14 Visión Analítica: Revelando el poder de los datos y el Big Data
14.1 Entrevista
¿Quién es Ricardo Girón? ¿Cuál es su trayectoria profesional?
Ricardo Girón es un san carlista apasionado por la docencia, con más de 25 años de experiencia en tecnología. Actualmente enseña en escuelas de posgrado, incluyendo la Universidad de San Carlos de Guatemala y escuelas de negocios. Es ingeniero en sistemas y cuenta con dos maestrías: una en proyectos y otra en finanzas. También ha iniciado estudios de doctorado en innovación tecnológica educativa y tiene certificación de Project Manager por el PMI. En su tiempo libre, disfruta del fútbol, toca la guitarra y juega billar.
¿Cómo ha sido su participación en la industria tecnológica? ¿Qué experiencia ha acumulado en el área de Big Data?
Ricardo Girón tiene más de 25 años de experiencia en tecnología, comenzando su carrera como programador a finales de los 90, trabajando con lenguajes como C++, Visual Basic y FoxBase. A lo largo de su trayectoria, ha evolucionado desde analista de sistemas hasta dirigir áreas de desarrollo de software, colaborando con plataformas importantes como Microsoft y Oracle. Destaca su trabajo en Formulario Estándar, una de las principales fábricas de formularios en Centroamérica, donde amplió su conocimiento en software y administración de infraestructura tecnológica.
En los últimos 10 a 15 años, ha trabajado en empresas de consultoría, incluyendo más de una década en SAP, donde ha gestionado equipos de proyectos. Esta experiencia le ha permitido entender diversos sectores e industrias, desde fábricas hasta bancos y retail, enriqueciendo su trayectoria profesional.
¿Cómo ha evolucionado el análisis de los datos hasta llegar a la gran ola de transformación e innovación digital y Big Data, a la cual nos enfrentamos hoy día?
La relación entre Big Data y el análisis de datos ha cambiado drásticamente, pasando de centrarse en pequeños volúmenes de datos estructurados a manejar grandes cantidades de información de diversas fuentes y formatos. Antes, las herramientas de análisis eran limitadas en capacidad de almacenamiento y procesamiento. Hoy, gracias a tecnologías como Hadoop y Spark, es posible procesar enormes volúmenes de datos de manera ágil y escalable.
¿Cuáles son las principales técnicas y métodos que se pueden utilizar para el procesamiento y análisis de estos grandes volúmenes de datos? ¿Qué herramientas nos pueden apoyar en el procesamiento de datos?
Entre las técnicas comunes para procesar grandes volúmenes de datos se destacan los Data Warehouses, que consolidan la información de diferentes áreas de una organización, como ventas y finanzas. A medida que las empresas crecen, aumenta la necesidad de resumir y homologar datos, utilizando herramientas ETL (Extract, Transform, Load) para cargarlos en estos almacenes.
Además, herramientas como R y Python permiten a los usuarios finales realizar análisis estadísticos y procesar grandes cantidades de información, superando las limitaciones de Excel. Plataformas como Microsoft Power BI, Tableau, QlikView y MicroStrategy son accesibles para empresas de todos los tamaños, desde emprendedores hasta grandes corporaciones.
¿De qué manera las técnicas de análisis de Big Data influyen en la toma de decisiones estratégicas empresariales? ¿Qué tipos de decisiones se ven más beneficiadas?
Las técnicas de análisis de Big Data impactan profundamente en la toma de decisiones estratégicas de empresas y organizaciones al transformar su enfoque para resolver problemas y identificar oportunidades.
En primer lugar, el análisis predictivo mejora la precisión y reduce la incertidumbre, permitiendo pronosticar variables clave como ventas y costos.
Además, Big Data mejora la experiencia del cliente al fortalecer la segmentación y captar mejor su atención. También optimiza los procesos operativos, ayudando a las empresas a utilizar sus recursos de manera más eficiente. Otro beneficio es la detección de riesgos y fraudes, especialmente en sectores como el financiero, donde el monitoreo de transacciones es crucial.
