¿Quién inventó el análisis de datos?

Históricamente hablando, una simple definición de análisis es “el estudio del análisis”. Una descripción más útil y más moderna sugeriría que “análisis de datos” es una herramienta importante para obtener información empresarial y proporcionar respuestas personalizadas a los clientes. El análisis de datos, a veces abreviado a “analíticos”, se ha vuelto cada vez más importante para organizaciones de todos los tamaños. La práctica del análisis de datos ha evolucionado gradualmente y se ha ampliado con el tiempo, proporcionando muchos beneficios.

Los uso de análisis por negocios se pueden encontrar desde el siglo XIX, cuando Frederick Winslow Taylor inició ejercicios de gestión del tiempo. Otro ejemplo es cuando Henry Ford midió la velocidad de las líneas de montaje. A finales de la década de 1960, el análisis comenzó a recibir más atención a medida que las computadoras se convertían en sistemas de apoyo a la toma de decisiones.

Con el desarrollo de big data , los almacenes de datos, la nube, y una variedad de software y hardware, análisis de datos ha evolucionado, significativamente. El análisis de datos implica la investigación, descubrimiento e interpretación de patrones dentro de los datos. Las formas modernas de análisis de datos se han expandido para incluir:

Estadísticas e informática

El análisis de datos se basa en estadísticas. Se ha supuesto que las estadísticas se utilizaron desde el Antiguo Egipto para construir pirámides. Los gobiernos de todo el mundo han utilizado estadísticas basadas en censos para diversas actividades de planificación, incluida la tributación. Una vez recopilados los datos, comienza el objetivo de descubrir información y conocimientos útiles. Por ejemplo, un análisis del crecimiento de la población por condado y ciudad podría determinar la ubicación de un nuevo hospital.

El desarrollo de computadoras y la evolución de la tecnología informática han mejorado notablemente el proceso de análisis de datos. En 1880, antes de las computadoras, la Oficina del Censo de los Estados Unidos tardó más de siete años en procesar la información recopilada y completar un informe final. En respuesta, el inventor Herman Hollerith produjo la “máquina de tabulación”, que se utilizó en el censo de 1890. La máquina de tabulación podría procesar sistemáticamente los datos grabados en tarjetas perforadas . Con este dispositivo, el censo de 1890 se terminó en 18 meses.

Bases de datos relacionales y no relacionales

Las bases de datos relacionales fueron inventadas por Edgar F. Codd en la década de 1970 y se hicieron bastante populares en la década de 1980. Las bases de datos relacionales (RDBM), a su vez, permitieron a los usuarios escribir en secuela (SQL) y recuperar datos de su base de datos. Bases de datos y SQL proporciona la ventaja de poder analizar los datos a la demanda, y todavía se utilizan ampliamente. Son fáciles de trabajar y muy útiles para mantener registros precisos. En el lado negativo, los RDBM son generalmente bastante rígidos y no fueron diseñados para traducir datos no estructurados.

A mediados de la década de 1990, Internet se hizo extremadamente popular, pero las bases de datos relacionales no podían mantenerse al día. El inmenso flujo de información combinado con la variedad de tipos de datos provenientes de muchas fuentes diferentes llevó a bases de datos no relacionales, también conocidas como NoSQL. Una base de datos NoSQL puede traducir datos utilizando diferentes idiomas y formatos rápidamente y evita la rigidez de SQL sustituyendo su almacenamiento “organizado” por una mayor flexibilidad.

El desarrollo de NoSQL fue seguido por cambios en Internet. Larry Page y Sergey Brin diseñaron el motor de búsqueda de Google para buscar un sitio web específico, mientras procesaban y analizaban big data en computadoras distribuidas. El motor de búsqueda de Google puede responder en unos segundos con los resultados deseados. Los principales puntos de interés en el sistema son su escalabilidad, automatización y alto rendimiento. A 2004 Libro blanco sobre el tema de MapReduce inspiró a varios ingenieros y atrajo una afluencia de talento para centrarse en los desafíos del procesamiento de big data (análisis de datos).

Almacenes de datos

A finales del decenio de 1980, la cantidad de datos que se estaban recopilando siguió aumentando considerablemente, en parte debido a los costos más bajos de las unidades de disco duro. Durante este tiempo, la arquitectura de depósitos de datos se elaboró para ayudar a transformar los datos procedentes de los sistemas operacionales en sistemas de apoyo a la adopción de decisiones. Los almacenes de datos son normalmente parte de la nube, o parte del servidor de mainframe de una organización. A diferencia de las bases de datos relacionales, un almacén de datos normalmente está optimizado para un tiempo de respuesta rápida a las consultas. En un almacén de datos, los datos a menudo se almacenan utilizando una marca de tiempo, y los comandos de operación, como DELETE o ACTUALIZACIÓN, se utilizan con menos frecuencia. Si todas las transacciones de ventas se almacenan utilizando marcas de tiempo, una organización podría utilizar un almacén de datos para comparar las tendencias de ventas de cada mes.

Inteligencia empresarial

El término inteligencia de negocios (BI) fue utilizado por primera vez en 1865, y más tarde fue adaptado por Howard Dresner en Gartner en 1989, para describir la toma de mejores decisiones comerciales a través de la búsqueda, recopilación y análisis de los datos acumulados guardados por una organización. El uso del término “inteligencia empresarial” como descripción de la toma de decisiones basada en las tecnologías de datos es a la vez novedoso y clarividente. Las grandes empresas adoptaron por primera vez el BI en forma de análisis sistemático de los datos de los clientes, como un paso necesario para tomar decisiones empresariales.

Minería de datos

Minería de datos comenzó en la década de 1990 y es el proceso de descubrir patrones dentro de grandes conjuntos de datos. El análisis de los datos de maneras no tradicionales proporcionó resultados sorprendentes y beneficiosos. El uso de la minería de datos surgió directamente de la evolución de las tecnologías de bases de datos y almacenes de datos. Las nuevas tecnologías permiten a las organizaciones almacenar más datos, a la vez que los analizan rápida y eficientemente. Como resultado, las empresas comenzaron a predecir las necesidades potenciales de los clientes, basándose en un análisis de sus patrones históricos de compra.

Sin embargo, los datos pueden ser malinterpretados. Alguien en los oficios, después de haber comprado dos pares de jeans azules en línea, probablemente no querrá comprar jeans durante otros dos o tres años. Apuntar a esta persona con anuncios de jean azul es a la vez una pérdida de tiempo y un irritante para el cliente potencial.

Big Data

En 2005, Roger Magoulas le dio ese nombre a big data. Estaba describiendo una gran cantidad de datos, que parecían casi imposibles de hacer frente a la utilización de las herramientas de inteligencia de negocios disponibles en ese momento. En el mismo año, Hadoop , que podría procesar los macrodatos, fue desarrollado. La fundación de Hadoop se basó en otro marco de software de código abierto llamado Nutch, que luego se fusionó con MapReduce de Google.

Apache Hadoop es un marco de software de código abierto, que puede procesar datos estructurados y no estructurados, transmitiendo desde casi todas las fuentes digitales. Esta flexibilidad permite a Hadoop (y sus frameworks de código abierto) procesar big data. A finales de la década de 2000, varios proyectos de código abierto, como Apache Chispa y Apache Cassandra vino a hacer frente a este desafío.

Análisis en la nube

En su forma inicial, la nube era una frase utilizada para describir el “espacio vacío” entre los usuarios y el proveedor. Luego, en 1997, profesor de la Universidad de Emory Ramnath Chellappa describe la computación en nube como un nuevo “paradigma de computación donde los límites de la computación se determinarán por razones económicas, en lugar de límites técnicos por sí solos”.

En 1999, Salesforce proporcionó un ejemplo muy temprano de cómo utilizar la computación en la nube con éxito. Aunque primitivo por los estándares actuales, Salesforce utilizó el concepto para desarrollar la idea de entregar programas de software a través de Internet. Los programas (o aplicaciones) pueden ser accedidos o descargados por cualquier persona con acceso a Internet. Un administrador de la organización podría adquirir programas informáticos con un método eficaz en función de los costos y a pedido sin salir de la oficina. A medida que las empresas y organizaciones adquirieron una mejor comprensión de los servicios y la utilidad de la nube, ganaron popularidad.

La nube tiene evolucionaron significativamente desde 1999, con los clientes “alquilando los servicios”, en lugar de adquirir hardware y software para el mismo propósito. Los vendedores son ahora responsables de todas las soluciones de problemas, copias de seguridad, administración, planificación de capacidades y mantenimiento. Y, para varios proyectos de negocios, la nube es simplemente más fácil y más eficiente de usar. La nube ahora tiene cantidades significativamente grandes de almacenamiento, disponibilidad para múltiples usuarios simultáneamente, y la capacidad de manejar múltiples proyectos.

