Este documento describe las causas del rápido crecimiento de la inteligencia de negocios y la analítica, incluyendo la digitalización del mundo físico y el aumento de datos procedentes de Internet de las Cosas, cámaras digitales, telefonía móvil y televisión. Además, presenta diferentes modelos de madurez analítica y estrategias para democratizar el acceso a la analítica en las organizaciones.
5. Causas de crecimiento explosivo
• IoT
• Cámaras Digitales
• Telefónica Digital
• TV Digital
• Monitoreo y Administración
de mundo físico pasa a Digital
Fuente: IDC, 2014
9. Modelo de Madurez de Analytics10: Entendemos que no todas
las soluciones requieren aplicar todos los pasos
VALOR
Nivel 1 - Datos
Acceso
a datos
Asociación
Y Blending
Información
relevante
para Usuario
Eventos, Alarmas,
Sugerencias
Nivel 2 - Información Nivel 3 - Conocimiento Nivel 4 - Acción
10. A cuantas diferentes fuentes de datos accedes?
Solo el 6% de las
organizaciones
tienen todos sus datos
en un solo lugar
31%
40%
9%
13%
2-4 fuentes 5-10 fuentes 11-15 fuentes sobre15 fuentes
11. Las nuevas oportunidades están en áreas fuera de lo tradicional
Big Data
Discovery
Data Discovery
Big Data
Data Science
Nuevas oportunidades de
Negocios
Valor del
Dato (4V)
Analítica
tradicional
Volumen / