La minería de datos, o data mining, es un proceso de identificación de información relevante extraída de grandes volúmenes de datos, con el objetivo de descubrir patrones y tendencias estructurando la información obtenida de un modo comprensible para su posterior utilización.

Atendiendo a estos objetivos, no es difícil entrever de qué modo y en qué sentido las herramientas de visualización de datos son necesariamente complementarias al proceso de minería de datos, y en qué momento entran e juego para que la información detectada como relevante pueda ser leída y comprendida de un modo inmediato, sencillo y efectivo.

Ya hace un tiempo que las herramientas de visualización de datos penetraron con fuerza en los dominios del Business Intelligence, y parece que han hallado en él las condiciones necesarias para asentarse, afianzarse y ganar terreno de un modo constante y progresivo.

Puede resultar algo redundante ―aunque lo estimemos conveniente en este momento y para el caso que nos ocupa hoy―volver a insistir en las características y funcionalidades principales de las herramientas de análisis de datos, ya que están íntimamente relacionadas con sus primas hermanas diseñadas para su visualización. Pese a todo, hagamos un breve repaso.

Data quality es la mayor preocupación de quienes se dedican al predictive analytics. Obtener fiabilidad de las predicciones depende de la calidad de datos para analytics alcanzada. El análisis predictivo se despliega en toda la organización, beneficiando de sus ventajas a todos los usuarios de negocio pero poniendo en riesgo también a todas las áreas operativas cuando no se da en las condiciones óptimas. Hablamos de calidad y, por ello, las técnicas de gestión de calidad de datos deben desempeñar un papel integral en la estrategia de análisis predictivo.

Las herramientas de análisis predictivo aplican sofisticadas técnicas de minería de datos y análisis estadístico aplicables a grandes volúmenes de datos históricos y recogidos en tiempo real. Pero, ¿qué sucede si esos datos no son válidos o si están dañados? ¿Cómo pueden los usuarios de la organización determinar qué eventos, acciones y condiciones pueden ocurrir en el futuro, si la información que están utilizando para hacer tales predicciones no es fiable?

Big data y el análisis predictivo van de la mano pero, igual que ocurría con los grandes datos en sus primeros momentos, predictive anaytics todavía tiene la capacidad de desconcertar a todos aquéllos que, no saben muy bien en qué consiste, no confían en sus posibilidades o se auto-limitan a un reducido número de sus múltiples usos, restringiendo el mar de oportunidades por el que la analítica avanzada les puede guiar.

No es este el primer post que dedicamos a hablar sobre la importancia de la visualización de la información en la presentación de reportes; con todo, nunca sobra insistir en un asunto tan crítico y vital como el que nos ocupa hoy.

Las herramientas de visualización de la información en un entorno de Business Intelligence no solo representan una solución visual y amigable para la presentación de reportes: en un contexto corporativo en el que cada segundo cuenta, en el que ahorrar tiempo deviene regla y exigencia, en el cual la complejidad de la infraestructura organizativa dificulta un contacto fluido e inmediato entre departamentos, y para el que la simplificación es el único camino posible para mantener una visión integral del mismo en la toma de decisiones, las herramientas de visualización de la información se convierten en instrumentos insustituibles que permiten ahorrar costes, tiempo y esfuerzos en la monitorización de procesos, la gestión del desempeño y el diseño/modificación de estrategias.

Las decisiones informadas por técnicas de análisis avanzado sólo son tan buenas como los datos en que se basan: la calidad de datos para analitycs tiene en el quality assurance a su talón de Aquiles. En las organizaciones basadas en datos, las conversaciones acerca de la calidad y de las mejores prácticas han evolucionado pasando de ser meras opiniones a ideas basadas en resultados convincentes derivados de los datos empíricos. Sin embargo, el crecimiento exponencial en el volumen de datos disponibles y su dinamismo plantea nuevos desafíos y requiere de nuevos métodos, entre los que se encuentran:

•  El control de calidad de datos de alta dimensión.

El alcance del análisis de datos que una empresa puede realizar depende de tres variables: la calidad de datos para analytics, la capacidad para procesar grandes volúmenes de datos estructurados y no estructurados y la disponibilidad de una herramienta que, en condiciones máximas de seguridad, garantice las funcionalidades necesarias para extraer todo el valor de los datos aportando descripciones, predicciones y, yendo un paso más allá y entrando en el área de las prescripciones. ¿Está tu negocio a la altura?

Obtener datos fiables para la analítica big data es tan necesario como contar con una buena estrategia social media. Cuando los niveles de calidad se rebajan comienzan a proliferar las malas decisiones que tienen su causa en:

•  Conflictos entre sistemas fuente.

Cualquier presentación de datos estadísticos debe cumplir con cuatro requisitos fundamentales en cuanto a su estructuración: una introducción, una descripción del método utilizado, una exposición de los resultados obtenidos y una conclusión. Eso es extraíble de todo manual clásico sobre presentaciones de estadísticas. Sin embargo, ¿de qué modo integrar las herramientas para la visualización de datos en nuestras presentaciones? ¿Cómo aprovechar al máximo las ventajas que ofrecen las distintas herramientas de Business Intelligence para mejorar la efectividad de una presentación de datos estadísticos?

A estas y otras preguntas trataremos de dar respuesta en las líneas que siguen, procurando respetar en todo momento los requisitos básicos que hemos enunciado y que debe cumplir cualquier presentación, atendiendo en especial a la presentación del análisis de datos estadísticos.

En el ámbito del Business Intelligence, a menudo las pequeñas y medianas empresas (PYME) aparecen como las grandes olvidadas, obviadas a lo largo y ancho de la literatura escrita sobre la inteligencia de negocios, el análisis de datos y la toma de decisiones. Tanto es así que podría parecer, el BI, un terreno inhóspito y no apto para pequeños emprendedores, copado por la gran industria y las multinacionales más potentes.

Sin embargo, nada está tan alejado de la realidad como esta idea, que aunque tenga un origen perfectamente identificable en la poca atención prestada habitualmente a las PYME por el sector dedicado al desarrollo de herramientas BI, no deja de ser un prejuicio sin ningún fundamento ni base real. Es más, sucede justo lo contrario: son precisamente las PYME las empresas que pueden constatar de un modo más tangible los beneficios que aporta adoptar un sistema de Business Intelligence, y las que ven con mayor presteza cómo se materializa el retorno de la inversión realizada (ROI) para implementarlo.