Análisis predictivo

El análisis predictivo se utiliza para hacer pronósticos sobre tendencias y patrones de comportamiento. Análisis predictivo utiliza varias técnicas tomadas de estadísticas, modelado de datos, extracción de datos, inteligencia artificial , y el aprendizaje automático para analizar datos en la realización de predicciones. Los modelos predictivos pueden analizar datos actuales e históricos para entender a los clientes, patrones de compra, problemas de procedimiento y predecir posibles peligros y oportunidades para una organización.

El análisis predictivo comenzó en la década de 1940, cuando los gobiernos comenzaron a usar las computadoras tempranas. Aunque ha existido durante décadas, análisis predictivo ahora se ha convertido en un concepto cuyo tiempo ha llegado. Con más y más datos disponibles, las organizaciones han comenzado a utilizar análisis predictivos para aumentar las ganancias y mejorar su ventaja competitiva. El crecimiento continuo de los datos almacenados, combinado con un creciente interés en el uso de datos para ganar Business Intelligence, ha promovido el uso de análisis predictivos.

Análisis cognitivo

La mayoría de las organizaciones se ocupan de datos no estructurados. Dar sentido a estos datos no estructurados no es algo que los humanos puedan hacer fácilmente. Análisis cognitivo fusiona una variedad de aplicaciones para proporcionar contexto y respuestas. Las organizaciones pueden recopilar datos de varias fuentes diferentes, y el análisis cognitivo puede examinar los datos no estructurados en profundidad, ofreciendo a los responsables de la toma de decisiones una mejor comprensión de sus procesos internos, preferencias del cliente y lealtad al cliente.

Análisis ampliado

La analítica aumentada proporciona inteligencia de negocios automatizada (y perspicaces) mediante el procesamiento natural del lenguaje y el aprendizaje automático. Se "automatiza" la preparación de datos y permite el intercambio de datos. Análisis ampliado ofrece resultados claros y acceso a herramientas sofisticadas, permitiendo a investigadores y gestores tomar decisiones diarias con un alto grado de confianza. Permite a los responsables de la toma de decisiones obtener información y actuar con rapidez y confianza.

En última instancia, Análisis aumentado intenta reducir el trabajo de los científicos de datos automatizando los pasos utilizados para obtener información e inteligencia empresarial. Un motor de análisis aumentado procesará automáticamente los datos de una organización, limpiará los datos, los analizará y luego producirá información que conduzca a instrucciones para ejecutivos o vendedores.

Análisis de cartera

El análisis de cartera es utilizado a menudo por una agencia de préstamos o un banco, y es una colección de cuentas con diferentes valores y riesgos. Las cuentas en la cartera pueden incluir información sobre el estatus social de sus clientes (pobres, de clase media, ricos), su ubicación geográfica y muchos otros factores. El análisis de cartera permite al prestamista equilibrar los rendimientos de un préstamo con el riesgo de impago. El riesgo del préstamo está determinado por cosas tales como los ingresos, el éxito de préstamos anteriores, y las declaraciones de quiebra.

Análisis de recursos humanos

Originalmente llamada “analítica de personas”, la analítica de recursos humanos es información de comportamiento que se utiliza para entender cómo trabajan las personas y cómo cambian la forma en que se gestionan las organizaciones. El análisis de recursos humanos también se ha denominado análisis de mano de obra, análisis de talento, ideas de talento, ideas de las personas, ideas de colegas y análisis de capital humano. El análisis de recursos humanos se utiliza para ayudar a las empresas a gestionar sus recursos humanos, y es una herramienta estratégica para analizar y predecir las tendencias en los mercados laborales.

Análisis del viaje del cliente

El viaje del cliente trata con la experiencia holística que los clientes pasan mientras interactúan con una organización o marca. En lugar de centrarse en una parte de la experiencia, el viaje del cliente registra la experiencia completa de un cliente.

El análisis del viaje del cliente examina la información registrada y proporciona información sobre las experiencias del cliente (a menudo en tiempo real). Ayuda a entender al cliente, e influye en cómo las empresas diseñan la experiencia del cliente. El análisis del viaje del cliente es compatible con un método sistemático para evaluar y supervisar el viaje del cliente y mejorar el proceso. Desarrollar y entregar la experiencia óptima del cliente es el objetivo final.