¿Cómo las empresas se inician en Big Data?

En mis últimas conversaciones siempre hay un tema recurrente respecto Big Data: ¿cómo empezar? Este es un tema del que hemos hablado en el pasado y quizá tenga sentido recordar lo que ya he comentado. Se trata de “qué necesidades existen en la organización, qué es lo que no funciona, lo que sí funciona y lo que realmente apremia a negocio, qué sistemas de información para la toma de decisiones existen en la organización, para qué se usan, a quién dan servicio, qué límites tienen, qué perfiles existen, qué enfoque estratégico tiene la organización para con las tecnologías de información (TI), qué datos existen en la organización, etc.”. Pero es muy fácil listar aspectos a tener en cuenta y complicado poner en marcha los mecanismos para iniciar dichas estrategias. Según Davenport, en su ya clásico Competing on Analytics, las organizaciones siguen dos caminos: Incrementan su conocimiento en Analytics y en herramientas de análisis de datos. Incrementan su conocimiento en la gestión de la información, que incluye el gobierno del dato. Esta claro que desde la academia nos gusta ilustrar senderos claros a seguir, pero el comportamiento de una organización no es lineal. Es interesante ver lo que sucede y lo que están haciendo las organizaciones para acelerar su evolución hacia el Big Data (en una primera fase) y hacia la transformación como organización orientada al dato (en segunda instancia). Revisemos algunos de los movimientos observados en el mercado: Conseguir talento: la organización se focaliza a conseguir talento en una o ambas áreas (frecuentemente con foco en una de ellas). Este crecimiento, a veces, es interno, de forma natural, con...

Organizaciones orientadas al dato: nuevo libro de Josep Curto

Me encanta presentar Organizaciones orientadas al dato, el nuevo libro de Josep Curto. Conozco a Josep Curto desde hace tiempo. Fue uno de los primeros estudiantes de nuestro Máster de Business Intelligence y Big Data, luego profesor y pronto nos dará clase a todos. Josep compagina la tarea docente, en la UOC y en otras escuelas, con su trabajo como fino analista y consultor en Delfos Research para empresas y fabricantes, además de su ingente obra como autor, bloguero y conferenciante por todo el mundo. Sus libros técnicos, como Introducción al Business Intelligence o ¿Cómo crear un datawarehouse?, están en un género de manual de uso de interés didáctico y de difusión que ya quisieran los manuales de fabricante o de implantador. Se muestra el uso empresarial, la lógica que hay detrás de las herramientas y los trucos de uso para principiantes. ¡Bingo! Como muchos expertos, Josep ha ido evolucionando desde una visión técnica de este campo a un enfoque más estratégico y de negocio y a una escritura más divulgativa sin perder el rigor tecnológico cuando toca. Recientemente ha enfocado parte de su producción a materiales de contenido empresarial, relacionados con la utilización y el contexto de la inteligencia de negocio en las organizaciones. El pasado año se publicó Customer Analytics (2015), escrito con Nuria Braulio, y que trata sobre las tecnologías y las utilidades del análisis de la información de clientes para tomar decisiones de producto, precio, canal y comunicación, tanto en entornos físicos como virtuales. Como dicen Davenport y Patil (2012) en su artículo histórico, “es la gente lo que hace que funcionen realmente los big data; … y la gente es cara y difícil...

¿Cómo son los científicos de datos? (y II)

En la primera parte de esta entrada, presentábamos las características y habilidades “duras” de un científico de datos: ¿qué hacen? ¿en qué clases de empresan trabajan? ¿qué tecnologías utilizan? Según Davenport y Patil, el científico de datos es una mezcla de hacker, científico, asesor de confianza y experto de negocio.  Los científicos de datos comparten también ciertos rasgos de la personalidad, del carácter. Gràfica: Gert Altman, Dominio Público, en Pixbay. Son críticos y curiosos. (Curiosos de curiosidad; a veces también son raros, pero no es necesario). Hacen preguntas, no se conforman con las respuestas, exploran bajo la superficie de las cosas y buscan todo el rato lo que los datos esconden. De todas las preguntas, hay una que consideran la más importante: ¿por qué? También por esto a veces pierden de vista el contexto organizativo, el problema de negocio que se trata de resolver y el grupo de trabajo en el que están integrados… No es gente muy social siempre. Les gusta el análisis y el detalle. Intelectualmente, la ciencia de los datos es un ejercicio de descomposición de un problema en piezas más pequeñas y el diablo está en los detalles. Son pacientes y perseverantes; piensan primero y actúan después. También por esto a veces les paraliza el análisis, son perfeccionistas, los datos nunca les parecen los suficientes o de suficiente calidad, el árbol no les deja ver el bosque… Pueden crear modelos y establecer predicciones. El talento analítico consiste también en clasificar y simplificar el volumen de datos, establecer patrones y elaborar pronósticos. También por ésto a veces son autosuficientes, encuentran sólo aquello que van a buscar y...

