Llegamos a ustedes gracias a:



Reportajes y análisis

Cinco tips estratégicos para evitar el fracaso en Big Data

Expectativas insatisfechas, costos superiores, riesgos legales innecesarios, todo ello puede hacer que un proyecto de big data no ofrezca resultados.

[02/04/2013] Big Data ha llegado como una gran iniciativa de negocios. Pero esta capa experimental, llamativa y ad hoc que mezcla los flujos de datos para realizar grandes descubrimiento se basa en un enorme proyecto cultural y tecnológico que no todas las organizaciones podrán realizar.
Sin un plan estratégico que incluya metas coherentes, un fuerte gobierno corporativo de los datos, procesos rigurosos para asegurar la exactitud de los datos y la mentalidad y personas adecuadas, las iniciativas de big data fácilmente puede terminar siendo un pasivo que consume tiempo en lugar de ser un activo valioso.
A continuación cinco tips estratégicos para evitar fallar en big data. En muchos casos, el consejo se puede aplicar a cualquier proyecto de administración de datos, sin importar el tamaño del conjunto de datos. Pero el advenimiento de enormes almacenes de datos ha llegado con un conjunto particular de obstáculos. Aquí mostramos cómo incrementar las oportunidades de que la urgencia de su organización por combinar grandes pools de datos dispares, tenga éxito.
Tip 1: Haga del big data una doctrina de negocios central
Phil Steitz, CTO de Reardon Commerce, de forma sucinta resume el driver más importante para el éxito en big data: uno debe integrar la analítica y la toma de decisiones basada en datos, y hacerlas parte fundamental de la estrategia de negocios.
Si el big data es solo una palabra altisonante en el interior, se convierte en una solución sin un problema, señala Steitz.
Para Reardon Commerce, cuya plataforma de comercio electrónico aprovecha el big data y otros recursos para optimizar el intercambio de bienes, servicios e información entre compradores y vendedores, el concepto de relevancia absoluta -colocar la oportunidad comercial adecuada frente al agente económico adecuado en el momento justo- es fundamental.
Es un ejemplo de este tipo de pensamiento que origina y conduce la estrategia hacia lo más alto, sostuvo Steitz.
Parte de este enfoque incluye desarrollar un pequeño pero poderoso equipo de científicos de datos, analistas de semántica, e ingenieros de big data, para luego abrir un diálogo bidireccional y sustancioso entre el equipo y los tomadores de decisiones en el negocio, señala Steitz.
El desafío más grande para realmente obtener valor de las tecnologías analíticas y semánticas, es que aquellos que realmente pueden obtener resultados deben encontrarse completamente compenetrados con los líderes del negocio; y éstos, a su vez, deben estar convencidos y poder ayudar, afirma Steitz.
Otro factor fundamental para poder hacer del big data parte de la estrategia de negocios general es la administración efectiva de las asociaciones de datos.
Optimizar la experiencia del usuario y el valor económico en el mundo de hoy inevitablemente requiere que las empresas compartan sus datos, sostiene Steitz. Sin embargo, los enfoques cándidos en este campo -envíenos su archivo de transacciones por la noche- son un rotundo fracaso debido a razones de seguridad y de privacidad.
Tip 2: Es esencial el gobierno corporativo de los datos
Los proyectos de big data traen con ellos significativas preocupaciones en cuanto a la seguridad, privacidad y cumplimiento regulatorio. Pero en ningún lugar este tema es más sensible que en la industria de cuidados de la salud.
El proveedor de cuidados de la salud Beth Israel Deaconess Medical Center es una organización que cada vez se compromete más con el big data, ya que trabaja con registros médicos electrónicos, nuevos modelos de reembolso de gastos médicos, y una gran cantidad de datos clínicos que han sido recogidos durante años. El gobierno corporativo de los datos tendrá un papel fundamental.
Va a haber mucha presión sobre las organizaciones TI de salud para que éstas muevan los datos rápidamente, sostiene Bill Gillis, CIO de Beth Israel Deaconess.
El tener funcionando un buen gobierno corporativo permite a las organizaciones asegurarse que los datos son exactos, y que ofrecen la historia clínica que se necesita para ofrecer un mejor cuidado de la salud.
Es crítico de que la tiranía de lo urgente no triunfe, sostiene Gillis. Tener en funcionamiento un gobierno corporativo puede ayudar a evitar ese obstáculo y mantener en marcha las cosas.
Por supuesto, la seguridad y la privacidad son una parte grande de esto.
Dada la incertidumbre que se encuentra alrededor del big data, para las marcas importantes la valla de la privacidad y la seguridad se encuentra tan alta que las protecciones que se otorguen a estos nuevos datos son mayores que las de la mayoría de otros datos tradicionales para la toma de decisiones, sostiene Charles Stryker, presidente y CEO de Venture Development Center, firma consultora que ha proporcionado asesoría en big data para compañías como AOL, Cisco, First Data y Yahoo. Ninguna de las marcas grandes quiere probar los límites de dónde cae la línea de la privacidad y la seguridad, señala Stryker.
