Tabla de contenido:
- Portar Big Data directamente en plataformas específicas del sector
- Desarrollar sistemas de inteligencia empresarial heredados
- Use ese almacén de datos
- Datos de estructura
- Identificar y manejar lagos de datos
En estos días se habla mucho sobre lo que implica la creación de configuraciones de TI de Big Data, desde el uso de Apache Hadoop y herramientas relacionadas para innovar la accesibilidad, hasta conversaciones sobre formas técnicas para canalizar datos dentro y fuera de los almacenes de datos corporativos centrales. Pero también está el elemento filosófico del big data. En otras palabras, ¿cómo utiliza todos esos datos que están por ahí para impulsar realmente los resultados de su negocio y mejorar su modelo de negocio?
Aquí hay cinco formas en que las empresas están calculando los números y realmente aplicándolos a algunos resultados concretos.
Portar Big Data directamente en plataformas específicas del sector
Una manera fácil de comenzar a usar datos comerciales agregados es colocar elementos de datos específicos en sistemas de procesos comerciales prediseñados que están diseñados para entregar esos datos de manera efectiva. Quizás el mejor ejemplo son las herramientas de gestión de relaciones con los clientes (CRM). Los proveedores a menudo construyen sus servicios en torno a paneles que pueden presentar a los trabajadores de ventas y otros con archivos o carpetas de clientes eficientes y procesables.
La cuestión es que el uso de CRM supone que tiene los datos necesarios en alguna parte. Si puede agrupar identificadores de clientes, historiales de compras y otros artículos relevantes, puede comenzar a enviar todo esto a su plataforma CRM. Su equipo de ventas se lo agradecerá.
Desarrollar sistemas de inteligencia empresarial heredados
Una vez más, estará eligiendo y eligiendo qué conjuntos de datos específicos desea utilizar, pero otra cosa que las empresas están haciendo es tomar sus formas normales de agrupar datos y expandirlos lentamente, inyectando más y más conjuntos de grandes datos en su tradicional técnicas de reporte.
Bien, entonces hay más de unos pocos recursos de advertencia sobre cuánto sistemas heredados generalmente detienen el progreso real. Pero también hay algunas guías prácticas que muestran algunos de los desafíos en el uso de tecnologías heredadas para big data, cómo se puede hacer y cómo el personal adecuado puede marcar la diferencia. Además, técnicamente, todo es "heredado" una vez que se implementa, por lo que no siempre tiene sentido desechar un sistema heredado cada vez que aparece algo mejor.
Use ese almacén de datos
Si tiene grandes datos en un repositorio central y sabe cómo acceder a ellos, puede crear nuevos procesos en torno a eso.
Aquí hay un excelente ejemplo de cómo algunas compañías más grandes buscan usos específicos, precisos y precisos de big data. Podría llamarlo indexación cruzada; ayuda a una empresa a construir modelos consistentes entre todos sus numerosos tipos de cuentas de clientes que pueden mantenerse en diferentes partes de la arquitectura del software.
Al combinar todos los datos procesables, una empresa puede ver si, por ejemplo, un nombre en su base de datos minorista de punto de venta de una sola vez coincide con un nombre en una de sus divisiones de servicio. Luego, la compañía importa la información a ambos departamentos, de modo que cuando alguien levanta el teléfono, sabe que esa persona está activa en ambos canales separados.
Este es un uso práctico de la inteligencia empresarial: le ayuda a hacer algo basado en todos los grandes datos que ha reunido.
Datos de estructura
Otro problema importante con Big Data es que las empresas a menudo recopilan datos relativamente no estructurados. Los datos no estructurados pueden venir en forma de documentos en papel o digitales, recursos de bases de datos en bruto o sin refinar, o incluso fragmentos de texto y código de dispositivos móviles. Lo que los datos no estructurados tienen en común es que no siguen el formato de la base de datos relacional. Como resultado, la base de datos relatable tradicional no puede manejarlo, y no obtiene ninguna inteligencia comercial de ella.
Hay dos formas de manejar esto: agarrar una pala y comenzar a cavar, u obtener algunos recursos que refinen esos datos no estructurados en datos procesables. Las empresas que no desean invertir en un nuevo software pueden emplear manos humanas para clasificar los datos no estructurados y formatearlos correctamente, pero ahora tiene algunas alternativas gracias a las herramientas que analizarán los datos no estructurados de manera efectiva. Los metadatos, por ejemplo, son una forma de automatizar la minería de datos de una manera que la hace útil.
Identificar y manejar lagos de datos
Otra gran palabra de moda en la comunidad de Big Data es Data Lake. Esencialmente, el lago de datos es solo un gran conjunto de datos que se encuentra allí sin usar. Es la definición por excelencia de los datos en reposo: no se hace nada con ellos, no se altera, es tan helado y plácido como el revestimiento de un cuerpo de agua estancado.
Una vez más, hay muchas formas diferentes de manejar los lagos de datos, pero todas ellas comienzan reflexionando sobre lo que hay en esos grandes conjuntos de datos y por qué están en almacenamiento en frío en primer lugar. Las empresas están construyendo sus propios centros de datos y utilizando tecnologías de agrupación de datos ultramodernas orientadas a objetos para dividir estos lagos de datos en piezas procesables. Esto realmente se hace caso por caso, pero algunos expertos tienen sugerencias sobre cómo acorralar esos lagos de datos en canales útiles que hacen que los datos terminen en algún lugar y hagan algo.
