Aunque todo lo relacionado con Big Data nos puede sonar a novedad y todavía queda mucho por avanzar en este campo, lo cierto es que el uso y desarrollo del Big Data no empezó esta década. En 1880 el censo de Estados Unidos tardó ocho años en tabularse. Según los cálculos, el de 1890 tardaría más de 10 años en tabularse si no había avances tecnológicos, por lo tanto, no se llegaría a terminar antes de 1900, que era cuando se tenía que cerrar el censo. Por ello, se inventó la máquina tabuladora de Hollerith, que respondía a la necesidad de manejar una cantidad de datos que superaba las posibilidades del equipo humano. El primer aumento de información se da en el siglo XX con el boom demográfico. Al haber más personas, lógicamente, se estaba generando más información.

En 1940, algunas bibliotecas en Estados Unidos se estaban dando cuenta que estaban empezando a lidiar con una cantidad mucho más alta de publicaciones y se empieza a hablar de la explosión de información. En esta década los bibliotecarios se dan cuenta que empieza a haber demasiado volumen y que se necesitaría contratar mucha gente para poder administrar el catálogo completo. Como vemos, durante el siglo pasado se empezó a generar una cantidad de datos que de forma bastante natural, iba a llevar a la necesidad de crear nuevos sistemas que permitieran gestionarlos.

El big data en los 60’s.

En la década de los 60, las empresas empiezan a desarrollar sistemas para automatizar el control del inventario. A partir de ese momento, el crecimiento y el uso de datos empieza a evolucionar hacia nuevos usos y sectores. La expresión «Inteligencia de negocios», «Inteligencia empresarial» o Business Intelligence, aparece sobre la década de los 90 y se acompaña de un crecimiento más rápido en esa línea, gracias a la llegada y popularización de Internet. Aunque ya se gestionan grandes cantidades de datos, no se empieza a hablar de Big Data hasta 1997. Aún así, al principio, en la gestión de datos, se entiende como un problema que debe estar gestionado por el departamento de informática. Podemos decir que, realmente, la inteligencia empresarial puede empezar a avanzar cuando los datos se empiezan a entender como algo transversal a toda la organización y no como un servicio que tiene que proporcionar el área de informática.

En 2009, la inteligencia empresarial se convierte en una prioridad. Además de la estructuración de datos, que se da en la segunda mitad del siglo XX, la inteligencia artificial y el Machine Learning nos permitirán en los próximos años seguir avanzando, cada vez más rápido. Esperamos que tan rápido como las necesidades y las posibilidades del mercado.

¿Qué significa el big data o los Macro Datos?

Big Data - Análisis

Cada vez es más normal recibir un correo electrónico o un mensaje en el que se usa la expresión Big Data, y cada vez es más difícil poder asistir a una reunión sin saber lo que significa. La expresión se ha vuelto algo corriente en el lenguaje empresarial y todo el mundo da por hecho que sabemos lo que es. Pero ¿qué es realmente el Big Data? El primer paso es definir qué es el Big Data y cuál es el uso que se da al término en la actualidad. Podríamos decir que Big Data tiene 3 V necesarias a las que después se pueden añadir otras.

Las tres V del big data.

Big data es un término ambiguo y relativo. Empecemos definiendo lo que no es. No son datos comunes. No es más de lo mismo. No es algo con lo que cualquier analista de datos experimentado puede lidiar. Los datos masivos son datos que no encajan bien con el paradigma analítico conocido, como las filas y columnas de una hoja de cálculo de Excel. No se pueden analizar con una regresión múltiple convencional, y el disco rígido de tu computadora no alcanza. Por otro lado, una forma de describir el big data es fijándonos en las tres V de volumen, velocidad y variedad, que surgen de un artículo que escribió Doug Laney en 2001. Son las características más comunes del big data, aunque no son las únicas. En este curso, hablaremos de otras características posibles más adelante. Primero, hablaremos del volumen.

