Introducción
Como analista de datos, está en un viaje. Piensa en todos los datos que se generan cada día y están disponibles en tu organización, desde datos transaccionales en bases de datos tradicionales, hasta datos de telemetría de los servicios que utilizas, pasando por las señales que recibes de diferentes áreas como las redes sociales.
Por ejemplo, las empresas de ventas de
hoy en día recopilan y almacenan cantidades masivas de datos que rastrean los
artículos que se buscaron y se compraron, las páginas que visitaron en su
sitio, los pasillos en los que compra productos, los hábitos de gasto de los
clientes y mucho más.
Con los datos y la información como el
activo más estratégico de un negocio, el desafío subyacente que enfrentan las
organizaciones hoy en día es comprender y utilizar sus datos para afectar
positivamente el cambio dentro del negocio. Las empresas continúan
luchando por usar sus datos de manera significativa y productiva, lo que afecta
su capacidad de actuar.
Una empresa que vende un producto o
servicio debe poder usar sus grandes cantidades de datos e información de tal
manera que impacte en el negocio, incluyendo:
·
seguimiento de
inventario
·
Identificar hábitos de
compra.
·
Detección de tendencias y patrones de
usuarios.
·
Recomendar compras
·
Determinación de
optimizaciones de precios
·
Identificar y detener
el fraude
Además, es posible que esté buscando
patrones de venta diarios/mensuales. Los segmentos de datos comunes que
quizás desee examinar incluyen día tras día, semana tras semana y mes tras mes
para que pueda comparar cómo han sido las ventas con respecto a dónde estaban
en la misma semana del año pasado, por ejemplo.
La clave para desbloquear estos datos es
poder contar una historia con ellos. En el mundo empresarial altamente
competitivo y vertiginoso de hoy en día, la elaboración de informes que cuenten
esa historia es lo que ayuda a los líderes empresariales a tomar medidas sobre
los datos. Los tomadores de decisiones comerciales dependen de una
historia precisa para impulsar mejores decisiones comerciales. Cuanto más
rápido una empresa pueda tomar decisiones precisas, más competitivas serán y
mejores ventajas tendrán. Sin la historia, es difícil entender lo que los
datos intentan decirte.
Sin embargo, tener datos por sí solo no
es suficiente. Debe poder actuar sobre los datos para afectar el cambio
dentro del negocio. Esa acción podría implicar la reasignación de recursos
dentro del negocio para satisfacer una necesidad, o podría ser identificar una
campaña fallida y saber cuándo cambiar de rumbo. En estas situaciones es
importante contar una historia con sus datos.
El desafío subyacente al que se
enfrentan las empresas hoy en día es comprender y utilizar sus datos de tal
manera que impacte en su negocio y, en última instancia, en sus
resultados. Debe poder ver los datos y facilitar decisiones comerciales
confiables. Luego, necesita la capacidad de mirar las métricas y
comprender claramente el significado detrás de esas métricas.
Este requisito puede parecer
desalentador, pero es una tarea que puede realizar. Su primer paso es
asociarse con expertos en datos dentro de su organización, como ingenieros de
datos y científicos de datos, para ayudarlo a obtener los datos que necesita
para contar esa historia. Pida a estos expertos que participen en ese
viaje de datos con usted.
Su viaje de contar una historia con
datos también se relaciona con la construcción de esa cultura de datos dentro
de su organización. Si bien contar la historia es importante, el lugar
donde se cuenta esa historia también es crucial, asegurando que la
historia se cuente a las personas adecuadas. Además, asegúrese de que las
personas puedan descubrir la historia, que sepan dónde encontrarla y que sea
parte de las interacciones regulares.
El análisis de datos existe para ayudar
a superar estos desafíos y puntos débiles y, en última instancia, ayudar a las
empresas a encontrar información y descubrir el valor oculto en grandes
cantidades de datos a través de la narración de historias. A medida que
siga leyendo, aprenderá cómo usar y aplicar habilidades analíticas para ir más
allá de un solo informe y ayudar a impactar e influir en su organización al
contar historias con datos e impulsar esa cultura de datos.