Finalmente, Big Data impulsa la innovación y el desarrollo de nuevos productos al permitir a las empresas anticiparse a las expectativas de sus clientes. Un ejemplo de esto es cómo Apple utiliza el conocimiento generado a partir de sus usuarios para mejorar y lanzar nuevos productos.
¿Cómo influyen las “V” del Big Data (Velocidad, Variedad, Volumen, Valor, Variabilidad) en la capacidad de las empresas de la Industria 4.0 para aprovechar los datos generados?
Para que un conjunto de datos sea considerado Big Data, debe cumplir con las “V” del Big Data. La primera es velocidad, que indica que los datos se generan rápidamente. La segunda es variedad, que abarca tanto datos estructurados (números, textos) como no estructurados (fotos, redes sociales, videos, audios). La tercera es volumen, que se refiere a la gran capacidad de almacenamiento de datos, que puede llegar a magnitudes como los yotabytes y generar millones de registros por minuto.
La cuarta “V” es valor, lo que implica que los datos deben ser relevantes y útiles para la empresa. Por último, Big Data es variable, ya que la producción de datos puede fluctuar según el tiempo y contexto, lo que afecta su gestión y análisis.
¿Cómo se compara la generación de datos con la actividad que ocurre en Internet en un solo minuto?
En 2023, se generaron 241.2 millones de correos electrónicos enviados y 41.6 millones de mensajes de WhatsApp por minuto. Además, hay 6.3 millones de búsquedas en Google cada minuto y 452,000 horas de video visualizadas en Netflix en el mismo período. Estas cifras reflejan lo que constituye Big Data, que cumple con las “V” del Big Data.
En Guatemala y Centroamérica, ejemplos de Big Data encontramos a las empresas de telecomunicaciones, que pueden registrar millones de llamadas y mensajes diariamente, así como a los bancos que gestionan múltiples transacciones con tarjetas de crédito en sus agencias y puntos de venta. Todo esto representa un claro uso de Big Data en la región.
Figura 14.1: Arquitectura del sistema de monitoreo de salud basado en big data.
¿Cómo afectan los roles de arquitecto de datos y científico de datos la capacidad de una organización para progresar en las etapas del análisis de datos? ¿Qué habilidades son esenciales para optimizar la toma de decisiones en cada tipo de análisis?
Con el desarrollo del análisis de datos, han surgido nuevos roles como el analista de datos, el arquitecto de datos y el científico de datos. El analista de datos se especializa en identificar patrones y procesar información en un área específica de la empresa. El arquitecto de datos diseña la estructura de un Data Warehouse, mapeando las fuentes de información necesarias. Por su parte, el científico de datos se enfoca en desarrollar modelos predictivos y simulaciones con grandes volúmenes de datos, mejorando la toma de decisiones a través de análisis descriptivos, predictivos y perceptivos.
Las empresas adoptan estas prácticas progresivamente, siguiendo un modelo de madurez. Por ejemplo, una cafetería puede comenzar registrando operaciones en Excel y, con el tiempo, evolucionar hacia el uso de modelos predictivos que optimizan pronósticos y reducen riesgos.
¿Cómo impactan las técnicas avanzadas de procesamiento y análisis de grandes volúmenes de datos en el diseño y la arquitectura de un sistema de inteligencia de negocios? ¿Cuáles son los componentes clave para garantizar eficiencia y escalabilidad en un entorno de Big Data?
Las técnicas de análisis de grandes volúmenes de datos requieren una arquitectura de inteligencia de negocios que integre Big Data. Este modelo incluye cuatro componentes clave:
1. Fuentes de información: cualquier sistema o base de datos.
2. Proceso de transformación (ETL): que extrae, transforma y carga la información.
3. Almacenamiento: abarcando Data Warehouses, Data Lakes y Data Marts.
4. Capa de presentación: donde se utilizan herramientas de análisis como Power BI y Tableau.
Esta arquitectura permite a los usuarios acceder a datos confiables y en tiempo real para la toma de decisiones. Para elegir las mejores soluciones tecnológicas, se pueden usar herramientas como el cuadrante de Gartner, que clasifica proveedores en diversas áreas.
