¿Cuáles son las tres P de big data?

Blog

Ya hemos hablado antes sobre big data y las características que lo definen. Ahora, quiero profundizar para hablar sobre cómo las empresas pasan del estado actual a aplicar con éxito los big data. Convenientemente, hablamos de los pasos del big data en términos de tres palabras que comienzan con P: Pasado, Presente y Predictivo.

Imagínese el proceso como una escalera de tres hilos. Usted tiene que comenzar en la parte inferior y subir, pero sólo puede proceder al siguiente peldaño después de que el anterior se ha navegado con éxito.

Datos pasados

La mayoría de las empresas comienzan a recopilar datos desde el día en que se fundan. Si son o no son @info: tooltip cualquier cosa con esos datos es una historia diferente. Pero los datos aún existen. Esto es pasado, o datos históricos. Si sus datos antiguos se consideran o no “big data” depende de lo bien que se alinea con el 3 V que definen los macrodatos .

Si tus datos no son particularmente valiosos —o no estás haciendo nada con los datos que tienes— entonces todavía estás en el nivel del suelo. Sin embargo, si tienes más allá de los big data y lo estás usando, entonces felicidades, estás en el primer peldaño de la escalera.

Uno de los lugares más comunes que las empresas encuentran los datos pasados está en los sistemas heredados, plataformas de software que han sido eliminados gradualmente. Estos datos heredados del sistema pueden o no ser valiosos sobre la base de una serie de factores:

Recencia – ¿Los datos todavía reflejan condiciones similares a su modelo de negocio actual?
Volumen – ¿Cuántos datos existen?
Precisión – ¿Qué tan limpios son los datos? ¿Se recopiló y almacenó utilizando las mejores prácticas?

Si sus datos son antiguos, no hay mucho de ellos, y no está limpio, a continuación, el análisis de que no proporcionará ningún valor. Sin embargo, cuando el big data anterior cumple con los requisitos necesarios, puede aportar información poderosa para su negocio.

Datos actuales

Cuando se piensa en los datos actuales, puede ser difícil distinguirlos de los datos anteriores. Si todo está en el mismo sistema, ¿cuándo pasa del presente al pasado?

La mejor manera de ilustrar los datos actuales es un ejemplo.

Producción manufacturera

El mejor momento para atrapar un error en la producción es antes de que suceda. El segundo mejor es como está sucediendo, o sea, el presente. Cuando se miden los datos actuales en el proceso de fabricación (por ejemplo, el tamaño del producto, el porcentaje de defectos y otros factores críticos para el negocio), puede identificar y solucionar problemas antes de que se conviertan en problemas costosos.

Por ejemplo, vamos a tomar una planta de fabricación que crea widgets. Cada widget debe pesar entre 9.75lbs y 10.25lbs. Cuando el peso está en ese rango, los widgets muy probablemente cumplen con los estándares de calidad. Sin embargo, si el peso cae fuera de ese rango, los widgets son defectuosos y, en consecuencia, no se pueden vender.

Si el fabricante tiene procesos y herramientas en su lugar para seguir el peso de los widgets en tiempo real, pueden ver de inmediato si un patrón costoso de defectos comienza a surgir. Pueden establecer reglas para detener la producción o iniciar una revisión humana si los datos alcanzan un determinado umbral, por ejemplo, el peso del widget cae fuera del rango aceptable más del 1% del tiempo en cualquier período de 24 horas.

La capacidad de captar los problemas potenciales rápidamente (y hacer algo al respecto) es una forma tangible de aplicar los datos actuales para ahorrar costes.

Pensemos en este ejemplo en la escalera de tres pasos. Técnicamente, el fabricante podría empezar a rastrear y establecer umbrales sin datos anteriores. Pero los umbrales que eligen y las decisiones que toman cuando los datos caen fuera del umbral se basarán en, ¿qué, intuición?

Al obtener datos pasados en orden y, en este ejemplo, aprender 1) el rango de peso adecuado, 2) el porcentaje “normal” o “aceptable” de defectos, y 3) el porcentaje umbral antes de la acción se toma, usted puede estar más seguro en sus decisiones en tiempo real. Calidad, datos pasados limpios —el primer peldaño de la escalera— es vital para hacer que el peldaño dos sea un éxito.

Datos predictivos

El análisis predictivo de datos, que a menudo se pinta bajo los paraguas de la inteligencia artificial y el aprendizaje automático en estos días, utiliza datos pasados y presentes para elaborar predicciones para el futuro.

Ya puedes ver que los dos primeros peldaños de la escalera de Big Data son necesarios para el análisis predictivo, el peldaño superior. Usted necesita datos pasados para construir modelos, y usted necesita datos actuales para hacer que esos modelos funcionen con cualquier sentido de certeza.

Cuando decimos análisis predictivo, no nos referimos a ver en el futuro con algún tipo de bola de cristal. Las predicciones son esencialmente estimaciones basadas en insumos y modelos de datos. Muestran diferentes escenarios potenciales que tienen probabilidades relativas de ocurrir. Para mejorar las predicciones, siempre estamos en la búsqueda de maneras de mejorar nuestros datos pasados y para mejores predictores como indicadores líderes y rezagados.

El tercer peldaño de la escalera es el más difícil de alcanzar. Cada peldaño requiere más recursos y más experiencia. Es posible que no tenga ningún recurso dedicado a datos y análisis a medida que se adentra en sus datos pasados. Pero para el momento en que usted está trabajando a través de peldaño tres, usted puede tener un equipo de personas dedicadas a la inteligencia de negocios.

Es importante, a medida que avanzas por la escalera, conocer tu realidad, empezar donde estás. Si tienes datos pasados desordenados y tratas de saltar al peldaño dos, te encontrarás usando datos para tomar las decisiones equivocadas. Subir la escalera es un proceso, y tu objetivo es seguir progresando hacia arriba. Para hacerlo, tienes que poner en el trabajo para que suceda.

¿Está interesado en ver qué potencial podrían tener sus datos pasados y presentes? Extienda la mano. .