Big Data y análisis de datos, un diamante en bruto que ronda los 8 mil 900 MDP en México para 2023
• La seguridad, privacidad y las consideraciones éticas en el almacenamiento, protección y uso de los datos, marcará las próximas tendencias • El déficit de especialistas continúa siendo un problema para la industria y una oportunidad latente para los canales
En la era de la digitalización, los datos se han convertido en uno de los activos más importantes de las empresas y con el tiempo y las nuevas tecnologías, serán todavía más relevantes, por lo que antes de desmontar el entramado complejo que existe con relación al Big Data, así como los retos, el mercado y las oportunidades para los canales, es necesario acotar algunos elementos.
Pensando en el Big Data como un conjunto de datos grandes y complejos, su análisis y procesamiento es difícil utilizando técnicas tradicionales de procesamiento de datos, ya que el Big Data se caracteriza por su volumen, velocidad y variedad. El volumen se refiere a la gran cantidad de datos que se generan y que pueden ser petabytes o incluso exabytes. La velocidad se refiere a la rapidez a la que se generan los datos, que puede ser en tiempo real o casi en tiempo real. La variedad se refiere a los diferentes tipos de datos obtenidos, incluidos los datos estructurados, semiestructurados y no estructurados.
Las grandes cantidades de datos se generan principalmente, a partir de una variedad de fuentes, incluidas las redes sociales, sensores, dispositivos móviles y sistemas transaccionales. La tecnología de Big Data se utiliza para almacenar, procesar y analizar estos datos para extraer información y valor.
Así bien, los conocimientos derivados de Big Data pueden ayudar a las organizaciones a tomar mejores decisiones, mejorando la eficiencia operativa e impulsando la innovación. Sin embargo, los grandes datos también presentan desafíos, incluida la calidad de estos, el gobierno de los datos y la necesidad de recursos calificados para administrar y analizarlos.
El auge de la Inteligencia Artificial (IA) y el Internet de las cosas (IoT)
En 2023 es posible observar con mayor recurrencia el uso de tecnologías que facilitan la vida de las personas y negocios de las empresas, lo que también genera importantes cantidades de información, aunque el verdadero reto consiste en su correcto aprovechamiento. “La integración y evolución de las tecnologías como IA e IoT para 2023 están potencializadas por nuevas tecnologías como 5G que ya se convierten en la base de la eficiencia de dichas tecnologías en las organizaciones, además de otras como los accesos y servicios a la nube, digital twins y el modelo transformacional dado por los casos de uso y el digital first”, declaró Juan Carlos Parra, Telecom Research Director en IDC.
“La fuerza gravitacional de los mismos datos es un reto por sí solo y todo lo que los rodea, tamaño, cumplimiento, conectividad. Por lo que, tener un lugar cercano a la creación de estos datos es fundamental para las compañías e instituciones. De ahí HPE GreenLake”: Carlos Garza, Business Development Manager para Compute y Data Services en HPE.
De esta forma, la integración de IA, 5G e IoT junto con Big Data está creando nuevas oportunidades para que las empresas obtengan información y creen valor a partir de sus datos. Desde el lado de la IA, los algoritmos que genera se pueden usar para analizar grandes conjuntos de datos e identificar patrones y tendencias que serían difíciles de detectar manualmente y en el caso de los dispositivos IoT pueden generar datos en tiempo real que se pueden usar para monitorear y optimizar las operaciones de la misma forma, es decir en tiempo real, creando oportunidades para ahorrar costos y aumentar la eficiencia.
Sin embargo, la gestión y el análisis de Big Data generados por IA e IoT presentan desafíos importantes como: La seguridad de los datos, la privacidad y las consideraciones éticas, fundamentales cuando se manejan grandes cantidades de datos confidenciales.
Por otra parte, las herramientas tradicionales de administración de datos pueden no ser adecuadas para manejar los volúmenes masivos de información generados por estas tecnologías. Como resultado, se necesitan nuevas herramientas y técnicas para administrar, procesar y analizar los grandes datos generados por IA e IoT. En general, la creciente generación de datos de IA e IoT presentan tanto oportunidades como desafíos para Big Data, al igual que para los canales de distribución, aunque para estos últimos el verdadero reto descansa en la formación de talento altamente especializado para aprovechar estos temas.
Tendencias:
•Mayor adopción de soluciones de Big Data basadas en la nube: Con la computación en la nube cada vez más accesible y asequible, las organizaciones se están moviendo hacia soluciones de Big Data basadas en la nube para almacenar, procesar y analizar grandes cantidades de datos.
