Los retos del big data en una cadena de cambio

Los retos del big data en una cadena de cambio

La ciberseguridad, la administración de grandes volúmenes de datos estructurados y no estructurados representan un reto para las empresas.

Los retos del big data en una cadena de cambio

Otros desafíos son la falta de profesionales con experiencia en big data. Sin embargo, implementar el big data es clave para alcanzar la transformación digital en una cadena de suministro en cambio constante.

La mayoría de los universos digitales son transitorios, desde la reproducción de películas no guardadas o interacciones de jugadores en línea hasta la información de enrutamiento temporal en redes y señales de sensores descartadas cuando no hay alarmas apagadas, entre otras. Sin embargo, esto es bueno. 

La capacidad de almacenamiento disponible en todos los tipos de medios está creciendo a una velocidad menor que el universo digital. En 2013, la capacidad de almacenamiento disponible sólo podía contener el 33% del universo digital. Para el año 2020, sólo se podrá almacenar menos del 15% de los 44 zettabytes (44 billones de gigabytes) de datos estimados.

La tecnología y los enfoques de big data han surgido gracias al aumento de la infraestructura analítica existente, con el propósito de permitir a la organización almacenar, acceder y extraer valor de entornos ricos en datos, ya que las herramientas y métodos tradicionales de análisis no pueden hacerlo.

Por mucho tiempo, las organizaciones realizaban negocios basándose en los conocimientos obtenidos del análisis de datos, pero ha surgido un cambio en el tamaño, tipo y forma en que se analiza la información. Es clave comenzar por ver los conductores que están causando este cambio.

El big data integra conjuntos de datos tan grandes o tan complejos que los métodos tradicionales de almacenar, acceder y analizar información son, por el momento, demasiado caros. No obstante, hay un enorme valor oculto en estos datos, por lo que las organizaciones están ansiosas por aprovecharlo para impulsar su innovación y ventajas competitivas.

Las características de la explosión de información 
Actualmente, la mayoría de la información generada, aproximadamente un 85% de los datos no están estructurados. Esto incluye correo electrónico, video, blogs, registros del centro de llamadas y medios sociales. Esta cantidad de información requiere marcos fluidos y una arquitectura flexible que aumente la capacidad de computación y conduzca a un modelado, exploración y mantenimiento de datos más fácil.

Es importante comprender los tipos de datos con los que se está trabajando para conquistar los desafíos que estos representan. Se puede diferenciar el big data de los datos tradicionales por una o más de las tres V's: 
1. Volumen. Es la gran cantidad de datos generados que deben entenderse para tomar decisiones basadas en información. Estas decisiones son impulsadas por el aumento de las fuentes de datos y dispositivos de mayor resolución. 

2. Velocidad. Mide la rapidez con que se producen y modifican los datos, así como la velocidad con la que se necesitan procesar. Impulsan la rapidez un mayor número de fuentes de datos, así como una conectividad y potencia mejorada de los dispositivos generadores de información.                                                                                                                                                      

3. Variedad. Define los datos procedentes, tanto dentro como fuera de la empresa, de nuevas fuentes, tipos y formas para lograr la integración,  gestión, gobernanza y presiones arquitectónicas en las tecnologías de la información. 

Por otra parte, la estructura de los datos puede clasificarse en: 
i. Datos estructurados. Suelen encontrarse en tablas con columnas y filas de datos. La intersección de la fila y la columna en una celda tiene un valor y se le da una "clave", a la que puede referirse en las consultas. 
Debido a que existe una relación directa entre la columna y la fila, estas bases de datos se denominan comúnmente bases de datos relacionales. Un punto de venta que almacena sus datos de ventas (nombre de la persona, producto vendido, cantidad, entre otros.) en una hoja de cálculo de Excel o un archivo CSV son ejemplos de datos estructurados.
ii. Datos semiestructurados. Tienen una organización, pero la estructura de la tabla se elimina para que los datos puedan ser fácilmente leídos y manipulados. Los archivos XML o un RSS para una página web son ejemplos de datos semiestructurados.

iii. Datos no estructurados. Se encuentran en todas partes: mensajes de texto, correos electrónicos y redes sociales, por ejemplo. Los datos no estructurados generalmente no tienen estructura organizativa y la tecnología big data utiliza diferentes formas para agregar estructura a esta información.

Fuentes de información para enriquecer el big data 
Entonces, ¿de dónde provienen todos estos grandes volúmenes de datos? Los datos se originan típicamente de tres fuentes primarias: internet y redes sociales, sistemas empresariales tradicionales y cada vez más del internet de las cosas (IoT). 

Por ejemplo, los datos producidos como resultado de actividades empresariales pueden registrarse en bases de datos estructuradas o no estructuradas, mientras que los archivos electrónicos generalmente se refieren a documentos no estructurados que se almacenan o publican como archivos electrónicos, páginas de internet, vídeos o PDFs. 

El potencial del big data y su impacto empresarial
Los datos siempre han sido una parte del impacto que reciben las empresas. Actualmente, se ha ampliado la escala y el alcance del valor que brinda la información, además de que la disponibilidad de datos converge con la capacidad de aprovecharlos. 

El big data ofrece un significativo potencial para las empresas al impulsar la eficiencia operativa e innovación en un momento de restricciones económicas y competencia abrupta.