Descripción general del
análisis de datos
Antes de
que los datos puedan usarse para contar una historia, deben pasar por un
proceso que los haga utilizables en la historia. El análisis de datos es el
proceso de identificar, limpiar, transformar y modelar datos para descubrir
información significativa y útil. Luego, los datos se elaboran en una historia
a través de informes para el análisis para respaldar el proceso crítico de toma
de decisiones.
A medida que el mundo se vuelve más impulsado por los datos, la narración a través del análisis de datos se está convirtiendo en un componente y aspecto vital de las empresas grandes y pequeñas. Es la razón por la que las organizaciones continúan contratando analistas de datos.
Las
empresas basadas en datos toman decisiones basadas en la historia que cuentan
sus datos, y en el mundo actual basado en datos, los datos no se utilizan en
todo su potencial, un desafío al que se enfrentan la mayoría de las empresas.
El análisis de datos es, y debería ser, un aspecto crítico de todas las
organizaciones para ayudar a determinar el impacto en su negocio, incluida la
evaluación de la opinión del cliente, la realización de estudios de mercado y
de productos, y la identificación de tendencias u otras perspectivas de datos.
Si bien el proceso de análisis de datos se centra en las tareas de limpieza, modelado y visualización de datos, no se debe subestimar el concepto de análisis de datos y su importancia para el negocio. Para analizar los datos, los componentes centrales de la analítica se dividen en las siguientes categorías:
- Descriptivo
- Diagnóstico
- Profético
- Preceptivo
- Cognitivo
Analítica descriptiva
El análisis
descriptivo ayuda a responder preguntas sobre lo que sucedió en función de los
datos históricos. Las técnicas de análisis descriptivo resumen grandes
conjuntos de datos para describir los resultados a las partes interesadas.
Al
desarrollar indicadores clave de rendimiento (KPI), estas estrategias pueden
ayudar a rastrear el éxito o el fracaso de los objetivos clave. Las métricas
como el retorno de la inversión (ROI) se utilizan en muchas industrias y se
desarrollan métricas especializadas para realizar un seguimiento del
rendimiento en industrias específicas.
Un ejemplo
de análisis descriptivo es generar informes para proporcionar una vista de los
datos financieros y de ventas de una organización.
Análisis de diagnóstico
Los
análisis de diagnóstico ayudan a responder preguntas sobre por qué sucedieron
los eventos. Las técnicas de análisis de diagnóstico complementan el análisis
descriptivo básico y utilizan los resultados del análisis descriptivo para
descubrir la causa de estos eventos. Luego, los indicadores de desempeño se
investigan más a fondo para descubrir por qué estos eventos mejoraron o
empeoraron. Generalmente, este proceso ocurre en tres pasos:
·
Identificar
anomalías en los datos. Estas anomalías pueden ser cambios inesperados en una
métrica o en un mercado en particular.
·
Recopile
datos relacionados con estas anomalías.
·
Utilice
técnicas estadísticas para descubrir relaciones y tendencias que expliquen
estas anomalías.
Analítica predictiva
El análisis
predictivo ayuda a responder preguntas sobre lo que sucederá en el futuro. Las
técnicas de análisis predictivo utilizan datos históricos para identificar
tendencias y determinar si es probable que se repitan. Las herramientas
analíticas predictivas brindan información valiosa sobre lo que podría suceder
en el futuro. Las técnicas incluyen una variedad de técnicas estadísticas y de
aprendizaje automático, como redes neuronales, árboles de decisión y regresión.
Analítica
prescriptiva
El análisis
prescriptivo ayuda a responder preguntas sobre qué acciones se deben tomar para
lograr una meta o un objetivo. Mediante el uso de información de análisis
predictivo, las organizaciones pueden tomar decisiones basadas en datos. Esta
técnica permite a las empresas tomar decisiones informadas ante la
incertidumbre. Las técnicas de análisis prescriptivo se basan en el aprendizaje
automático como una de las estrategias para encontrar patrones en grandes
conjuntos de datos. Al analizar decisiones y eventos pasados, las
organizaciones pueden estimar la probabilidad de diferentes resultados.
Analítica
cognitiva
El análisis
cognitivo intenta extraer inferencias de datos y patrones existentes, derivar
conclusiones basadas en bases de conocimiento existentes y luego agregar estos
hallazgos nuevamente a la base de conocimiento para inferencias futuras, un
ciclo de retroalimentación de autoaprendizaje. El análisis cognitivo lo ayuda a
saber qué podría suceder si las circunstancias cambian y determinar cómo podría
manejar estas situaciones.