El volumen en el big data.

La definición más simple del big data, los macrodatos o los datos masivos es que son datos demasiado grandes como para trabajar con ellos en una computadora personal. Sin embargo, esta es una definición relativa, ya que lo que ahora puede ser demasiado grande para un sistema posiblemente en otro sea normal. Este es el punto de partida de la ley de Moore, un principio conocido de la informática: la capacidad física y el rendimiento de las computadoras se duplican cada dos años. Por ejemplo, el máximo de filas que se puede tener en una hoja de cálculo de Excel ha ido cambiando con el tiempo. Anteriormente eran 65.000. Ahora es más de un millón, lo que parece mucho, pero si estás registrando una actividad en internet, que puede ocurrir cientos o miles de veces por segundo, alcanzarás tu millón de filas muy rápidamente.

La velocidad en el big data.

Una característica del big data es la velocidad, porque los datos entran muy rápido. En la investigación científica convencional, recopilar datos de 100 casos podría tomar meses, analizarlos tomaría semanas, y para publicarlos harían falta años. Recopilar estos datos no solo consume tiempo, sino que una vez que los hemos registrado, son estáticos, es decir, no cambian. Como ejemplo, quizás el conjunto de datos más familiar para enseñar el procedimiento estadístico, el análisis clúster, es el conjunto de datos «Iris», recopilado por Edgar Anderson y analizado por Ronald Fisher, que publicaron sus estudios en 1936. Este conjunto de datos contiene cuatro medidas: el ancho y el largo de los pétalos y de los sépalos de tres especies de iris. Abarca alrededor de 150 casos, y estos datos se utilizan todos los días. Es uno de los conjuntos de datos del lenguaje de programación estadística R, y en casi 80 años no ha cambiado.

En otro extremo, si te interesa utilizar datos de Twitter, por ejemplo, tendrás que lidiar con lo que recibe el nombre de la manguera de incendios de Twitter, De hecho, Twitter procesa alrededor de 6000 tuits por segundo a nivel mundial. Esto supone 500 millones de tuits al día y unos 200.000 millones de tuits por año. De hecho, una forma de visualizar esto es mediante un contador web a tiempo real. La página Internet Live Stats nos muestra que hoy se han enviado alrededor de 341 millones de tuits, y la cifra se va actualizando de manera extremadamente rápida. Hasta un simple sensor de temperatura conectado a un microprocesador Arduino mediante una conexión en serie y que envíe solo un bit de datos por vez puede abrumar a una computadora, si se deja funcionando demasiado tiempo. Esta afluencia constante, más conocida como transmisión de datos, presenta problemas especiales para el análisis, porque el conjunto de datos es un objetivo móvil. Si estás acostumbrado a trabajar con datos estáticos, en un programa como SPSS o R, las demandas y complejidad de las transmisiones de datos pueden ser abrumadoras.

La variedad en el big data.

La tercera característica del big data es la variedad. Quiere decir que no tenemos los datos dispuestos de manera ordenada en las filas y columnas de una hoja de cálculo, por ejemplo, puedes tener muchas hojas de datos en formatos diferentes. Puedes tener texto no estructurado, como libros, artículos de blogs, comentarios en noticias y tuits. Un investigador calculó que el 80 por ciento de los datos de una empresa pueden ser no estructurados, es el caso más común. Esto puede incluir fotos, videos y audio. Del mismo modo, los conjuntos de datos incluyen los datos de gráficos en red, es decir, datos de conexiones sociales. O si estás tratando con conjuntos de datos en lo que se llama bases de datos no SQL, puede que tengas gráficos de conexiones sociales, y estructuras y documentos jerárquicos. Con cualquier número de formatos de datos que no encaje en las filas y columnas de una base de datos relacional o una hoja de cálculo, puedes tener problemas analíticos graves. De hecho, un estudio reciente de Forrester Research muestra que la variedad es el factor más potente detrás de la búsqueda de soluciones con big data de las empresas. De hecho, la variedad se mencionaba cuatro veces más que el volumen.