•Análisis en tiempo real: La demanda de información en tiempo real ha aumentado y tecnologías como Big Data se están utilizando para ofrecer análisis en tiempo real, lo que permite a las organizaciones tomar decisiones basadas en datos actuales.
•Auge de la inteligencia artificial y el aprendizaje automático: La integración de la IA y el aprendizaje automático aunado al análisis de Big Data permite a las organizaciones hacer mejores predicciones y obtener información de datos que antes eran difíciles de analizar.
•La creciente importancia de la privacidad y la seguridad de los datos: La creciente cantidad de datos que se recopilan, la privacidad y la seguridad de los datos se están convirtiendo en las principales preocupaciones de las organizaciones. Regulaciones como la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, están presionando a las organizaciones para que sean más transparentes sobre cómo recopilan, almacenan y usan estos datos.
Clasificación de los datos
La catalogación de los datos es un primer paso en la hoja de ruta que las empresas deben seguir para aprovechar el uso de su información y para ello los canales pueden ser un excelente aliado preparándose con personal especializado.
Los especialistas consultados para esta edición coincidieron en que la agrupación de datos se realiza en función a las necesidades que cada compañía tiene. “Es un tema complejo, puesto que depende de cada empresa, por ejemplo, una empresa del sector financiero tiene un catálogo de sus servicios, clientes, transacciones, créditos, saldos, transferencia, activos, etcétera, mientras que una del sector manufacturero trabaja con datos de las líneas de producción, abastecimiento, rotación de inventarios; incluso con datos del ambiente como temperatura de las instalaciones, humedad y presión, por lo que se requiere de una gran especialización en conocimientos de estadística, matemáticas y modelos predictivos, así como de procesos de negocios e industrias”: expresó Alejandro Vargas, Senior Manager en Select.
“La manera de catalogar los datos de una empresa dependerá mucho de su objetivo, de su mercado y de sus normas; por ejemplo: datos para la toma de decisiones; ventas históricas, comparativas, utilidades; compras históricas, costos; inventarios, antigüedad, rotación, distribución; costos; garantías; experiencia de pago; datos sobre tendencias, nuevos productos, servicios, tecnologías; datos para el análisis de competencia y posicionamiento; datos para el conocimiento de los clientes y prospectos, engagement, embudos de conversión, impacto y uso de un sitio web o aplicación”: Pablo Álvarez, Chief Technology Officer en PCH Mayoreo.
En el contexto de Big Data, la clasificación de datos es esencial para una gestión eficaz, ya que ayuda a las organizaciones a priorizar sus esfuerzos de protección de datos, asignar recursos de forma eficaz y gestionar los datos según su valor.
Tipos de datos:
•Datos estructurados: Se refieren a datos que están organizados en un formato predefinido, como una base de datos o una hoja de cálculo. Los datos estructurados suelen ser fáciles de buscar, analizar y manipular con las herramientas tradicionales de gestión de datos, como las bases de datos SQL. Estos incluyen datos financieros, datos de inventario y datos de clientes.
•Datos no estructurados: Son datos que no están organizados en un formato predefinido y que no encajan en las herramientas tradicionales de gestión de datos. Algunos ejemplos son: los datos de redes sociales, archivos de audio y video y documentos de texto, por lo que presentan desafíos para el análisis, ya que requieren técnicas de análisis avanzadas, como el procesamiento del lenguaje natural y el aprendizaje automático.
•Datos semiestructurados: Se refieren a datos que tienen cierta estructura, pero no la suficiente para encajar en las bases de datos tradicionales. Los ejemplos incluyen archivos XML y JSON, que tienen una estructura predefinida pero aún son lo suficientemente flexibles para adaptarse a diferentes formatos de datos.
Además de los tres tipos principales de datos (estructurados, no estructurados y semi estructurados) el Big Data también puede incluir otro tipo de datos, como los geoespaciales, de máquinas y datos de series temporales.
Sólo para precisar, los datos geoespaciales están vinculados a una ubicación específica, como datos de GPS o imágenes satelitales; los datos de máquinas se refieren a los generados por las máquinas, como registros y datos de sensores, y, por último, los datos de series temporales se refieren a los que se recopilan a lo largo del tiempo, como los precios de las acciones o los datos meteorológicos.
Al clasificar el Big Data siguiendo estos tipos, las organizaciones pueden desarrollar estrategias adecuadas para administrar, analizar y almacenar sus datos. Cada tipo de datos presenta desafíos únicos y requiere herramientas y técnicas especializadas para un análisis y una gestión eficaces, lo que representa una oportunidad enorme para los canales de distribución.
Desafíos:
•Calidad de los datos: El Big Data adquiere utilidad si es de alta calidad. Asegurar la precisión, integridad y consistencia de los datos es un desafío.