Desde el inicio de un proyecto, las compañías necesitan tomar en consideración la procedencia de los datos (la metadata que describe la fuente de los datos) y tomar las decisiones apropiadas (confianza en los datos) cuando se usen estos datos en cualquier solución de big data, indica Louis Chabot, senior technical adviser y big data lead de la consultora en tecnología y administración DRC, que ha ayudado a algunas agencias gubernamentales a implementar proyectos de big data.
Mantener los metadatos de la procedencia de los datos y la toma de decisiones basada en su árbol genealógico no es algo que se quede inmóvil luego de producirse, anota Chabot. Es una parte integral de la iniciativa que debe estar designada e incluida desde el inicio. Cuando sea adecuado, asegura Chabot, se deben usar técnicas especializadas como las firmas digitales para proteger a la procedencia de los datos de cambios accidentales o maliciosos.
Las organizaciones también deben respetar las leyes y regulaciones sobre la privacidad de los datos. Se pueden usar varias técnicas como la anonimización de los datos, su eliminación y la restricción de su distribución o uso, de tal forma que las organizaciones cumplan con las regulaciones de seguridad y privacidad, agrega Chabot.
Tip 3: No reduzca la exactitud de los datos
Una reciente investigación de Aberdeen Group hace énfasis en otra prueba ácida para el éxito en big data: la exactitud de los datos.
De acuerdo al reporte, las mejores compañías -de acuerdo a las métricas de Aberdeen- reportaron que su meta como organización era alcanzar un 94% en la exactitud de los datos, y que requerían de una mejora de 1% para llegar a esta meta. Pero las compañías promedio de la industria reportaron una meta de exactitud de los datos de 91%, y necesitaban una mejora de 18% en sus metodologías de administración de los datos para lograr esto; mientras que las rezagadas reportaron una meta de exactitud de los datos de 80% y la necesidad de un 40% de mejora en sus actual desempeño para llegar a esta cifra.
Aquí, la limpieza y el dominio de los datos son críticos para el éxito con el big data. Contrario a lo que se cree, estos requerimientos no desaparecen, sostiene Joe Caserta, fundador y CEO de Caserta Concepts, consultora en administración de datos y big data. Si el paradigma del big data es convertirse en la nueva plataforma analítica corporativa, debe ser capaz de alinear a los clientes, productos, empleados, lugares, etcétera, sin importar la fuente de los datos.
Además, los problemas que se conocen con la calidad de los datos, que han puesto en peligro por mucho tiempo la credibilidad de los análisis de los datos, tendrán el mismo impacto sobre la analítica de big data si no se enfrentan de manera adecuada, sostuvo el investigador.
En un proyecto típico de big data, la administración de los datos usualmente queda desprioritizada por parte del personal de desarrollo y puede quedar sin resolver, señala Chabot de DRC. La administración efectiva de los datos involucra asegurar que se cuentan con técnicas maduras -procesamiento y automatización- para enfrentar la administración del modelo, la administración de los metadatos, la administración de los datos de referencia, la administración de los datos maestros, la administración del vocabulario, la administración de la calidad de los datos, y la administración del inventario de los datos, afirma el ejecutivo.
Tip 4: Reúna las mejores prácticas para obtener mejores resultados
Las personas están descubriendo qué funciona y qué no lo hace cuando se trata de administrar big data y analítica. Cuando son empleadas por la misma organización, ¿por qué no compartir este conocimiento?
Una forma de hacerlo es creando un COE (center of excellence) de big data, una entidad compartida que proporcione liderazgo, mejores prácticas, y en algunos casos soporte y capacitación.
Generalmente, los COE tienen un presupuesto dedicado y se encuentran diseñados para analizar los problemas; definir iniciativas, estados futuros y estándares; capacitar a los usuarios; ejecutar planes y mantener el progreso, sostiene Eliot Arnold, uno de los fundadores de Massive Data Insight, firma consultora que se especializa en programas de big data y analítica. Hacer que funcione un COE requiere de la auditoría de los recursos disponibles y el auspicio de la alta gerencia, afirma el consultor.
Aunque un COE de big data es una buena idea en el papel, su efectividad estará determinada por cuán bien sea implementado en la práctica, sostiene Chabot.
Existen muchos desafíos básicos con un COE que cubre todo el ciclo de vida de los datos, afirma Chabot, incluyendo la identificación de mejores prácticas y de sus autores; revisarlas de manera no sesgada; documentar adecuadamente su aplicabilidad; supervisar su adopción; y modernizarlas con el tiempo.