¿Necesita el Big Data de las tres V?

¿Debes cumplir con las V de volumen, velocidad y variedad al mismo tiempo, o alcanza con una sola, para decir que trabajas con big data? Si tienes las tres V, tienes big data, pero con un exceso de una sola de estas cualidades, ya superas la capacidad del enfoque estándar para analizar los datos. Lo que el big data señala es que no se puede usar el enfoque estándar cuando tienes este tipo de datos. Como resultado, el big data se enfrenta a una cantidad de problemas específicos. Los veremos más adelante. Primero, vamos a ver cómo se utiliza el big data y algunos de los logros que se están alcanzando al aplicarlo para la investigación, los negocios e incluso para el consumidor ocasional.

¿Para qué se usa el big data?

El Big Data nos permite recoger y analizar grandes cantidades de datos, para tener más y mejor información sobre nuestra audiencia, consumidores o público objetivo. Todos estos datos no se pueden aplicar de una forma general y obtener conclusiones, sin tener en cuenta un parámetro muy importante, que pone en perspectiva, tanto la información como las propias conclusiones, «el tiempo». Ese gran volumen de información recogida se marca en un punto determinado del tiempo, por lo que con los datos, un punto determinado en el tiempo y un buen análisis, podemos entender el pasado, el presente o el futuro. Para entender el pasado a través del Big Data necesitaremos recoger todos aquellos datos que podamos y establecer relaciones entre ellos, aunque, a primera vista, no nos pueda parecer útil. Al hacer esto, se podrán entender relaciones y causalidades que en un principio no parecían estar ahí.

El ejemplo de la pizza.

Un ejemplo, sería recoger datos sobre las ventas de pizza durante un año y los partidos de fútbol oficiales. Al recogerlos, podremos observar que siempre que hubo un partido de fútbol se vendieron más pizzas. Una segunda aplicación nos sirve para entender «el presente». Los avances tecnológicos nos permiten recoger y analizar cada vez, mayores cantidades de datos en tiempo real; lo que a su vez, nos permite activar procesos de mejora antes de que sea demasiado tarde. Así, a tiempo real, estamos viendo las consecuencias de nuestras decisiones o cómo está funcionando una estrategia. Volviendo al ejemplo de la pizza, podemos ver en tiempo real cuál es el ingrediente que más se está pidiendo durante el partido, para así decidir si podemos seguir ofreciendo ciertas pizzas o ya no, antes de tener que decirle a un cliente que ya ha pedido, que no va a poder recibir su pizza.

Entender el pasado.

Como en todos los análisis sobre procesos históricos, saber lo que pasó en el pasado nos puede ayudar a entender lo que pasará en el futuro. Esto significa que si durante tres años vemos que hubo más afluencia de clientes en las noches en las que jugaban determinados equipos, sabremos que para los próximos años tendremos que ampliar la plantilla y el stock cuando se vuelvan a repetir esos partidos. E incluso, sabremos la cantidad de personas necesarias a contratar, en qué puestos e incluso en qué horarios. Ahora deberías pensar sobre tu organización y qué te gustaría saber del pasado, el presente y el futuro, usando Big Data y por qué, es decir, en qué te ayudaría toda esa información.

El big data en Marketing.

Inteligencia Artificial

Uno de los departamentos de la empresa que más se puede beneficiar del Big Data y sus avances, es el departamento de marketing. En el marketing tradicional había pocas formas de saber más sobre el consumidor al que uno se estaba dirigiendo. Las principales formas eran a través de encuestas directas o mediante datos sobre las ventas, que se limitaban a saber si se habían vendido más o menos unidades de un producto concreto. El principal emisor de la información era la empresa que vendía el producto, que se dirigía a sus potenciales clientes a través de anuncios o catálogos que daban mucha información, pero recogían muy poca. Los avances tecnológicos y los nuevos canales a través de los que se comunican las empresas con sus clientes, especialmente Internet, han permitido que recojamos grandes cantidades de datos, que nos permiten mejorar las estrategias de marketing.

