El valor de la gestión de datos

Big Data analysis: do or die. En qué fijarse para elegir plataforma

Publicado el 6/07/14 4:00

El análisis de grandes datos es un requisito do-or-die para las empresas de hoy en día. Conocer las principales causas del fracaso en proyectos de big data o saber cómo elegir la mejor plataforma de big data anaysis son las dos mejores soluciones para optimizar resultados y minimizar los errores. La clave está en el equilibrio cuando se trata de luchar con enormes cantidades y variedades de datos mientras se intenta hacer frente a las expectativas de lograr un análisis cada vez más rápido. Pero no hay que conformarse...

 

big data analysis resized 600

Créditos fotográficos: Jeremykemp

Malas prácticas a evitar en big data analysis

Existen muchas razones que pueden abocar al fracaso a un proyecto de big data analysis, sin embargo, el modo de plantear las metas o expectativas puede ser el punto de inicio de una caída libre. Como aprender de los errores ajenos es menos doloroso que hacerlo de los propios, tener en cuenta sus peores prácticas puede prevenir muchos fallos. Entre los de peores consecuencias se encuentran:

  •  Creer que la implementación es el fin de los problemas: muchas empresas creen que implementar un data warehouse o un sistema de BI resolverá muchos de sus principales problemas de negocio. Sin embargo, a pesar del indudable valor que aporta una herramienta de big data analysis, si no se tienen claras las prioridades y necesidades del negocio al final se terminará contando con un sofisticado gran almacén de datos del que no se sabrá cómo extraer la visión necesaria.

  •  Asumir que el software tiene todas las respuestas: su complejidad y la inversión que requiere pueden hacer pensar que la tecnología dará con la solución precisa en cada momento. No obstante, big data analysis requiere de una estrategia que empieza por una autoevaluación.

  •  Falta de priorización de datos: no toda la información encierra el mismo valor y no todos los datos son necesarios. Hay que seleccionar qué fuentes de datos aportan la perspectiva necesaria para la toma de decisiones y, las que no cumplan con ese requisito, deben quedar fuera del análisis.

  •  No respetar las reglas de negocio: el factor clave de la mayoría de iniciativas de big data analysis no es el tamaño, sino la complejidad. Por eso, para no perder el Norte, es necesario involucrar a los propietarios de los datos en el establecimiento y definición de las reglas de negocio.

  •  Creer que el análisis de grandes datos es coto privado de IT: en relación con el punto anterior, hay que destacar que, a estos niveles, la tecnología tiene un componente estratégico que requiere de la integración de múltiples visiones. Fomentar un entorno de desarrollo colaborativo garantizará que ningún elemento esencial escapa a la planificación.

  •  Olvidarse de crear un plan de mantenimiento: por muy completo y minucioso que sea el trabajo inicial, todo proyecto de este tipo ha de contemplar las actualizaciones si no quiere correr el riesgo de perder valor progresivamente. Monitorización, encuestas, feedback, cualquier herramienta puede ser aplicable para conseguir estar al día y no perder la agilidad y el dinamismo necesarios. A la vez, habrá que prever un desarrollo iterativo que proceda a efectuar los ajustes necesarios a cada momento.


Descárgate nuestra Guía sobre Big Data

 

Las 3 claves para elegir plataforma de big data analysis

1010 data, Hortonworks, Amazon, IBM, SAP, Pivotal, Teradata, InfiniDB, Cloudera, Kgnitio, Oracle... existen muchas alternativas a la hora de elegir la plataforma definitiva para el análisis de grandes datos pero ¿en qué hay que fijarse para descubrir cuál es la más interesante? Toma nota de estas tres recomendaciones:

  •  El análisis SQL puede no ser suficiente: el mayor valor se obtiene del aprendizaje automático, análisis de series temporales y otros métodos que permiten correlacionar los nuevos datos con la información altamente estructurada que se ha estado analizando durante años. Hay que ir un paso más allá.

  •  No creer que Hadoop es sólo una plataforma de almacenamiento: ya que en sí misma como herramienta y en su ecosistema existen todas las soluciones necesarias para un análisis de big data eficiente. Ello significa que no hace falta que ningún proveedor de servicios canalice su potencial.

  •  No conformarse con el big data analysis: las organizaciones tienen necesidades que el "simple" big data analysis no puede cubrir. Al seleccionar plataforma hay que exigir también otras aportaciones como que cubran, al menos, unos mínimos en cuanto a los básicos de BI, funcionalidades de reporting y scorecarding.

 

Post relacionados:


New Call-to-action

Temas: Big Data