Dentro de los aplicativos que tiene el big data para varios tipos de datos se encuentran: 
1. Los analistas son capaces de predecir el flujo de clientes de una empresa al contar los coches en un estacionamiento.
2. El análisis de datos de video identifica los riesgos y proporcionar alertas en tiempo real. 
3. Las imágenes infrarrojas captan la clorofila en las plantas, mientras que las imágenes de microondas captan el grado de humedad en los cultivos.
4. Los muros de Twitter pueden predecir cambios en el Dow Jones con un 86.7% de precisión.
5. Los métodos de análisis del habla se utilizan para identificar a los clientes insatisfechos.
6. El seguimiento de recortes de periódicos para la vigilancia de lesiones proporciona alertas tempranas a las compañías de seguros.

 Una cadena de suministro digitalizada cuenta con una enorme fuente de datos disponibles desde todas las direcciones, los cuales pueden analizarse para contar con una comprensión significativa, visión práctica y toma de decisiones precisa. (CONSULTE  ESQUEMA CADENA DE SUMINISTRO DIGITALIZADA)

    Lo que hace que los grandes datos sean difíciles es separar la información y conocimiento del ruido. Es clave vincular los datos con herramientas de analítica avanzada para la realización de análisis cuantitativos–estadísticos y modelos analíticos descriptivos–predictivos, para una mayor toma de decisiones y acciones basadas en hechos. Esto permitirá mejorar los resultados del negocio a lo largo de toda la cadena de valor. (CONSULTE ESQUEMA VENTAJAS DE APLICAR LOS DATOS EN LA CADENA DE VALOR)

Después, es necesario realizar la matriz de priorización que mejor se adapte a la compañía sobre los “insights” obtenidos al evaluar el impacto en la estrategia y la facilidad de la implementación.

Posteriormente, deben medirse continuamente los resultados por medio de indicadores precisos, con la finalidad de generar de forma oportuna alertas tempranas, riesgos y seguimiento a beneficios cuantitativos y cualitativos. (CONSULTE ESQUEMA BENEFICIOS DE LA ANALÍTICA DE DATOS)
  
Los retos de la adopción del big data
El rápido cambio en el mundo de los datos ha provocado que las organizaciones luchen con la infraestructura tradicional, diversas tecnologías y la gestión de información. Los dispositivos productores de información como sensores, tabletas y teléfonos móviles continúan multiplicándose.

De esta manera, estas opciones de intercambio de información representan un tremendo reto para las organizaciones que buscan beneficiarse mediante el uso de técnicas de procesamiento tradicionales. Como resultado, los enfoques tradicionales han estado bajo presión.

Los desafíos que enfrentan las organizaciones que adoptan big data incluyen:
Los enfoques relacionales no son óptimos cuando se trata de una falta de estructura, velocidad de procesamiento a escala y costo asociado.
Los recursos de visualización y análisis de datos no son capaces de manejar las representaciones correctas y  percepciones que los usuarios pueden descubrir de forma eficiente desde el big data.

Las prácticas tradicionales de gobierno y gestión de la información no pueden hacer frente a las características del big data.
Muchas organizaciones carecen de arquitectura, habilidades analíticas y talento necesarios para beneficiarse del cambio.
Los silos de aplicaciones crean una desventaja en la habilitación efectiva de los negocios con información completa.

La economía de los datos se basa en la idea de que el valor puede extraerse a través del análisis. El big data está cambiando la forma en que los analíticos se ven comúnmente, desde la minería de datos hasta la analítica avanzada. 

Es importante tener en cuenta que está relacionada la analítica del big data con la inteligencia de negocios (BI), pero no son lo mismo. Big data analytics no es otra iniciativa de BI, sino que se basa en la inteligencia de negocios existente y trata de extraer información valiosa de los datos, no de transformar los datos en información mediante paneles e informes.

Tendencias del big data y hacia dónde se está moviendo
Big data se utiliza en todas las industrias e impacta los procesos centrales de negocio. Algunos de los sectores son:
a) Servicios financieros. Las empresas del mercado de capitales son pioneras en el uso del big data y continúan innovando en sistemas de baja latencia para desbloquear oportunidades de arbitraje comercial.

b) Retail. Los datos emergentes basados en la localización, las compras en grupo y los prospectos en línea, permiten a los minoristas escuchar, comprometerse y actuar continuamente en la intención del cliente durante el ciclo de compras. 

c) Comunicaciones. Los datos móviles de los proveedores de servicios crean nuevos modelos de negocio y flujos de ingresos, desde la colocación de anuncios al aire libre hasta la adhesión médica. 

En conclusión, según el modelo de David Rogers “Playbook de la transformación digital”, las empresas se están moviendo hacia dos direcciones:
i. Analógica.
Es caro generar datos / información.
El almacenamiento y la gestión son los retos que generan los datos.
Se aprovechan solo los datos estructurados.
Los datos se administran en silos operativos.
La información es una herramienta para optimizar procesos.
ii. Digital.
Los datos se generan continuamente en todos lados.
El reto de los datos es convertirlos en información de valor. 
Poco a poco es posible usar y sacar valor de los datos no estructurados.
El valor de los datos se realiza cuando se conectan silos.
Los datos son un activo clave para la generación de valor.

Muchas personas hablan de datos e información como si fueran sinónimos, pero la diferencia entre ambos términos es bastante sutil. Los datos son simplemente un registro de los acontecimientos que tuvieron lugar. Además, los datos en bruto describen cuándo, dónde y cómo sucedió, así como quién está involucrado.

El valor de cualquier dato es tan importante como la información y conocimiento que podemos extraer de él. La información y el conocimiento nos ayudarán a tomar mejores decisiones y nos darán una ventaja competitiva.

* Gerente de Cadena de Suministro en Accenture México. ** Consultor Senior para la Industria de Productos en Accenture México / a.rivera@accenture.com eloina.rodriguez@accenture.com


Ir a versión Web