En los últimos años ha crecido la cantidad de información que recibimos y las fuentes a través de la cual la recibimos, lo que nos permite contrastar, comparar y complementar los datos de los que disponemos. Todos estos datos nos servirán para hacer un producto mejor. Conociendo ya nuestra audiencia, e incluso, ofreciendo de una forma mejor el mismo producto.

Los datos son los que permiten analizar el comportamiento del usuario o consumidor, tanto a nivel individual como a nivel agregado, es decir, analizando una media para conocer el tipo de consumidor. Una vez conocido el comportamiento, se puede ir más allá, y segmentar los consumidores para mejorar la estrategia.

Un ejemplo de esto, sería un banco que recoge los datos de las transacciones hechas por sus clientes utilizando la tarjeta de débito. Si se segmenta por edad, se puede observar qué grupos de edad son más propensos a utilizar la tarjeta en determinados días y momentos, o incluso, en qué tipo de comercios suelen gastar. Esto nos permitirá ver, por ejemplo, que los jóvenes utilizan más la tarjeta los fines de semana en actividades de ocio, mientras que los adultos la utilizan entre semana en restauración. A la hora de hacer promociones, por lo tanto, usaremos estos datos para afinar las estrategias. Por ejemplo, ofreciendo descuentos a los jóvenes para que utilicen su tarjeta en restaurantes, entre semana, o captando nuevos jóvenes a través de mensajes enfocados a través del ocio en fines de semana. Para ejecutar todo esto, es importante que los equipos tengan el tiempo necesario para analizar los datos con detenimiento y ponerlos en el centro de la estrategia, construyendo a partir de ellos y la información que proporcionan, y no entendiéndolos como algo complementario.

Cómo se usa el big data.

Big Data

Una vez entendido qué es el Big Data y sus principales beneficios, la pregunta natural es cómo se usa, es decir, cómo se pone en práctica dentro de una organización, que todavía no tiene una estrategia de este tipo. Podríamos explicarlo en cinco fases: recogida de datos, análisis de datos, visualización de datos, toma de decisiones y evaluación de la estrategia.

Recogida de datos.

En primer lugar, tendremos que recoger los datos. Para ellos será importante saber cuál es el objetivo de esta recogida, es decir, qué preguntas nos hacemos y qué tipo de respuestas necesitamos. Un ejemplo sería: «¿Cómo puedo mejorar la experiencia de los clientes que visitan mi tienda los martes, ya que he observado que ese día vendo menos?» El objetivo está claro, la pregunta sería: «¿Qué les pasa a estos usuarios?» Para responder a esta pregunta debemos averiguar cómo es este tipo de usuario, y estudiar el entorno de los mismos el martes. Una vez hecho esto, podremos empezar a elaborar una estrategia de recogida de datos, que puede consistir en recoger datos por primera vez o en recuperar datos antiguos que ya teníamos y a los que no habíamos dado uso. O al menos no lo habíamos hecho de la manera más eficiente posible. Por ejemplo, podemos empezar a recoger el número concreto de personas que vienen a mi tienda los martes, estudiar si los martes, hay alguna actividad de ocio cerca de mi local, que pueda estar distrayendo mis potenciales consumidores, o reflexionar sobre quién son los trabajadores, a los que estoy asignando ese día de la semana. Además, tendré que mirar qué producto se vende normalmente los martes. Quizás vendo menos porque los martes están dedicados a compras ordinarias, y no compras de caprichos y por lo tanto, me puede estar costando más, colocar promociones extraordinarias o productos que se escapan, del consumo natural de las familias.

Análisis de datos.

