El riesgo es lo que que todos quieren evitar en la vida, o por lo menos administrar. No importa la industria, los riesgos en la vida son factores que deben ser tratados.
En una cafetería de Londres de 1686 se creó un negocio de cuantificación de riesgos que dio forma al Imperio Británico y al resto de las economías, todo ello basado en datos. El negocio evaluó los riesgos asociados a las empresas de transporte marítimo en tiempos de paz y en tiempos de guerra.
Lo único que ha cambiado desde entonces es la velocidad con la que se pueden recopilar los datos y el número de puntos de datos que se pueden evaluar. Lo que no ha cambiado es el apetito por mitigar, controlar o gestionar de otra manera los factores de riesgo que limitarían la productividad, el rendimiento, la optimización y la eficiencia.
Esta es la historia de Llyod de Londres:
Para él, la epifanía que comenzó su compañía de análisis de datos fue cuando vio que no importaba el negocio o la industria, aparentemente todo se reducía a la capacidad de gestionar los datos. Banca, farmacia, salud - todo se redujo a tener los datos en un lugar y en una forma para extraer conocimientos. Se hizo evidente que si podía gestionar los datos de forma más eficaz, podía gestionar el riesgo, la eficiencia o lo que se presentara.
Lo que siempre ha sido emocionante para él, es cómo algunas de las eventualidades que se plantean podrían ser resueltas por el modelado de datos, la visualización o el análisis. Por ejemplo, hubo un día en que su esposa llegó a casa después de un día duro de trabajo, y estaba frustrada por el número de pacientes que se lesionaron debido a caídas en un sistema de instalaciones en el que ella trabajaba. Las caídas se estaban registrando y anotando correctamente, pero no podían encontrar una manera de reducirlas. Le preguntó si había alguna manera de mejorar la atención del paciente y de controlar el riesgo de las lesiones debido a las caídas. Y al mirar los datos correctos, encontró que sí la había.
Muchos de los proyectos en los que trabaja su empresa, aunque sean diferentes entre sí, tienen una cosa en común: la gestión de datos y la extracción de información.
En lo que respecta a las mejores prácticas, hay algunas cosas que hay que tener en cuenta:
En primer lugar, para ser útiles, los datos deben ajustarse a un conjunto de estándares y estar estructurados de manera que la extracción para el modelado, el análisis y la previsión se pueda realizar para obtener la interpretación de los datos. Estos estándares incorporan un proceso de validación para asegurar que los datos sean limpios y fiables para proporcionar un análisis preciso. Además, estos estándares son prescritos por tu propia organización o instituciones especializadas en esta área, para asegurar que tus datos estén estructurados de manera que la extracción de conocimientos sea posible.
A continuación, se presentan algunas cosas que debes saber al entrar en el proceso. Conocer las respuestas a estas preguntas es el primer paso del proceso de integración de datos y establecer qué se debe automatizar con las aplicaciones de business intelligence:
1. ¿Qué preguntas de negocio necesitan ser respondidas usando los datos?
2. ¿Dónde residen los datos y cuál es la mejor manera de extraerlos?
3. ¿Qué parte de la organización consumirá esa información (es decir, se consumirá a nivel de la empresa o de líneas de negocio específicas)?
4. ¿En qué formato se consumirán estos datos (por ejemplo, informes, solución web, solución móvil, etc.)?
Luego necesitarás que tu equipo escriba guiones que te permitan extraer, transformar y cargar los datos. Al ser extraídos, los datos se trasladan a un área de preparación donde se limpian y estructuran para su destino final: el almacén de datos.
Una vez que hayas determinado la necesidad o el desafío que estás trabajando para resolver y que tus datos se agreguen en un formulario (ya sea automatizado o no), se puede crear un flujo. En este momento es cuando podrás analizar los datos, extraer información y mostrar visualizaciones de análisis avanzados para ver más allá de lo obvio.
El paso final es configurar la automatización de la migración e integración de datos de fuentes internas y externas. Esta configuración se basa en las preguntas de negocio o en los datos necesarios para ejecutar el negocio de forma eficiente y en la identificación de la ubicación de los datos.
Reúnelo todo
A través del almacenamiento de datos, se permite el modelado de datos y la previsión, así como la elección del problema en el que se debe trabajar primero. Los datos revelan percepciones que inicialmente estaban ocultas debido a la complejidad y el volumen de datos que es necesario recopilar y analizar en tiempo real, o que es necesario recopilar y reportar a través de la movilidad.
A partir de ahí, los sistemas de puntuación, los cuadros de mando, las aplicaciones y el software de visualización están disponibles para probar y explorar los patrones. Los patrones pueden ser reconocidos, y el análisis predictivo puede ahora responder a "¿Qué pasa después?" y "¿Cómo podemos hacer que suceda?".
Pero los datos en sí mismos son una cara de la moneda. La otra cara de la moneda se reduce a algo fundamentalmente humano: el deseo de extender el alcance propio más allá de nuestro alcance y, al hacerlo, ir más allá de nuestros sentidos.
