Las 10 principales tendencias analíticas y de datos para 2019 de Gartner

Tradicionalmente, los bancos ofrecen servicios de gestión de patrimonios a los clientes de mayor edad, suponiendo que este es el grupo de edad más interesado. Al utilizar la analítica aumentada, los bancos descubrieron que, en realidad, es más probable que los clientes más jóvenes (de entre 20 y 35 años) empiecen a utilizar servicios de gestión del patrimonio; este es un claro ejemplo de que observar a los usuarios comerciales para encontrar patrones y a los científicos de datos para desarrollar modelos manualmente puede dar lugar a sesgos y conclusiones incorrectas.

La analítica aumentada es solo una de las diez principales tecnologías que Gartner ha identificado que tienen el potencial de abordar estos y otros retos importantes en cuanto a analíticas y datos durante los próximos tres a cinco años.

La transformación digital ha situado los datos en el centro de todas las organizaciones. Las empresas están atiborradas de datos. Tienen dificultades para identificar cuáles son más importantes y qué medidas hay que tomar (o evitar).

Rita Sallam, vicepresidenta analista destacada de Gartner, comenta que las organizaciones necesitan mecanismos formales para identificar las tendencias tecnológicas y priorizar aquellas que presentan la mayor repercusión potencial.

“Los responsables de análisis y datos deberían supervisar activamente, probar o implementar tecnologías emergentes. No te limites a reaccionar a las tendencias a medida que maduran”, comenta Sallam. “Utiliza esta lista para formar y debatir con otros responsables sobre las prioridades comerciales y determinar en qué puntos pueden suponer una ventaja competitiva los datos y los análisis”.

La lista de Gartner de las tendencias tecnológicas (“Top Technology Trends”) en datos y análisis no incluye tendencias que estén a menos de tres años de ser adoptadas de forma general (como las analíticas de autoservicio y la inteligencia empresarial) ni a más de cinco años (como la computación cuántica). Tampoco incluye tendencias no tecnológicas, como la alfabetización de datos, la narración o la ética de los datos que también son esenciales para el éxito.

La analítica aumentada automatiza el descubrir y aflorar los conocimientos o cambios más importantes en el negocio para optimizar la toma de decisiones. Hace esto en una fracción del tiempo, en comparación con los trabajos manuales.

La analítica aumentada facilita datos a todas las funciones empresariales. Aunque reduce la dependencia de los expertos en análisis, ciencia de los datos y machine learning, requerirá mejorar la alfabetización de datos en toda la organización.

En 2020 la analítica aumentada será un impulsor dominante de nuevas adquisiciones de inteligencia empresarial y de análisis, así como de plataformas de ciencia de los datos y machine learning.

Con la escasez de habilidades técnicas y el crecimiento exponencial de los datos, las organizaciones deben automatizar las tareas de gestión de datos. Los proveedores están añadiendo capacidades de machine learning e inteligencia artificial (IA) para autoconfigurar y ajustar los procesos de gestión de datos, de modo que el personal técnico más cualificado pueda centrarse en tareas de más valor.

Esta tendencia está afectando a todas las categorías empresariales de gestión de datos, como calidad de los datos, gestión de metadatos, gestión de datos maestra, integración de los datos y bases de datos.

Al igual que las interfaces de búsqueda como Google hacen que Internet resulte accesible para los consumidores en el día a día, el procesamiento del lenguaje natural (natural language processing, NLP) proporciona a los empresarios una forma más sencilla de hacer preguntas sobre los datos y recibir una explicación de la información. La analítica conversacional lleva el concepto del NLP un paso más allá, permitiendo que tales preguntas se planteen y respondan verbalmente en lugar de a través de texto.

En 2021 el NLP y la analítica conversacional los empleados pasarán del 35 % de adopción de la inteligencia empresarial a más del 50 %, incluidas nuevas categorías de usuarios, particularmente los trabajadores de front-office.

Los usuarios empresariales están haciendo preguntas cada vez más complejas a través de datos estructurados y no estructurados, con frecuencia combinando datos de múltiples aplicaciones y, cada vez más a menudo, datos externos. Analizar este nivel de complejidad de datos a escala no resulta práctico o, en algunos casos, ni siquiera es posible utilizando las herramientas de consulta tradicionales o los lenguajes de consulta como SQL.