Las
inferencias no son consultas estructuradas basadas en una base de datos de
reglas; más bien, son hipótesis no estructuradas que se recopilan de varias
fuentes y se expresan con diversos grados de confianza. Los análisis cognitivos
efectivos dependen de algoritmos de aprendizaje automático y utilizarán varios
conceptos de procesamiento de lenguaje natural para dar sentido a las fuentes
de datos no explotadas anteriormente, como los registros de conversación del
centro de llamadas y las reseñas de productos.
Roles en los datos
Contar una historia con los datos es un
viaje que normalmente no comienza contigo. Los datos deben venir de alguna
parte. Obtener esos datos en un lugar que pueda utilizar requiere un esfuerzo
que probablemente esté fuera de su alcance, especialmente en consideración de
la empresa.
Las aplicaciones y los proyectos
actuales pueden ser grandes e intrincados y, a menudo, implican el uso de
habilidades y conocimientos de numerosas personas. Cada persona aporta un
talento y experiencia únicos, compartiendo el esfuerzo de trabajar juntos y
coordinar tareas y responsabilidades para ver un proyecto desde el concepto
hasta la producción.
En el pasado reciente, roles como
analistas comerciales y desarrolladores de inteligencia comercial eran el
estándar para el procesamiento y la comprensión de datos. Sin embargo, la
expansión excesiva del tamaño y los diferentes tipos de datos ha provocado que
estos roles evolucionen hacia conjuntos de habilidades más especializados que
modernizan y agilizan los procesos de ingeniería y análisis de datos.
Las siguientes secciones destacan estos diferentes roles en los datos y la responsabilidad específica en el espectro general de descubrimiento y comprensión de datos:
- Analista de negocios
- Analista de datos
- Ingeniero de datos
- Científico de datos
- Administrador de base
de datos
Analista de negocios
Si bien existen algunas similitudes
entre un analista de datos y un analista de negocios, el diferenciador clave entre
los dos roles es lo que hacen con los datos. Un analista de negocios está
más cerca del negocio y es un especialista en interpretar los datos que
provienen de la visualización. A menudo, los roles de analista de datos y
analista de negocios pueden ser responsabilidad de una sola persona.
Analista
de datos
Un analista de datos permite a las
empresas maximizar el valor de sus activos de datos a través de herramientas de
visualización e informes como Microsoft Power BI. Los analistas de datos
son responsables de perfilar, limpiar y transformar los datos. Sus
responsabilidades también incluyen el diseño y la creación de modelos de datos
escalables y efectivos, y la habilitación e implementación de capacidades de
análisis avanzado en informes para análisis. Un analista de datos trabaja
con las partes interesadas pertinentes para identificar los datos apropiados y
necesarios y los requisitos de informes, y luego se les asigna la tarea de
convertir los datos sin procesar en información relevante y significativa.
Un analista de datos también es
responsable de la administración de los activos de Power BI, incluidos los
informes, los paneles, las áreas de trabajo y los conjuntos de datos
subyacentes que se usan en los informes. Tienen la tarea de implementar y
configurar los procedimientos de seguridad adecuados, junto con los requisitos
de las partes interesadas, para garantizar la protección de todos los activos
de Power BI y sus datos.
Los analistas de datos trabajan con
ingenieros de datos para determinar y ubicar fuentes de datos adecuadas que
cumplan con los requisitos de las partes interesadas. Además, los
analistas de datos trabajan con el ingeniero de datos y el administrador de la
base de datos para garantizar que el analista tenga acceso adecuado a las
fuentes de datos necesarias. El analista de datos también trabaja con el
ingeniero de datos para identificar nuevos procesos o mejorar los procesos
existentes para recopilar datos para el análisis.
Ingeniero
de datos
Los ingenieros de datos aprovisionan y
configuran tecnologías de plataforma de datos que están en las instalaciones y
en la nube. Gestionan y aseguran el flujo de datos estructurados y no
estructurados de múltiples fuentes. Las plataformas de datos que utilizan
pueden incluir bases de datos relacionales, bases de datos no relacionales,
flujos de datos y almacenes de archivos. Los ingenieros de datos también
se aseguran de que los servicios de datos se integren de forma segura y sin
problemas en las plataformas de datos.
