¿Qué es la Analítica de datos?
La analítica de datos es una disciplina enfocada en convertir datos o información sin procesar en conocimiento estratégico para la toma de decisiones. Normalmente, su abordaje ocurre desde una perspectiva de negocios, ya que el análisis de datos es un proceso fundamental para el diseño, implementación y ajustes de estrategias empresariales.
El proceso tradicional de la analítica de datos consiste en recopilar, limpiar, analizar e interpretar grandes volúmenes de datos para identificar patrones, tendencias y anomalías. Su conversión en conocimiento estratégico persigue objetivos empresariales y resolución de problemas complejos.
Otro objetivo de la analítica de datos es responder a preguntas sobre posibles resultados (proyecciones), pero también detectar oportunidades y amenazas. Asimismo, las empresas pueden detectar a través de esta disciplina caminos para optimizar los procesos y gestionar el presupuesto de forma inteligente.
El análisis de datos proporciona certidumbre, un activo valioso en mercados agitados por fenómenos, eventos y fuerzas externas que sacuden el tablero de manera recurrente.
¿Qué son los datos?
Los datos son representaciones simbólicas de hechos, objetos, eventos u observaciones que se registran de forma estructurada o no estructurada. Es la materia prima de la disciplina, información cruda que puede presentarse en forma numérica, visual o multimedia. Carece de significado hasta su procesamiento y contextualización.
Los datos pueden ser cuantitativos o cualitativos, estructurados o no estructurados. Su valor reside en el volumen, la velocidad de generación y la variedad (las 3V básicas del Big Data). Su transformación en conocimiento estratégico ocurre cuando son sometidos a técnicas de limpieza, integración y análisis, ya que exhiben los patrones y la información útil.
Tipos de Analítica de datos
Existen cuatro tipos de analítica de datos principales, una clasificación basada en entornos de negocios. Es un estándar extendido en Business Intelligence y en las plataformas más populares. Cada una de ellas sirve a un propósito distinto, por lo que los profesionales dedicados al campo tienen que identificar cuándo utilizar cada una de ellas.
Conocer los diferentes tipos de analítica de datos es vital porque impacta en el tiempo, el esfuerzo y el costo de los procesos. Escoger el enfoque adecuado evita el trabajo innecesario y fortalece la cultura de la toma de decisiones basada en datos.
Un aspecto clave es comprender que los distintos tipos de analítica no están peleados. Incluso, su combinación resulta conveniente y necesaria en varios escenarios. La analítica descriptiva va bien con la analítica diagnóstica, ya que la primera presenta los eventos y la segunda ahonda en las causas.
Una acercamiento que ayuda mucho a comprender las diferencias de la tipología son las preguntas clave que tratan de contestar. En pocas palabras, estamos hablando del propósito de desplegar cada tipo de analítica.
- Descriptiva – ¿Qué pasó?
- Diagnóstica – ¿Por qué pasó?
- Predictiva – ¿Qué es probable que pase?
- Prescriptiva – ¿Qué debemos hacer ahora?
Analítica descriptiva: Su objetivo es resumir los datos históricos para mostrar resultados, tendencias y métricas clave. Normalmente, el producto de este tipo de analítica se presenta en reportes, dashboards, gráficas de barra y otras visualizaciones de datos fáciles de comprender. Es catalogada como la analítica más simple de todas porque no va más allá de la descripción. Si bien puede ejecutarse de forma independiente, también funge como etapa preliminar para el procesamiento de datos más profundos y otros tipos de análisis.
Analítica diagnóstica: Su finalidad es encontrar las causas, las correlaciones y los factores que explican un resultado. Si la descriptiva presenta una caída de las ventas, la analítica diagnóstica trata de responder por qué pasó ese evento o fenómeno. Entre las técnicas utilizadas está el minado de datos, el análisis de correlación, los métodos de desglose y el modelado estadístico. Requiere un enfoque estricto en la recolección de datos, el análisis, la gobernanza, la integración de herramientas y la gestión del cambio.
Analítica predictiva: Su objetivo es hacer predicciones sobre los resultados futuros mediante el uso de datos históricos combinado con el uso del modelado estadístico, técnicas de minería de datos y machine learning. Es usada para encontrar patrones que revelen riesgos y oportunidades. Trata de responder a la pregunta “¿qué puede pasar a continuación?”. Los recientes avances en aprendizaje automático a partir de Big Data están impulsando notablemente las capacidades del análisis predictivo.
Analítica prescriptiva: El análisis de los datos para identificar patrones, causas y correlaciones apunta a hacer predicciones que deriven, específicamente, en cursos de acción. Su valor está en su capacidad de lanzar recomendaciones prácticas mediante el análisis de datos históricos y en tiempo real. Por este motivo, es considerada el tipo de análisis de datos más avanzado. Se basa en modelos matemáticos complejos y estadísticos para analizar datos, así como en técnicas como la programación lineal, los árboles de decisión, las simulaciones Monte Carlo y las redes neuronales.
Ciclo de vida del análisis de datos
La idea del ciclo de vida deriva de un enfoque que pretende brindar estructura y organización a los datos de una organización, abarcando desde su generación hasta la destrucción. Si bien las etapas pueden variar de un autor a otro, existen fases plenamente reconocibles y adoptadas en la mayoría de los procesos de análisis de datos.