¿Cómo son los científicos de datos? (I)

Nuestro colega (y sin embargo amigo) Josep Curto lo decía hace algunos posts: “Big Data trata de dominar el dato para generar valor”. Inteligencia de negocio y Big Data tienen que ver con las tecnologías de almacenamiento y tratamiento de los datos, con técnicas y herramientas de análisis (lo que ya se llama la Ciencia de los Datos, ¿o es sólo estadística?), con un contexto organizativo que usa la información para tomar decisiones (empresas orientadas al dato) y con varias clases de profesionales: los ingenieros o tecnólogos de sistemas de datos, los científicos y analistas de datos, y los directivos y usuarios que trabajan necesariamente con datos. ¿Cómo son los profesionales orientados a los datos? Gráfica: Mushonz, CC BY-SA 4.0 Entre todos éstos, el mayor interés está ahora en los “científicos de datos”, los más buscados, los más difíciles de encontrar y los que más ganan. Los científicos de datos manejan el ciclo de gestión de los datos: entienden y ayudan a definir el problema y las necesidades de datos para resolverlo; buscan los datos y los preparan para su procesamiento; hacen el análisis mediante modelos y algoritmos y crean o mejoran los algoritmos existentes; presentan los datos de forma atractiva, comprensible y que permita tomar decisiones; y, finalmente, los almacenan y archivan de forma que permita su re-utilización. Los científicos de datos tienen que conocer e interactuar con los ingenieros informáticos que gestionan los almacenes de datos y el resto de las tecnologías de datos disponibles en la empresa. Los ingenieros proporcionan o ayudan al científico en el acceso a grandes conjuntos de datos y, cuando el científico...

La evolución de la Inteligencia de Negocio (BI) en la empresa y la academia

En la UOC llevamos tiempo impartiendo cursos sobre Business Intelligence, Business Analytics y Big Data. ¡Ya más de 10 años! Esto nos da una visión de cómo han evolucionado las necesidades de las organizaciones respecto al análisis de los datos y las competencias que necesitan los profesionales. En la última década, hemos pasado de sólo disponer de la inteligencia de negocio y el data warehouse como las herramientas fundamentales para entender el rendimiento de nuestra organización a un nuevo escenario flexible, políglota, complejo, escalable y automatizado que busca empujar la transformación digital de la organización. Todas estas estrategias y tecnologías buscan, en definitiva, capacitar a todo el mundo para tomar decisiones informadas y competir de forma diferente (como ya comentamos en dos entradas anteriores: La nueva forma de competir (I) y La nueva forma de competir (y II)). Hagamos un poco de retrospectiva. Parafraseando a Donald Rumsfeld, There are things we know that we know and things we know that we don’t know. Es decir, el punto de partida de una organización (para con el dato, claro) es validar hechos y responder preguntas conocidas para la gestión de la empresa o institución. Estamos hablando, por ejemplo, de poder responder: qué hemos vendido, cuál es nuestro beneficio, quiénes son nuestros clientes, cómo nos compran, etc. Para este tipo de preguntas la inteligencia de negocio ha sido la pieza angular sobre la que nos hemos apoyado. En este tipo de análisis, tradicionalmente, se ha empleado la combinación de un data warehouse para el almacenamiento de la información con fines análiticos y una herramienta para el análisis de dichos datos, como por ejemplo...

Empresas ágiles

Las empresas de todos los sectores están importando últimamente modelos de gestión basados en la organización de la informática en la empresa y, en particular, en las organizaciones cuyo producto es la informática: negocios de internet, fabricantes de software, gestores de plataformas de contenidos o de infraestructura. No sé si es una buena idea, si se tiene en cuenta que los informáticos no son especialmente “organizados”, jeje. Como decía Cusumano, una cosa es hacer software y otra cosa es gestionar una empresa de software. De hecho, primero fue al revés: la informática copió la estructura estandarizada y predecible de los procesos industriales, el famoso PDCA, mediante sistemas de gobierno como COBIT, ITIL o CMMi. Era una forma de intentar superar, con moderado éxito, las organizaciones funcionales clásicas basadas en silos de expertise: los de desarrollo, los de infraestructura, los de operaciones, los de atención al usuario…;  los de SAP, los de Siebel, los de Java, etc. Jim Highsmith John Kotter Muchas organizaciones empezaron a trabajar por proyectos o, al menos, la forma proyecto servía para gestionar iniciativas de compañía más transversales y complejas. Aunque en realidad la gestión de proyectos venía de las empresas industriales: un proyecto es la creación de una planta de producción, un barco o un puente. Los modelos de gobierno de gestión de proyectos, como PMBoK, se usan en las ingenierías y en los departamentos de informática. Como dijimos aquí una vez, la gestión de proyectos no es construir buen software o hacer un puente que no se caiga (que también) sino que es una profesión en sí misma, con reglas, procedimientos, criterios de admisión,...