La segunda fase y quizás la más compleja, es el análisis de estos datos. Los datos se pueden analizar de muchas formas diferentes. Algunas más sencillas que otras. Además, los datos se pueden analizar en un momento puntual, por ejemplo, cada final de mes o final de trimestre. O podemos entender el análisis de datos como algo constante, y hecho prácticamente en tiempo real, por ejemplo, el stock de una tienda. Cuando hemos decidido cuáles de los datos recogemos, hay que pensar en cómo analizarlos. Si, por ejemplo, tengo un supermercado, los datos de venta los agrego, por tipos de producto, por sección en la que se encuentra el producto, por quién lo va a consumir o por su precio.

Visualización de datos.

La tercera fase es la visualización de estos datos. Aunque haya un equipo reducido que se encarga de analizar los datos, hay más personas que se pueden interesar en saber qué pueden contar los datos, para tomar mejores decisiones. La visualización en forma de presentación, informe o memoria, permitirá coordinar reuniones en las que presentar los datos y el análisis de forma sencilla, clara y directa. Cada martes, al finalizar la jornada, puedo hacer una serie de diapositivas con gráficos sobre el número de personas, que me han visitado, los productos que han comprado, y el gasto medio de cada uno. Además, en una breve encuesta, les puedo preguntar por su edad, su sexo y si están trabajando o no y también visualizar esto en un gráfico.

Toma de decisiones.

La cuarta fase es, en sí misma, el objetivo de una estrategia de Big Data, es la toma de decisiones. Con los datos recogidos, analizados y visualizados, tendremos que decidir qué acciones se deben tomar y cómo se puede mejorar. Si observo que los martes mi comprador medio tiende a hacer una cesta para toda la familia, tendré que ofrecer promociones en ese aspecto, o destacar ese tipo de productos para vender más. Sin preocuparme demasiado si no estoy vendiendo productos un poco más lujosos.

Evaluación de la estrategia.

Finalmente, y aunque a veces se suele olvidar, es muy importante la evaluación de la estrategia. Al poner en marcha las acciones que hemos definido, tendremos que volver a hacer todo el proceso para ver si conseguimos mejorar. Si, por ejemplo, tenemos una empresa de logística, y vemos que estamos realizando demasiados viajes cada día, y que podríamos satisfacer la demanda realizando menos viajes y ahorrando costes, tendremos que evaluar después si estos cambios han resultado efectivos, y han dado los resultados que esperábamos. Cuando pasen unas cuantas semanas tendremos que reflexionar sobre si hemos conseguido mejorar los datos de ventas los martes. Si lo hemos conseguido, significa que nos hemos sabido adaptar, a las necesidades de nuestro consumidor y que le hemos dado lo que buscaba.

La evolución de las profesiones en el mundo del big data.

Machine Learning

Al hablar sobre Big Data y mundo laboral, saltan una serie de alarmas y quizás es uno de los temas que más alboroto genera. Las previsiones apuntan a que el Big Data y la inteligencia artificial reducirán casi el 60 % de los empleos. Hablamos sobre todo de aquellos empleos que no requieren tanta especialización, es decir, aquellos trabajos más mecánicos y repetitivos cuyos procesos pueden ser imitados por robots con más facilidad. Los empleos afectados no solo serán los de menor especialización. Es difícil pensar en un sector al que no vaya a llegar el Big Data, para cambiar tanto el modelo de negocio como el planteamiento de su mercado laboral. Esto también significa que se van a crear nuevos empleos relacionados con el Big Data.