Generación: La generación de los datos es un fenómeno que ocurre con conciencia o no de ello, especialmente, en un mundo digital e interconectado. Además, provienen de diferentes fuentes, como es la propia organización, la web, las aplicaciones móviles, etc. Una manera de dimensionar la magnitud de la data es considerar que cada venta, compra, contratación, comunicación e interacción genera datos. Bajo el enfoque adecuado, estos datos se convertirán en “insumos” poderosos de la organización para alcanzar los objetivos del análisis.
Recolección: Pese a la enorme montaña de datos generados a cada segundo, no todos ellos son útiles o tienen la calidad suficiente para formar parte del análisis. Precisamente, el trabajo del equipo de analistas de datos es identificar qué información debe capturarse y la mejor forma de hacerlo, así como qué datos son innecesarios o irrelevantes para el proyecto. Los datos pueden recolectarse de diferentes maneras, incluyendo formas, encuestas, entrevistas, observación directa y herramientas de analítica especializadas dentro del mundo digital.
Procesamiento: Esta etapa incluye varias fases y actividades, como son la manipulación, la compresión y la encriptación de los datos. Durante la primera de ellas, los analistas limpian el conjunto de datos recolectados para convertirlos de su forma cruda a datos accesibles y utilizables. Mientras tanto, la comprensión implica transformarlos a un formato que pueda almacenarse de forma eficiente. Por último, la encriptación conlleva a trasladar los datos a otra forma de código para garantizar su privacidad y seguridad.
Almacenamiento: Tras el procesamiento, los datos deben almacenarse para el uso futuro. Aquí entra su ingreso a bases de datos o conjuntos de datos. Pueden estar en servicios en la nube o servidores físicos, o incluso recurrir a otros tipos de almacenamiento como discos duros, memorias USB, CDs, etc. La compañía debe decidir cuál es la mejor manera de almacenamiento de sus datos, así como garantizar cierto nivel de redundancia en caso de que la fuente original esté comprometida.
Gestión: Como tal, no es una etapa que tenga lugar en un momento específico. La gestión de datos abarca organizar, almacenar y recuperar datos a lo largo del proyecto. Es una tarea continua que incluye desde el almacenamiento y cifrado hasta la implementación de los registros de acceso y los cambios realizados.
Análisis: Es el proceso mediante el cual se busca obtener insights o conclusiones de un conjunto de datos. Tanto analistas como científicos de datos recurren a diferentes herramientas y estrategias para llevar a cabo dichos análisis; entre ellos, se encuentran el modelado estadístico, los algoritmos, la inteligencia artificial, la minería de datos y el machine learning. Un análisis de datos bien ejecutado permite a las empresas detectar oportunidades, predecir comportamientos del mercado y definir cursos de acción con mayores probabilidades de éxito.
Visualización: Consiste en la creación de las representaciones visuales de los datos, los patrones, la correlaciones y las conclusiones obtenidas tras el análisis. La finalidad es obtener gráficos que faciliten la comunicación de esta información, ya sea para una audiencia amplia o el equipo de trabajo. La forma más adecuada de representación depende de diferentes factores, desde el tipo de datos hasta el público para el que está pensada la presentación.
Archivado: Una vez terminado un proyecto específico de datos, esta información no será utilizada más para las operaciones diarias o en el corto plazo. Sin embargo, muchas organizaciones deben conservar los datos durante un tiempo definido por razones prácticas, desde posibles asuntos legales hasta propósitos de investigación. El enfoque DLM exige definir claramente cuándo, donde y durante cuánto tiempo estarán archivados los datos en el ecosistema empresarial.
Eliminación: La etapa final del ciclo consiste en su eliminación total de los registros. Las empresas llevan a cabo esta eliminación para deshacerse de los costos propios del almacenamiento y para liberar espacio necesario para datos activos. El proceso debe realizarse bajo estándares elevados de seguridad para evitar brechas o cualquier tipo de vulneración.
Principales herramientas de analítica de datos
Aplicaciones reales de la Analítica de datos
La analítica de datos es una disciplina que tiene muchas aplicaciones en el mundo profesional. La habilidad especializada de convertir datos en información comprensible y estratégica es valiosa a lo largo y ancho de la industria.
Existen diferentes aplicaciones dentro del mundo real, entre ellas:
- Análisis de clientes en comercios minoristas
- Mantenimiento predictivo en manufactura
- Detección de fraudes en finanzas
- Mejora del cuidado del paciente en salud
- Optimización de cadenas de suministros en logística
- Gestión de fuerza de trabajo y recursos humanos
- Optimización de consumo de energía
- Optimización de procesos de marketing
- Gestión de riesgo en compañías de seguros
- Desarrollo de ciudades inteligentes
Las tareas y actividades anteriores solo son ejemplos concretos de lo que puede hacer un analista de datos; sin embargo, la lista es interminable.
Esta disciplina es indispensable para la toma de decisiones estratégicas dentro de cualquier organización, ya que todas las industrias se enfrentan actualmente a una generación masiva y constante de datos. No solo es necesario su procesamiento e interpretación para identificar oportunidades futuras, sino también para encontrar causas, reducir riesgos y costos, y optimizar procesos.