Por qué es importante aplicar big data a las tareas cotidianas
El análisis de big data puede hacer más que solo proporcionar informes a los tomadores de decisiones. También puede ayudar a las empresas en su trabajo diario.
El análisis de big data ya no es algo bueno para las empresas: ahora es una misión crítica.
En 2023, Veritas «En solo unos años, Big Data ha pasado de ser un proyecto experimental esporádico a un estado de misión crítica en la empresa digital. Según IDC, para 2023, la capacidad de analizar todos los datos relevantes y proporcionar a las organizaciones la información procesable ganará $ 430 mil millones más que sus pares menos analíticos. El análisis de big data que alguna vez se realizó ocasionalmente, ahora se realiza Todos los días en muchas empresas, incluidas Amazon, Walmart y UPS. »
Mirar: Inside UPS: La interminable transformación digital de las empresas de logística (PDF gratuito) (República tecnológica)
Sin embargo, las organizaciones aún encuentran dificultades al intentar implementarlo.
Gartner define la operacionalización de big data Por ejemplo, «Aplicación y mantenimiento de modelos predictivos y prescriptivos. Tanto los clientes como los proveedores destacan la importancia de trasladar la ciencia de datos de un entorno prototipo a un estado de producción y mejora continua».
En otras palabras, para operar con big data, debe sacarlo del espacio aislado de prueba y asumir un papel activo en el negocio.
Con mucho, el papel más activo de Big Data en la empresa es el apoyo a la toma de decisiones.
- Los patrones de compra de los consumidores a partir de datos basados en la web informan a los minoristas qué productos se mueven más rápido, quién los compra y dónde.
- Un sistema de análisis de diagnóstico mejorado con aprendizaje automático informa a los médicos sobre el diagnóstico y el tratamiento más probables para ciertas afecciones.
- Los sensores colocados a lo largo de las vías del tranvía y el equipo clave le dicen a las ciudades qué áreas de su sistema físico de tranvía necesitan reparaciones inmediatas o a corto plazo para que el sistema no falle.
Todos estos ejemplos ilustran la primera capa de implementación de análisis de big data, ya que utilizan big data no estructurados y su función es proporcionar a los gerentes informes estáticos procesables.
Utilice análisis en su flujo de trabajo diario
Sin embargo, cuando implementa completamente el análisis, hay una segunda fase de participación activa en la que las empresas integran el análisis de big data directamente en los flujos de trabajo diarios de sus operaciones. En estos casos, los análisis continúan informando las decisiones, pero también automatizan ciertas tareas en el flujo de trabajo de una empresa en función de la inteligencia obtenida de los datos.
Un buen ejemplo de automatización de sistemas en las operaciones es la decisión de préstamos bancarios. A lo largo de los años, los programas de software han evaluado el crédito de los solicitantes de préstamos y han tomado decisiones de «préstamo» o «no préstamo» y las tasas de interés del préstamo en función del perfil de crédito del solicitante del préstamo, el tamaño del préstamo y el monto del préstamo. riesgo.
Los reguladores de préstamos aún tienen la última palabra, pero esencialmente el software de préstamos ya ha tomado la decisión.
Podemos extender este modelo al campo del mantenimiento de los sistemas de tranvías urbanos.
Los sensores de Internet de las cosas (IoT) están conectados a componentes clave de pistas y equipos. Los sensores pueden detectar signos de falla en estos componentes físicos antes de que ocurran. Recopile datos y genere informes para los supervisores que luego organizan las tareas y rutas de mantenimiento preventivo.
Mirar: La proliferación de big data en tiempo real y análisis de IoT está cambiando el pensamiento corporativo (República tecnológica)
Ahora, ¿qué pasaría si estos análisis pudieran implementarse más? Por ejemplo, los sistemas de análisis adquieren grandes datos en tiempo real a partir de sensores IoT dispersos en los sistemas de transporte urbano. El sistema analiza estos datos y genera informes de mantenimiento para los supervisores, pero también interactúa con un sistema de planificación de órdenes de trabajo que organiza el trabajo de mantenimiento por ubicación y clasifica las órdenes de trabajo para los trabajadores.
Estos tickets se pueden enviar directamente a los mantenedores, o una organización puede elegir que un supervisor humano los revise y luego autorice el ticket antes de publicarlo.
Al integrar el análisis de big data en las cargas de trabajo diarias, en lugar de solo generar informes (es decir, la operacionalización secundaria), las organizaciones pueden lograr mayores retornos de sus inversiones en análisis y big data.
Esto es más importante que nunca porque el año pasado Venturebeat informa que el 87% de los proyectos de ciencia de datos aún no están en producción.
En el futuro, no podemos darnos el lujo de fallar en este nivel de big data y análisis. Es más importante operar en él en los flujos de trabajo comerciales, así como en los informes estáticos.