Entre los niños que están naciendo hoy, el 60 % podrá acceder a profesiones que todavía no existen. Así pues, el mercado laboral está cambiando con la incorporación del Big Data. Podríamos entenderlo como la entrada de nuevos compañeros de trabajo, las máquinas. En el contexto actual hay que aprender a trabajar con estos nuevos compañeros de trabajo y enseñarles a trabajar con nosotros. Cierto es, que si bien el Big Data, como tecnología evoluciona rápido, todavía no hay suficientes perfiles que puedan satisfacer al 100 % las necesidades de las empresas en este ámbito. Tanto es así, que los profesionales que hoy se dedican al Big Data es solo del 2%. La necesidad de profesionales que se dediquen al Big Data crece más rápido que la media del mercado laboral. Dado que hay más demanda que oferta, los salarios en este sector son más altos que en otros sectores, incluso aquellos especializados. Entre las capacidades que se requieren se encuentra: La capacidad analítica y la visión estratégica.

El rol del Data Scientist.

La primera figura de la que tenemos que hablar, al hablar de los diferentes profesionales del Big Data es el data scientist, el «científico de datos». En general, se ha tendido a referirse a científico de datos, a cualquier persona que se dedica al análisis de datos o cualquier otro campo relacionado con el Big Data. Muchas veces, además, se llamaba «científico de datos» a una persona que no tenía mucho conocimiento tecnológico, pero que en su día a día, trataba datos de una forma más o menos sofisticada. Un científico de datos, a diferencia del analista, tiene que saber trabajar con diferentes fuentes y usar la tecnología disponible para ordenarlas y analizarlas; su perfil es eminentemente técnico. El científico de datos como tal, será la persona encargada de que los datos sean analizables dentro de nuestra empresa, esto significa que serán las personas encargadas de crear las estructuras necesarias para que los datos puedan ser recogidos y analizados y que de ellos salga información relevante.

El perfil es muy difícil de encontrar, ya que se trata de personas que tienen conocimiento de informática, matemática, se pueden manejar con datos y además tienen visión estratégica y de negocio, para poder entender el porqué de la estrategia y orientar su trabajo a resultados. Dado que todas estas características son difíciles de encontrar en la misma persona, a menudo se opta por alguien con una fuerte base en una de las características, por ejemplo, una fuerte base matemática y que se haya especializado a través de cursos, en el resto de capacidades necesarias. No es casualidad, por lo tanto, que el científico de datos se apode, a menudo, como el trabajador unicornio.

El científico de datos se encargará de la recogida de datos, su limpieza, su clasificación, y en muchos casos, también de su visualización. Aunque el mercado laboral todavía necesita científicos de datos, cada vez hay más gente joven atraída hacia esta profesión, ya que junta la tecnología con un factor algo más estratégico y creativo, orientado a ofrecer soluciones prácticas dentro del mundo empresarial. Los científicos de datos, cada vez son más imprescindibles en las empresas. Casi todas las organizaciones necesitan incorporar su propia tecnología de análisis de datos, aunque solo sea para analizar sus datos internos sin depender de ninguna empresa externa.

El rol del Data Analyst.

El perfil de analista de datos es un perfil de los más demandados en el mercado laboral relacionado con el Big Data. Esto se debe a que es uno de los perfiles más flexibles y se entiende como la piedra angular dentro de la empresa. Sería algo así como la persona que une el departamento de Big Data, si es que este existe, con el resto de la empresa. Si este departamento no existe, es la persona que enlaza un proyecto de análisis de datos masivos con el resto de la empresa.

A diferencia de científico de datos, el analista no necesita una base tecnológica tan fuerte, ya que su trabajo no consistirá en programar o en trabajar con múltiples fuentes a la vez y trabajará solo con una. Como mínimo, un analista de datos debe estar capacitado para manejar Excel y SQL, aunque puede ir mucho más allá y trabajar con bases más complejas, de hecho, lo ideal sería que así fuera. El nivel de matemáticas y estadística requerido para una posición así sería el suficiente para poder extrapolar conclusiones a partir de los datos que se observan y poder tener una visión que pueda aportar un valor añadido al plan estratégico de la organización. Esto no significa que el analista de datos tenga que ser una persona que ha estudiado matemáticas, de hecho, muchos analistas de datos vienen de estudios relacionados con el campo de las humanidades y las ciencias sociales.