El Big Data mejora la toma de decisiones y la experiencia del cliente, como se observa en plataformas de comercio electrónico que personalizan ofertas. También optimiza las cadenas de suministro al reducir costos y tiempos. Sin embargo, la implementación y mantenimiento de estas plataformas presentan desafíos tanto en el sector privado como en el público.
¿De qué manera las herramientas y plataformas recomendadas por Gartner Group influyen en la implementación y gestión de arquitecturas de Data Warehouse y Data Lake? ¿Cuáles son las principales consideraciones para integrar estas tecnologías en un entorno de análisis de datos?
Gartner es una firma internacional que anualmente califica y clasifica a los mejores proveedores de tecnología en diversas áreas, como sistemas contables financieros, Data Warehouses y soluciones de inteligencia de negocios. Utiliza un cuadrante que ayuda a las empresas a identificar qué herramientas de análisis de datos son más adecuadas para sus necesidades.
Dado el gran número de opciones disponibles, Gartner se convierte en un referente útil para evaluar soluciones y tomar decisiones informadas. Su evaluación permite a las empresas implementar arquitecturas de Data Warehouse, Data Lake y soluciones en la nube, asegurándoles que están eligiendo opciones estables, probadas y con un futuro innovador.
¿Cómo ha transformado el uso de Big Data las estrategias y operaciones en sectores clave como marketing, servicio al cliente, comercio y el sector público? ¿Cuáles son los beneficios y desafíos específicos en cada uno de estos ámbitos?
La mejora en la toma de decisiones y la experiencia del cliente se refleja en cómo las plataformas de comercio electrónico, como Amazon, personalizan ofertas y recomendaciones, aumentando la satisfacción y lealtad del cliente. Estas empresas utilizan Big Data e inteligencia artificial para entender el comportamiento y las necesidades de sus clientes, lo que resulta en una mejor atención.
A nivel operativo, Big Data optimiza las cadenas de suministro, mejorando rutas de distribución, reduciendo tiempos de espera y costos, y aumentando la trazabilidad de productos. En cuanto a la innovación, ayuda a identificar necesidades no satisfechas, permitiendo la creación de soluciones más efectivas.
Sin embargo, tanto el sector privado como el público enfrentan desafíos. En el sector privado, las empresas deben evaluar y mantener soluciones adecuadas y contar con personal capacitado. En el sector público, como en proyectos de la Municipalidad de Guatemala y el Ministerio de Finanzas, se busca procesar información para mejorar servicios, aunque la selección e implementación de plataformas de análisis de datos sigue siendo un reto.
¿Qué retos trae a los estudiantes y profesionales esta revolución tecnológica 4.0, respecto al análisis de datos y Big Data? ¿Cómo visualiza el futuro del análisis de datos a corto y largo plazo?
La recomendación para profesionales y estudiantes es mantenerse actualizados en un mundo en constante cambio, combinando teoría con práctica en el análisis de datos. La práctica es fundamental, ya que instalar y probar herramientas de análisis puede ser muy beneficioso. Este desafío es relevante para todos, dado que la Revolución Industrial 4.0 y el análisis de datos se aplican en diversas áreas de negocio y en muchos aspectos de la vida. Es crucial que cada interesado busque su propio enfoque y se sumerja en estos temas para aprovechar las oportunidades que ofrecen.
¿Qué mensaje les daría a quienes desean adentrarse en el mundo del Big Data y el análisis de datos?
La famosa frase de Francis Bacon, “El conocimiento es poder”, ha evolucionado a “Quien tiene la información, tiene el poder”. Esto refleja la realidad actual, donde la capacidad de obtener, procesar y analizar datos impacta directamente en la toma de decisiones y el futuro profesional. Las decisiones basadas en información conducen a mejores resultados y mayor especialización.
En el futuro, surgirán oportunidades en áreas donde la inteligencia artificial aún no puede intervenir, aunque su velocidad para procesar datos supera a la humana. Por lo tanto, es crucial combinar la inteligencia artificial con el análisis humano para tomar decisiones informadas que beneficien a las empresas y los negocios. Esa es la clave para un futuro exitoso.