Dominar el procesamiento de datos es solo el punto de partida. Lo que realmente transforma a las organizaciones es saber qué hacer con esa información y qué procesos aplicar según las necesidades del negocio. Desde la inteligencia de negocios hasta el deep learning, existe un ecosistema completo de disciplinas que trabajan con datos, y cada una cumple un rol específico en la toma de decisiones y la generación de valor.
¿Qué es business intelligence y por qué es el proceso más tradicional?
Business intelligence (inteligencia de negocios) es un conjunto de tecnologías y herramientas diseñadas para procesar datos y entregar resultados a juntas directivas o altos cargos, permitiéndoles tomar decisiones basadas en información real [0:18]. Es el proceso con más trayectoria dentro del mundo de los datos.
Su funcionamiento se apoya en un proceso de ETL o ELT: extraer la información, transformar los datos y cargarlos en una fuente específica donde el cliente lo necesite [0:42]. Este flujo suele acompañarse de visualizaciones como tableros que muestran:
- Indicadores de producción de una industria.
- Incidentes o reportes generados por usuarios.
- Ventas, promedio de costos de facturación o productos más y menos vendidos.
¿Cómo se diferencia big data del business intelligence?
Mientras que business intelligence trabaja con volúmenes manejables, big data analiza cantidades de información muchísimo mayores [1:17]. Estas presentan más dificultades y requieren un proceso de limpieza más fuerte, una transformación más precisa, aplicación de reglas de negocio a alto nivel, y la integración de cuatro, cinco o muchas más fuentes de datos.
Una forma de identificar un proyecto de big data es a través del concepto de las cinco V [1:42]: volumen, volatilidad, veracidad, y otras dos que vale la pena investigar para completar el panorama.
¿Qué hace la ciencia de datos y en qué se distingue?
La ciencia de datos se enfoca en buscar patrones en la información [2:05]. A diferencia del business intelligence y el big data, aquí el objetivo es detectar qué ocurre constantemente en los datos para generar acciones concretas.
Por ejemplo, si se identifica que un producto se vende más en horarios o fechas específicas, esa información se comunica al equipo de marketing para lanzar campañas en esos momentos, ayudando a la empresa a aumentar ingresos [2:28].
¿Qué papel juegan machine learning y deep learning en los datos?
Machine learning permite generar modelos de recomendación [2:52]. Si usas plataformas como Amazon o MercadoLibre, notarás que según tus búsquedas el sistema arroja sugerencias personalizadas. Incluso cuando hablas de un tema, tu celular empieza a mostrarte recomendaciones relacionadas en la web.
Estos modelos facilitan el estudio del comportamiento de los usuarios a nivel de industria y negocio [3:20]. Sin embargo, machine learning no se limita a recomendaciones: existen muchos otros tipos de modelos que vale la pena explorar.
Más allá están el deep learning y la inteligencia artificial, procesos que usan como input todo lo que generan los datos y las ETL [3:43]. Por eso es fundamental dominar un buen ciclo de procesamiento, transformación y depuración de datos.
¿Qué tipos de arquitectura existen para trabajar con datos?
Cuando se trabaja con datos de manera profesional, surgen tres tipos de arquitectura [4:05]:
- On premise: infraestructura local. Herramientas recomendadas incluyen SQL, Analysis Service, Reporting Service, Integration Service y Power BI.
- Cloud: plataformas en la nube como GCP, AWS o Azure.
- Híbrida: combinación de ambas.
¿Cómo se migra una arquitectura on premise a la nube?
Un escenario típico on premise funciona así: los datos de entrada viven en SQL, se transforman con Integration Service, se depositan en un cubo OLAP o ROLAP dentro de Analysis Service, y se visualizan en Power BI [4:35].
La migración a Azure podría replicarse de esta forma [5:10]:
- Almacenar la información fuente en un lago de datos (generación uno o dos).
- Procesar y aplicar reglas de negocio, KPIs e indicadores con Databricks, usando lenguajes como SQL, PySpark, Python o R [5:28].
- Depositar los resultados en Synapse, completando el ciclo de ETL en la nube.
- Visualizar con Power BI, Tableau o Microstrategy.
Las migraciones deben hacerse paso a paso [6:15]. Entender el negocio y la lógica detrás de cada desarrollo es lo que garantiza procesos de datos de excelente calidad. ¿Ya conocías estas arquitecturas? Comparte tu experiencia en los comentarios.