El análisis de gráficos es un conjunto de técnicas que muestra el modo en el que entidades como personas, lugares y cosas se relacionan entre sí. Las aplicaciones de la tecnología oscilan entre la detección del fraude, la optimización de la ruta de tráfico hasta el análisis de redes sociales o la investigación del genoma.

Gartner predice que la aplicación del procesamiento de gráficos y las bases de datos de gráficos crecerá un 100 % anualmente durante los próximos años, todo ello con el fin de acelerar la preparación de los datos que permita una ciencia de los datos más compleja y adaptativa.

Las plataformas de código abierto actualmente dominan la inteligencia artificial (IA) y el machine learning y han sido la principal fuente de innovación en entornos de desarrollo y algoritmos. Los proveedores comerciales tardaron en responder, pero actualmente ofrecen conectores en el ecosistema de código abierto. También ofrecen características empresariales necesarias para ampliar la IA y el ML, como la gestión, reutilización, transparencia e integración de proyectos y modelos, capacidades de las que carecen actualmente las plataformas de código abierto.

El mayor uso de IA y ML comerciales ayudará a acelerar la implementación de modelos en producción, que impulsarán el valor comercial de estas inversiones.

Obtener un valor a partir de las inversiones en análisis depende de si se cuentas o no con un tejido de datos ágil y de confianza. Un tejido de datos es generalmente un diseño personalizado que proporciona servicios de datos reutilizables, canalización, niveles semánticos o API a través de una combinación de estrategias de integración de datos de un modo orquestado. Permite un acceso sin fricciones y compartir información en un entorno de datos distribuidos.

La IA explicable mejora la transparencia y la credibilidad de las soluciones y resultados de IA, lo cual reduce los riesgos regulatorios y los relacionados con la reputación. La IA explicable es el conjunto de capacidades que describe un modelo, resalta sus puntos fuertes y debilidades, predice su comportamiento probable e identifica cualquier posible sesgo. 

Sin una explicación aceptable, los datos autogenerados o las “cajas negras” de la IA pueden causar inquietudes sobre la regulación, la reputación, la rendición de cuentas y el sesgo del modelo.

Las tecnologías blockchain abordan dos retos relacionados con los datos y los análisis. En primer lugar, la blockchain proporciona trazado de los activos y las transacciones. En segundo lugar, proporciona transparencia para redes complejas de participantes.

Sin embargo, la blockchain no es un proveedor de datos independiente y tiene capacidades limitadas de gestión de datos. Un sistema basado en blockchain no puede servir como sistema de registro, lo que implica un enorme esfuerzo de integración para datos, aplicaciones y procesos empresariales. Si somos realistas, la tecnología no se ha desarrollado todavía lo suficiente como para contar con escalabilidad en su producción en el mundo real para usos que no sean las criptomonedas.

Las organizaciones llevan tiempo solicitando inteligencia en tiempo real y los sistemas pueden conseguirlo con un conjunto limitado de tareas. Actualmente por fin es factible implementar estos sistemas —lo que Gartner llama inteligencia continua — a una escala mucho más amplia, debido a la nube, avances en el software de streaming y los datos de crecimiento por sensores del Internet de las Cosas (Internet of Things, IoT).

En 2022 más de la mitad de los nuevos sistemas empresariales principales incorporarán inteligencia continua que utilizará datos de contexto en tiempo real para mejorar las decisiones.

La mayor parte de los sistemas de gestión de bases de datos (database management systems, DBMS) utilizan estructuras de bases de datos en memoria, pero al crecer rápidamente los volúmenes de datos, el tamaño de la memoria puede ser restrictivo. Las nuevas cargas de trabajo de los servidores están demandando no solo un funcionamiento más rápido del procesador, sino también una memoria masiva y un almacenamiento más rápido.

La tecnología de memoria persistente ayudará a las empresas a extraer más conocimientos prácticos de los datos. Muchos proveedores de DBMS están experimentando con la memoria persistente, aunque podrían tardar varios años en modificar su software para poder aprovecharla.