El analista de datos tiene que tener la capacidad de analizar también el contexto que le rodea para poder poner lo que está estudiando en el centro de algo más global y no aislarlo de lo que está pasando. Así, el analista de datos es capaz de ver más allá de los datos, una tendencia, un patrón, asociar, incluso, datos que aparecen inconexos entre ellos y encontrar una relación en el contexto general, para poder dibujar más detalles en una gran foto que todavía está borrosa.

La posición del analista de datos está caracterizada por un aprendizaje constante para actualizarse con las novedades de la tecnología, y, sobre todo, con las posibilidades que se pueden incorporar, pero no se queda solo ahí, ya que reúne, y es capaz de asociar conocimiento en múltiples vertientes y de diferentes tipos, a veces, de forma casi intuitiva. A diferencia del científico de datos, que está en contacto directo con el proceso de innovación, el analista tendrá que estar pendiente de los cambios que se puedan producir y ver cuál es la mejor forma de aplicarlos en su campo de trabajo. El mejor analista de datos lo forma un equipo. Diferentes personas, todas analistas de datos, que los miran con perspectivas diferentes y que pueden sacar diferentes conclusiones de los mismos datos. Al fin y al cabo, no sería realista que le pidiéramos a la misma persona que observara la misma base de datos desde perspectivas muy diferentes, sociológica, política y económica, por poner un ejemplo.

El rol del Data Strategist.

Un rol del que no se suele hablar cuando se habla de las profesiones del Big Data, es del data strategist o estratega de datos. Su labor sería similar a la de un analista de datos, pero en su caso, da respuesta a la fase final del proceso del Big Data. Si habíamos dicho que el objetivo de una estrategia Big Data es obtener información útil y fiable que nos permita conocer mejor nuestra organización para tomar buenas decisiones, el data strategist se encargaría de esta última fase.

Un data strategist es una persona que tiene capacidad analítica y soltura a la hora de entender datos, pero que, sobre todo, tiene mucha creatividad y visión estratégica, de forma, que a partir de la realidad observada puede ir más allá y tomar decisiones de mejora que a simple vista pueden no parecer obvias. El data strategist no necesariamente encontrará los modelos que se puedan derivar de los datos ni establecerá los patrones de regresión. Pero si el data scientist se los muestra, tendrá la capacidad para partir de esa información y procurar mejorar los indicadores a través de la innovación empresarial.

La formación del data strategist será, sobre todo, de carácter empresarial y de organización, por lo que podrá establecer el modelo de negocio óptimo y las posibles mejoras a través de los datos. Es importante que esta persona esté en contacto constante con el resto del equipo de datos y se le informe de tanto detalle como sea posible, ya que es eso lo que permitirá que vaya más allá. El data strategist estará en contacto directo con el cliente final, permitiéndole percibir las necesidades reales del mercado. Esto abre una nueva ventana de oportunidades y posibilidades de mejora, lo que significa que, idealmente, el data strategist también se implicará en la fase inicial de definición de la estrategia Big Data a seguir.

A veces, se pretende que el analista de datos también realice las tareas relacionadas con la estrategia. Aunque esto es una posibilidad que se da en muchas ocasiones, el trabajo que puede requerir el análisis de datos implica que se pueda estar perdiendo creatividad y perspectiva, para después poder derivar una estrategia empresarial a partir de los datos observados. Por ello, tener dos personas diferentes que se especialicen en diferentes fases nos dará mejores resultados, al dejar que cada uno de ellos invierta tiempo en formarse y mejorar en su campo concreto.


 

Para ver todas nuestras publicaciones ingresa aquí.

Si te gustó este post, no olvides dejar tu comentario en la parte inferior y suscribirte para más información relevante.

Ayúdanos con tu donación ingresando aquí.

Síguenos en nuestras redes sociales: