El valor de la gestión de datos

3 Técnicas para un buen procedimiento de análisis de datos de Big Data

Posted on Fri, Nov 18, 2016

Actualmente las empresas están generando y haciendo uso de datos a velocidades sin precedentes. Pero muchas empresas que se enfrentan a esta gran cantidad de datos no utilizan un buen procedimiento de análisis de datos y no son capaces de sacar todo el partido posible a esa gran cantidad de información de que disponen.

procedimiento de análisis de datos.jpg

Demasiada información sin un procedimiento de análisis de datos correcto impide tomar decisiones claras. Cuando tienes tantos datos necesitas algo más que los datos. Necesitas saber si son los datos correctos para responder a tus preguntas. Necesitas obtener conclusiones precisas de tus datos y necesitas que tus datos te ayuden a tomar decisiones.

En resumen necesitas analizar tus datos con un procedimiento de análisis de datos correcto y unas herramientas adecuadas. De esta forma lo que era un enorme volumen de información dispar se convierte en un punto de decisión claro.

 

1. Asegúrate de tener el equipo adecuado

Esto significa que en tu equipo de análisis no debe haber solamente personal informático, expertos y estadísticos. Debes asegurarte de que algunos de ellos son capaces de recopilar información profunda de los datos y hacer recomendaciones adicionales. En otras palabras alguien que entienda no sólo de números, sino de implicaciones estratégicas.

Incluso puedes involucrar a un especialista externo, ya que muchas veces se requiere una mirada nueva de alguien externo a la compañía para llegar a formas innovadoras de utilizar los datos. Los empleados y las personas que utilizan los datos diariamente pueden tener una visión algo miope o de túnel de la información. El único problema de esta opción es que suele haber escasez de personas cualificadas, y aquellas que lo están suelen ser caras. Debes sopesar el coste beneficio de contratar a un consultor externo y negociar con él una tarifa basada en el rendimiento.

 

2. Necesitas un procedimiento de análisis de datos que de respuestas a personas

Tu procedimiento de análisis de datos organizacional o de negocio, debe dar respuesta a preguntas concretas, medibles, claras y concisas. Dichas preguntas deben calificar o descalificar posibles soluciones potenciales a problemas u oportunidades específicas.

Para poder tomar buenas decisiones, el sistema debe poder responder a preguntas del tipo “qué grupo de clientes está utilizando un producto” y “qué factores están impulsando crecimiento y la retención de clientes”

Las decisiones se toman basándose en esas recomendaciones sobre temas relacionados con el negocio. Y muchas veces quién debe tomar las decisiones no tiene suficientes conocimientos informáticos, por lo que el sistema debe ser capaz de explicar los resultados de una manera no técnica, lo que introduce una capa adicional de complejidad en el procedimiento de análisis de datos. La necesidad de explicar implica que el analista de datos suele elegir deliberadamente modelos más básicos sobre los más precisos pero más complejos. El sistema debe ser capaz de llegar a conclusiones de alto nivel del estilo del estilo “por qué” o “cómo”, lo cual está bastante alejado de los datos brutos.

 

3. También necesitas un procedimiento  de análisis de datos para las máquinas

En este caso, el tomador de decisión final y consumidor de datos es una máquina (un ordenador). Los analistas de datos construyen modelos complejos que contienen vastos conjuntos de datos y tratan de extraer señales sutiles utilizando aprendizaje automático y algoritmos sofisticados. Tienden a trabajar en áreas cómo el comercio algorítmico, el contenido en línea con publicidad orientada, recomendación de productos personalizados etc. Son modelos digitales que se colocan y luego actúan por sí solos, haciendo recomendaciones, eligiendo anuncios para mostrar, o negociando automáticamente en el mercado de valores.

Los analistas de datos que producen análisis para ordenadores deben tener habilidades matemáticas, computacionales y estadísticas, notablemente sólidas ya que deben construir modelos que pueden hacer predicciones de mucha calidad y muy rápidamente. Deben crear modelos sofisticados que expriman hasta la última gota de rendimiento, y normalmente operan con métricas fácilmente medibles y sin ambigüedad como clicks, ganancias y compras. Su valor radica en aprovechar su virtuosismo técnico sobre millones de situaciones en las que incluso pequeñas ganancias agregadas a través de millones de usuarios y billones de eventos pueden conducir a grandes victorias.

 

New Call-to-action

 

Topics: Data Driven