En una cafetería de Londres de 1686 se creó un negocio de cuantificación de riesgos que dio forma al Imperio Británico y al resto de las economías, todo ello basado en datos. El negocio evaluó los riesgos asociados a las empresas de transporte marítimo en tiempos de paz y en tiempos de guerra.
Lo único que ha cambiado desde entonces es la velocidad con la que se pueden recopilar los datos y el número de puntos de datos que se pueden evaluar. Lo que no ha cambiado es el apetito por mitigar, controlar o gestionar de otra manera los factores de riesgo que limitarían la productividad, el rendimiento, la optimización y la eficiencia.
Esta es la historia de Llyod de Londres:
Para él, la epifanía que comenzó su compañía de análisis de datos fue cuando vio que no importaba el negocio o la industria, aparentemente todo se reducía a la capacidad de gestionar los datos. Banca, farmacia, salud - todo se redujo a tener los datos en un lugar y en una forma para extraer conocimientos. Se hizo evidente que si podía gestionar los datos de forma más eficaz, podía gestionar el riesgo, la eficiencia o lo que se presentara.
Lo que siempre ha sido emocionante para él, es cómo algunas de las eventualidades que se plantean podrían ser resueltas por el modelado de datos, la visualización o el análisis. Por ejemplo, hubo un día en que su esposa llegó a casa después de un día duro de trabajo, y estaba frustrada por el número de pacientes que se lesionaron debido a caídas en un sistema de instalaciones en el que ella trabajaba. Las caídas se estaban registrando y anotando correctamente, pero no podían encontrar una manera de reducirlas. Le preguntó si había alguna manera de mejorar la atención del paciente y de controlar el riesgo de las lesiones debido a las caídas. Y al mirar los datos correctos, encontró que sí la había.
Muchos de los proyectos en los que trabaja su empresa, aunque sean diferentes entre sí, tienen una cosa en común: la gestión de datos y la extracción de información.
En lo que respecta a las mejores prácticas, hay algunas cosas que hay que tener en cuenta:
En primer lugar, para ser útiles, los datos deben ajustarse a un conjunto de estándares y estar estructurados de manera que la extracción para el modelado, el análisis y la previsión se pueda realizar para obtener la interpretación de los datos. Estos estándares incorporan un proceso de validación para asegurar que los datos sean limpios y fiables para proporcionar un análisis preciso. Además, estos estándares son prescritos por tu propia organización o instituciones especializadas en esta área, para asegurar que tus datos estén estructurados de manera que la extracción de conocimientos sea posible.
A continuación, se presentan algunas cosas que debes saber al entrar en el proceso. Conocer las respuestas a estas preguntas es el primer paso del proceso de integración de datos y establecer qué se debe automatizar con las aplicaciones de business intelligence:
1. ¿Qué preguntas de negocio necesitan ser respondidas usando los datos?
2. ¿Dónde residen los datos y cuál es la mejor manera de extraerlos?
3. ¿Qué parte de la organización consumirá esa información (es decir, se consumirá a nivel de la empresa o de líneas de negocio específicas)?
4. ¿En qué formato se consumirán estos datos (por ejemplo, informes, solución web, solución móvil, etc.)?
Luego necesitarás que tu equipo escriba guiones que te permitan extraer, transformar y cargar los datos. Al ser extraídos, los datos se trasladan a un área de preparación donde se limpian y estructuran para su destino final: el almacén de datos.
Una vez que hayas determinado la necesidad o el desafío que estás trabajando para resolver y que tus datos se agreguen en un formulario (ya sea automatizado o no), se puede crear un flujo. En este momento es cuando podrás analizar los datos, extraer información y mostrar visualizaciones de análisis avanzados para ver más allá de lo obvio.
El paso final es configurar la automatización de la migración e integración de datos de fuentes internas y externas. Esta configuración se basa en las preguntas de negocio o en los datos necesarios para ejecutar el negocio de forma eficiente y en la identificación de la ubicación de los datos.
Reúnelo todo
A través del almacenamiento de datos, se permite el modelado de datos y la previsión, así como la elección del problema en el que se debe trabajar primero. Los datos revelan percepciones que inicialmente estaban ocultas debido a la complejidad y el volumen de datos que es necesario recopilar y analizar en tiempo real, o que es necesario recopilar y reportar a través de la movilidad.
A partir de ahí, los sistemas de puntuación, los cuadros de mando, las aplicaciones y el software de visualización están disponibles para probar y explorar los patrones. Los patrones pueden ser reconocidos, y el análisis predictivo puede ahora responder a "¿Qué pasa después?" y "¿Cómo podemos hacer que suceda?".
Pero los datos en sí mismos son una cara de la moneda. La otra cara de la moneda se reduce a algo fundamentalmente humano: el deseo de extender el alcance propio más allá de nuestro alcance y, al hacerlo, ir más allá de nuestros sentidos.
El panorama general es poder hacer nuevas preguntas y desafiar la forma en que estamos viendo los datos para obtener realmente una respuesta a esa pregunta de "¿Qué pasaría si...?”
0 comments:
Publicar un comentario