En estos últimos dos años, hemos visto, tanto en nuestra vida personal como en las de las organizaciones, que la pandemia influyó fuertemente en el cambio de muchas de nuestras conductas asociadas a un mayor vínculo tecnológico, a la digitalización y a la forma híbrida de experiencias físicas con el mundo online. Y, por supuesto, el “mundo de los datos” que forma parte de las herramientas con las que se resolvieron o aceleraron las soluciones a distintos desafíos no estuvo ajeno al contexto.
Pero no todo avanza tan aceleradamente. Según una reciente investigación sobre la Situación de la Gestión de Datos y su vinculación con la Estrategia de Datos en América Latina, realizada por la Licenciatura en Inteligencia de Negocios de UPAEP en colaboración con la Empresa SEGDA, solo el 19.84% de los encuestados reportó tener ya aprobada su Estrategia de Datos y que esta fuera del conocimiento de toda la organización.
La importancia de la estrategia de datos
Los autores del estudio señalan que esta situación está correlacionada con el obstáculo identificado como principal (20%) para la implementación efectiva del Gobierno de Datos, que es la carencia de una Estrategia de Datos. Pero no se trata de un problema sectorial, sino general. Los sectores más presentes en las respuestas fueron el Financiero (25.40%), Gobierno (16.67%) y Tecnologías de la Información (11.90%), seguidos por Educación, Consultoría, Seguros, Telecomunicaciones, Retail, Energía y Agroindustrial.
Si nos enfocamos en la arquitectura de datos, retomaron vigor y se aggiornaron al nuevo momento ciertas tecnologías preexistentes como la de virtualización de datos, repensada bajo el concepto de data fabric. El objetivo -muy loable por cierto- sigue siendo el de facilitar el acceso ágil y ordenado a la información a los usuarios de negocio a través de una capa lógica y de una gestión unificada de seguridad y gobernanza que permita la integración de todos los datos relevantes de la organización que se encuentren repartidos entre sistemas heterogéneos, ya sean on premise o en la nube.
Qué es data mesh
Desde un enfoque más de proceso y organización, tomó impulso un nuevo “paradigma” -el tiempo nos indicará su derrotero- conocido como data mesh, que intenta aportar desde la experiencia de la práctica del desarrollo de software el concepto de colocar la responsabilidad de los datos en las personas más cercanas a los mismos. Los términos “descentralización” por dominio de datos y “distribución de la responsabilidad” se encuentran en el corazón de este paradigma.
El principio de propiedad del dominio exige que los equipos de dominio asuman la responsabilidad de sus datos. El principio de datos como producto proyecta una filosofía de pensamiento de producto sobre datos analíticos. La idea detrás de la plataforma de infraestructura de datos de autoservicio es adoptar el pensamiento de plataforma para la infraestructura de datos. El principio de gobernanza federada logra la interoperabilidad de todos los productos de datos a través de la estandarización, que la guilda de gobernanza promueve a través de toda la malla de datos.
La importancia de metrics layer y machine learning
En lo que refiere a la vertical de explotación y visualización de datos, emergió una tecnología denominada metrics layer. Lo que persigue la misma es, en definitiva, desarrollar una capa de métricas en un repositorio centralizado de métricas clave de negocio. Esta “capa” se encuentra entre el almacenamiento de datos de una organización y la capa de cómputo y las herramientas posteriores donde vive la lógica de la métrica, como las herramientas de inteligencia empresarial posteriores. Una capa de métricas es una capa semántica en la que los equipos de datos pueden definir y almacenar de forma centralizada métricas de negocio (o KPIs) en formato de código. Al igual que el concepto de data mesh, esta tecnología abriga una esperanza -y desafíos- para todos aquellos a los que nos apasiona el orden y la flexibilidad al mismo tiempo para resolver desafíos de BI con agilidad.
La práctica de machine learning también registra avances significativos en la pospandemia. La necesidad de “factorizar” y “empaquetar” la operatoria que conlleva el desarrollo de los pipelines de datos que alimentan los modelos predictivos, la calibración y mejora continua de los mismos y su productivización para ser consumidos por los distintos procesos de negocio ha desencadenado una creciente oferta de soluciones comerciales para transformar el proceso de modelos predictivos en una suerte de “fábrica productiva”. Lo que hoy se da en llamar Machine Learning Ops promete un respiro a los data scientistque comenzaron desarrollando modelos y su éxito los obligó a mantener los procesos operativos de los mismos en forma recurrente.
No hay dudas de que la tecnología avanza a pasos agigantados, y de que el ciclo de productos y empresas se depura y consolida en forma creativa permanentemente. No obstante, el desafío es y seguirá siendo responder las preguntas clave: para qué queremos datos, qué hacemos con los mismos y cómo los llevamos a la operación de una manera inteligente y eficaz.
Nicolás Martins /america-retail.com