Las responsabilidades principales de los
ingenieros de datos incluyen el uso de herramientas y servicios de datos
locales y en la nube para ingerir, extraer y transformar datos de múltiples
fuentes. Los ingenieros de datos colaboran con las partes interesadas del
negocio para identificar y cumplir con los requisitos de datos. Diseñan e
implementan soluciones.
Si bien puede existir cierta alineación
en las tareas y responsabilidades de un ingeniero de datos y un administrador
de base de datos, el alcance del trabajo de un ingeniero de datos va mucho más
allá de cuidar una base de datos y el servidor donde está alojada y
probablemente no incluye la administración general de datos operativos.
Un ingeniero de datos agrega un valor
tremendo a los proyectos de inteligencia comercial y ciencia de
datos. Cuando el ingeniero de datos reúne datos, lo que a menudo se
describe como disputa de datos, los proyectos avanzan más rápido porque los científicos
de datos pueden concentrarse en sus propias áreas de trabajo.
Como analista de datos, trabajaría en
estrecha colaboración con un ingeniero de datos para asegurarse de que pueda
acceder a la variedad de fuentes de datos estructurados y no estructurados, ya
que lo ayudarán a optimizar los modelos de datos, que normalmente se sirven
desde un almacén de datos o un lago de datos modernos. .
Tanto los administradores de bases de
datos como los profesionales de inteligencia comercial pueden hacer la
transición a un rol de ingeniero de datos; necesitan aprender las
herramientas y la tecnología que se utilizan para procesar grandes cantidades
de datos.
Científico
de datos
Los científicos de datos realizan
análisis avanzados para extraer valor de los datos. Su trabajo puede
variar desde el análisis descriptivo hasta el análisis predictivo. El
análisis descriptivo evalúa los datos a través de un proceso conocido como
análisis exploratorio de datos (EDA). El análisis predictivo se utiliza en
el aprendizaje automático para aplicar técnicas de modelado que pueden detectar
anomalías o patrones. Estos análisis son partes importantes de los modelos
de pronóstico.
Los análisis descriptivos y predictivos
son solo aspectos parciales del trabajo de los científicos de
datos. Algunos científicos de datos pueden trabajar en el ámbito del
aprendizaje profundo, realizando experimentos iterativos para resolver un problema
de datos complejo mediante el uso de algoritmos personalizados.
La evidencia anecdótica sugiere que la
mayor parte del trabajo en un proyecto de ciencia de datos se gasta en disputas
de datos e ingeniería de características. Los científicos de datos pueden
acelerar el proceso de experimentación cuando los ingenieros de datos usan sus
habilidades para manejar los datos con éxito.
En la superficie, podría parecer que un
científico de datos y un analista de datos están muy separados en el trabajo
que realizan, pero esta conjetura no es cierta. Un científico de datos
analiza los datos para determinar las preguntas que necesitan respuestas y, a
menudo, ideará una hipótesis o un experimento y luego recurrirá al analista de
datos para que lo ayude con la visualización y el informe de datos.
Administrador
de base de datos
Un administrador de base de datos
implementa y administra los aspectos operativos de las soluciones de plataforma
de datos híbridas y nativas de la nube que se basan en los servicios de datos
de Microsoft Azure y Microsoft SQL Server. Un administrador de base de
datos es responsable de la disponibilidad general y el rendimiento constante y
las optimizaciones de las soluciones de base de datos. Trabajan con las
partes interesadas para identificar e implementar las políticas, las
herramientas y los procesos para los planes de copia de seguridad y
recuperación de datos.
El rol de un administrador de base de
datos es diferente del rol de un ingeniero de datos. Un administrador de
base de datos supervisa y gestiona el estado general de una base de datos y el
hardware en el que reside, mientras que un ingeniero de datos participa en el
proceso de disputa de datos, en otras palabras, ingesta, transformación,
validación y limpieza de datos para satisfacer las necesidades comerciales. y
requisitos.
El administrador de la base de datos
también es responsable de administrar la seguridad general de los datos,
otorgando y restringiendo el acceso y los privilegios de los usuarios a los
datos según lo determinen las necesidades y los requisitos comerciales.