•Gobernanza de datos: Administrar y gobernar Big Data es complejo debido al gran volumen de datos, la variedad de fuentes y la necesidad de cumplir con los requisitos normativos.
•Déficit de especialistas: Se requiere una amplia gama de habilidades, incluida la ciencia de datos, la programación y el análisis estadístico. Encontrar a las personas indicadas con las habilidades adecuadas es un desafío.
•Integración: El Big Data a menudo requiere la integración de datos de múltiples fuentes, lo que puede ser un desafío debido a las diferencias en los formatos, estructuras y sistemas de datos.
El canal y sus oportunidades
Las oportunidades para el canal aguardan en diversos espacios con el Big Data, aunque quizás las más significativas están orientadas al desarrollo de soluciones específicas al conocer a detalle la industria, el core de negocio o bien, el mercado al cual están enfocados las empresas.
“Cada organización, dependiendo del core de su negocio y de la base para conseguir información identifica esta catalogación y con base en ello realiza otros tipos de sub catálogos de información basados en ubicación geográfica, usos y costumbres, desplazamientos y rutinas de consumo; asimismo, la ingeniería y la ciencia de datos con este principio es la encargada de tomar la estrategia de catalogar la información, con base en el resultado que se espera de acuerdo a las necesidades del área o de la organización”: Juan Carlos Parra, Telecom Research Director en IDC.
Oportunidades:
•Perspectivas de negocio: El análisis de Big Data puede proporcionar información valiosa que puede ayudar a las organizaciones a tomar decisiones informadas, mejorar las experiencias de los clientes e impulsar la innovación.
•Ahorro de costos: Las soluciones de Big Data pueden ayudar a las organizaciones a optimizar las operaciones, reducir los costos y mejorar la eficiencia.
•Personalización: El Big Data puede ayudar a las empresas a brindar experiencias personalizadas a sus clientes mediante el análisis del comportamiento y las preferencias de los clientes.
•Nuevos modelos comerciales: El Big Data habilita nuevos modelos comerciales como: modelos basados en suscripción y modelos de pago por uso, que pueden impulsar el crecimiento de los ingresos.
Es así como el resguardo, tratamiento e implementación de estrategias, permite a las empresas contar con un sistema de mayor efectividad para lograr su objetivo, ya sea mayor producción, acercarse a un público objetivo, generar mejores experiencias o todas al mismo tiempo. “El poder dar tratamiento y análisis a los datos nos permite entregar mejores experiencias a los usuarios, acelerar la toma de decisiones del negocio, así como ver todas las aristas dentro del mismo. No se puede predecir el futuro, pero se pueden tomar decisiones más educadas.”, enfatizó el Business Development Manager para Compute y Data Services en HPE, Carlos Garza.
Existe un tema más que no puede pasar por alto para los canales que busquen generar negocios de alcance en Big Data y es la impostergable situación de falta de talento especializado no sólo para poder trabajar estos temas, sino algo con mayor relevancia, la forma precisa en el tratamiento, hermetismo y garantía de que los datos no serán expuestos a terceros. “Sin duda hay talento, pero las empresas deben echar mano cada vez más de estos especialistas y/o formarlos para estar preparados, actualmente considero importante contar ya sea con asesorías externas de especialistas en la materia o crear un área especializada dentro de la organización y adoptar un enfoque Data-Driven”, aseguró el Chief Technology Officer en PCH Mayoreo.
“Diseñar una arquitectura de datos encaminada a generar business outcomes (resultados), es una labor fundamental, ya que grandes empresas cuentan con departamentos de Big data/analítica que trabajan con áreas del negocio para el desarrollo de estas arquitecturas, también entran los consultores externos, nacionales o globales, que inyectan su talento experto para codiseñar, asesorar y guiar a los clientes en el diseño de arquitectura de datos”: Alejandro Vargas, Senior Manager en Select.
A medida que el uso herramientas que diseccionen o almacenen Big Data siga creciendo, es fundamental tener en cuenta las implicaciones éticas, de seguridad y de privacidad asociadas con la recopilación, el almacenamiento y el análisis de grandes volúmenes de datos.
La brújula que apunta al futuro:
•Seguridad: El Big Data puede ser un activo valioso para las organizaciones, pero también puede ser un objetivo para los ataques cibernéticos. Como tal, se deben implementar medidas de seguridad para proteger contra el acceso no autorizado, las filtraciones de datos y otras actividades maliciosas. Las organizaciones deben asegurarse de que sus datos estén encriptados, que el acceso a ellos esté restringido y que existan mecanismos para detectar y responder a las amenazas de seguridad.
•Privacidad: El Big Data a menudo contiene información personal, y las empresas deben estar atentas a la hora de proteger los derechos de privacidad, ya que las regulaciones de protección de datos, como la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, exigen que las organizaciones sean transparentes sobre cómo recopilan y utilizan los datos personales. Las empresas deben obtener el consentimiento para el uso de datos personales, anonimizar los datos cuando sea posible y contar con procedimientos para responder a las solicitudes de acceso o eliminación de datos.
•Consideraciones éticas: El uso de Big Data también plantea cuestiones éticas, como la forma en que se recopilan y utilizan los datos. Las compañías deben asegurarse de que la recopilación y el uso de datos sean éticos y no infrinjan los derechos individuales. El uso de los datos debe ser transparente y las personas deben ser conscientes de cómo se utilizan sus datos. Además, las empresas deben conocer el potencial de sesgo en el análisis de datos y se deben tomar medidas para minimizar el impacto del sesgo en la toma de decisiones.
En resumen, las consideraciones de seguridad, privacidad y ética son críticas cuando se trata de Big Data. Las organizaciones deben asegurarse de contar con medidas de seguridad sólidas, proteger los derechos de privacidad individuales y cumplir con los estándares éticos al recopilar, almacenar y analizar datos. Al hacerlo, pueden generar confianza con sus clientes, minimizar los riesgos legales, de reputación y crear valor a partir de sus datos respetando los derechos de las personas.
Consideraciones y conclusiones
Como uno de los puntos de mayor relevancia a considerar por el canal, debido a su exponencial crecimiento en los últimos años y de lo cual son testigo los datos antes recabados, es preciso mencionar que el valor de mercado para Big Data sigue en acenso, tanto que es difícil encontrar una cifra precisa pues los datos cambian de forma vertiginosa, aunque los últimos compartidos indican que: “El Big Data de manera mundial para 2023 espera tener un crecimiento del 13% total, respecto del año anterior en las líneas de software- On Premise con 55 mil millones de dólares y Servicios en la nube pública con 67 mil millones de dólares. Dicho mercado representa para México 8 mil 900 millones de pesos mexicanos aproximadamente para 2023”, afirmó Juan Carlos Parra.
“El 21% del presupuesto de innovación de las grandes empresas en México irá destinado a Analytics”: Alejandro Vargas.
Respecto a las principales verticales donde llega esa inversión y que desde luego es más factible que el canal pueda encontrar oportunidades rápidamente, están el sector financiero y retail de acuerdo con lo compartido por Select.
“El campo de acción que demanda la solución de transformación y analítica de datos en México para 2023 está distribuida en: Distribución y servicios con el 32.9%; Finanzas con el 23.4%; Infraestructura 11.2%; Manufactura 24.5%; y Sector público 8%”: Juan Carlos Parra.
La gran apuesta por parte de los canales a estas soluciones estriba en la posibilidad que entregan a las organizaciones para administrar y analizar sus datos de manera efectiva, logrado obtener una ventaja competitiva y crear nuevas propuestas de valor para sus clientes.
De la misma forma, las tecnologías y la administración de datos ha revolucionado la forma en que las organizaciones recopilan, administran y analizan datos, aunque con el aumento del volumen, la velocidad y la variedad de datos generados por una diversidad de fuentes, como dispositivos IoT, redes sociales y otras plataformas digitales, la importancia de Big Data ha crecido con el tiempo, permitiendo que las organizaciones obtengan conocimientos más profundos sobre el comportamiento de los clientes, optimizar sus operaciones e impulsar la innovación, creando nuevas oportunidades para la toma de decisiones basada en datos, marketing personalizado, monitoreo y análisis en tiempo real, todo ello, espacios donde el canal se mueve de forma natural y que sólo faltaría especializarse un poco más para incrementar el ticket de la misma forma.
No se debe olvidar o poner en segundo plano que, la gestión y el análisis de Big Data presenta desafíos significativos, incluidas las preocupaciones de seguridad y privacidad de datos, la necesidad de herramientas y técnicas de análisis avanzadas, así como la capacidad de manejar y procesar grandes cantidades de datos en tiempo real. Como resultado, las organizaciones deben invertir en tecnologías, infraestructura y recursos humanos apropiados para administrar y utilizar Big Data de manera efectiva.
Al cierre de este texto es posible asegurar que el Big Data ofrece un potencial significativo para que las organizaciones obtengan conocimientos e impulsen la innovación, pero también requieren de una gestión y un análisis cuidadoso para garantizar que se utilicen de manera efectiva y ética esos datos, puesto que, a medida que la tecnología continúa evolucionando y el volumen de datos creciendo, es muy probable que la importancia de Big Data aumente en los próximos años.