DRC ha definido un nivel de madurez de big data similar al CMMI (Capability Maturity Model Integration), un marco de mejora de procesos utilizado por las organizaciones. Los modelos de nivel de madurez de big data señalan las mejores prácticas relevantes. Éstas se encuentran divididas en cuatro grupos: planeamiento/administración, ejecución del proyecto, arquitectura y despliegue/runtime/ejecución, para las organizaciones que las adoptan de manera incremental en el tiempo. Esto evita los obstáculo de intentar ser demasiado sofisticados en muy poco tiempo, señal Chabot.
Tip 5: El expertise y la colaboración son fundamentales
Big data es una iniciativa de negocios, no solo un proyecto tecnológico, por tanto es vital que los líderes del negocio y de TI se encuentren en la misma página en cuanto al planeamiento, ejecución y mantenimiento.
Uno de los mayores obstáculos para un programa es la descoordinación entre TI y el negocio en cuanto a quién controla la estrategia y las iniciativas, sostiene Arnold. En las organizaciones menos maduras no hay una estrategia documentada, un revoltijo de herramientas se encuentran en producción y los tomadores de decisiones favorecen la intuición para bosquejar la dirección estratégica. Este tipo de firmas generalmente no se dan cuenta del valor como activo de los datos.
Los líderes del negocio y los profesionales de TI pueden asegurar que su proyecto de big data sea exitoso al identificar de manera cuidadosa los objetivos, necesidades y requerimientos; calculando un retorno a su inversión; mapeando las capacidades analíticas en necesidades del negocio/misión; e instalando un mecanismo para una retroalimentación continua, señala Chabot. Un proyecto de big data debe ser dividido en varias fases, añadiendo valor de manera incremental a la organización, afirma.
Pero no siempre es fácil hacer que concuerden los líderes de TI con los de negocio, así como hacer que los departamentos trabajen juntos en iniciativas de datos.
De acuerdo a mi experiencia, para las compañías más grandes esto se está convirtiendo en un verdadero desafíos corporativo, sostiene Stryker. ¿La responsabilidad laboral asociada con el chief data officer descansa dentro del departamento de TI, el departamento de marketing, el departamento de administración del riesgo, o cada uno de estos departamentos tienen sus propias iniciativas de big data y coordinar unos con otros?
Las compañías también necesitan traer el expertise necesario para explotar las tecnologías de big data tales como Hadoop, que tiene habilitada una administración de bajo costo y computacionalmente eficiente de los grandes conjuntos de datos y tareas de análisis.
El cambio de paradigma hacia el big data introduce un nuevo rol en la organización corporativa, el científico de datos, sostiene Caserta. Este rol requiere de un profundo entendimiento de matemáticas avanzadas, ingeniería de sistemas, ingeniería de datos, y expertise en negocios. En la práctica, es común utilizar un equipo de ciencia de los datos, en donde estadísticos, tecnólogos, y expertos en temas de negocios resuelven de manera colectiva problemas y proporcionan soluciones, señala.
Muchas de las personas que ya trabajan en analítica de datos necesitarán prepararse para el shock cultural, sostiene Caserta.
Antes de que se lance un proyecto de big data, se debe realizar una prueba de preparación estratégica para evaluar la adopción del nuevo paradigma, afirma. Los analistas de negocios necesitarán capacitarse nuevamente y cambiar de propósito. La meta de cambiar hacia una plataforma de big data podría incluir cambiar del análisis reactivo (por ejemplo, cuán bien funcionó una campaña) hacia uno predictivo (que debería ofrecer la siguiente campaña), afirma, porque ahora podemos influenciar proactivamente a los que no compran para que sigan los patrones de comportamiento de los clientes leales; o volver a estimular a los clientes activos cuando sus patrones de comportamiento comienzan a parecerse a los de un cliente que se ha perdido.
¿Cuáles son los riesgos de no construir una estrategia de big data fuerte y cohesiva? Lanzar esfuerzos costosos que no cumplen con su promesa.
Generalmente los proyectos de big data son iniciativas multidimensionales y complejas, señala Chabot. Requieren de un planeamiento por adelantado. Antes de embarcarse en un proyecto de big data, afirma, los líderes organizacionales deberían asegurar el alineamiento entre las hojas de ruta estratégicas, de funcionalidades, de datos, de analítica y de tecnología. Estas hojas de ruta deben reflejarse en la arquitectura de negocios, de los sistemas, del software, de los datos y de la tecnología.
El mal alineamiento entre algunos de estas hojas de ruta pueden causar que todo el proyecto de descarrile, señala Chabot. Los riesgos de no tener una estrategia de big data fuerte y cohesiva con las hojas de ruta apropiadas y las arquitecturas apropiadas es que se puede caer en costos excesivos, insatisfacción de expectativas, falta de valor, y por último el fracaso del programa.
Bob Violino, InfoWorld (EE.UU.)