Cualquier proyecto de mejora de la calidad de los sistemas de información debe construirse sobre una primera etapa de perfilado de los datos, fundamental para llegar a buen puerto las iniciativas de gestión de la información. Una tarea, además, que debe ser permanente y obliga a definir un marco de actuación que siente las bases de una estrategia integral de la información en cualquier empresa u organismo público. Sólo después de ello, es posible diseñar las reglas de calidad interna, proceso también conocido como Data Discovery.

La cadena de suministro de las empresas tiene una exposición al riesgo muy alta que debe ser observada desde una perspectiva preventiva. Además, los estudios al respecto indican que casi la mitad de las empresas (47%) carece de un proceso formal para identificar posibles riesgos, derivados de sus socios o proveedores. Y, en cambio, se trata de un factor fundamental para consolidar la “tranquilidad” de cualquier negocio.

Repasemos un ejemplo cotidiano: una familia dedica la tarde del sábado a visitar un centro comercial. Tarjetas de fidelidad, conexiones wifi abiertas y demás sensores van recopilando datos de los consumidores a medida que van interaccionando con los diferentes establecimientos. Hablamos por tanto de grandes volúmenes de datos.

Los casos de fraude contra entidades financieras siguen proliferando en todo el mundo, ya sean en cajeros, tarjetas o compras online. Por ejemplo, a finales del año pasado, se detectó a un grupo de ciberdelincuentes que atacaba remotamente cajeros automáticos en más de una docena de países de toda Europa, incluida España.  Este ataque, que utilizaba software infectado que obligaba a las máquinas a expender dinero, fue detectado por la firma rusa de seguridad Grupo IB y es uno más de los ejemplos de ciberdelito que apuntan a este tipo de instituciones.

Encontrar un comportamiento anómalo dentro de un conjunto de datos puede resultar tan difícil como encontrar una aguja en un pajar. O no…

Data visualization es el preludio del análisis. La visualización, así entendida, es la aplicación del razonamiento analítico en una interfaz visual. Las herramientas de data visualization, al igual que las distintas técnicas que pueden emplearse para ello, logran sintetizar la información, independientemente de su volumen y características, para arrojar luz sobre masas de datos que, de otra forma, resultarían imposibles de procesar y muy costosas (en tiempo y recursos) de abordar para su análisis.

Algunos errores en la visualización de datos alejan al usuario de su objetivo final. Entender la información, analizar datos, sacar conclusiones, tomar decisiones o emprender una acción son sólo el segundo paso, el que sigue a data visualization. La importancia de esta función hace que sea necesario entender sus riesgos, para poder prevenirlos y evitarlos de forma efectiva. Y, pese a lo que mucha gente piensa, los relacionados con el diseño son sólo la punta del iceberg.

La propuesta de valor de las nuevas herramientas de visualización de datos va más allá de la simple creación de gráficos y tablas. Sin embargo, muchos usuarios de negocio no saben o no se deciden a explotar el potencial de sus nuevas capacidades de visualización, prefiriendo quedarse estancados en una forma de trabajar que no difiere demasiado de la que tenían a su alcance con las herramientas básicas de escritorio. El entusiasmo proviene de la gerencia, que se pierde en elecciones tecnológicas que, muchas veces, no necesitan de tanta sofisticación y, otras, no saben cómo transmitir al resto de integrantes de la organización.