ha cambiado, los datos se manejan de otra forma por parte del
cliente, por lo que se deben manejar de otra forma por parte de la empresa. Los
procesos de minería de datos sobre clientes se hacían en base a
comportamientos históricos, últimos meses o años; no mucho más allá, porque
no se almacenaban los datos, ya que era muy caro. Los datos maestros de los
clientes, ahora se almacenan por mucho más tiempo. Porque el desafío, desde
el punto de vista del tratamiento de datos, no es solo conocer al cliente, sino
enfocarse en el cliente y activar todos los procesos necesarios para su
retención. El cliente ya no sigue un proceso lineal de compras, por lo que los
procesos de minería de datos tradicionales han de evolucionar. 
Otros desafíos vienen de la mano de la escalabilidad de los procesos y la
flexibilidad. Es importante aprovechar que bajan los costes de
almacenamiento y procesamiento de datos, para decir un cambio de actuación,
y, por ejemplo, digitalizar toda la información que sea posible. 
Una empresa como Amazon es capaz de responder a una reclamación, casi en
tiempo real, por su presencia en línea, 24 horas, siete días a la semana, contar
con alto nivel de robotización en sus almacenes y, muy especialmente, contar
con modelos de minería de datos muy robustos, que permiten predecir el
comportamiento o necesidades de sus clientes. 
Otro de los desafíos con los que se tienen que enfrentar las empresas de hoy en
día es con el conocimiento y seguimiento de los datos de la competencia. Hay
que tener suficientes datos e información como para ver cómo se mueve
nuestra empresa, cómo lo hace la competencia y, sobre todo, quién lo está
haciendo mejor en el presente; y cuáles son los pronósticos y perspectivas de
ambos en el futuro. Evidentemente, las empresas crean productos o servicios, y
se requiere máxima eficiencia en la ejecución de los mismos. 
La automatización y robotización de procesos y tareas, la transformación
digital y el uso de sensores que emiten datos constantemente para que puedan
ser analizados por los modelos y algoritmos de minería de datos o análisis de
distinto grado de profundidad son algunos de los desafíos con los que se están
enfrentando las empresas. 
En resumen, se trata de obtener todos los datos que son necesarios para
analizar la gestión empresarial propia, la del entorno competitivo y la del
cliente. Luego habrá que poner todos esos datos en valor, convertir los datos en
información y la información en conocimiento para poder tomar las decisiones
más acertadas, y medir el impacto en el negocio. 
Para ser capaces de superar estos desafíos es necesario dotarse de procesos
ágiles, soportados por sistemas de información robustos, eficaces y
eficientes, que permitan hacer uso de la información inteligente en la toma de
decisiones.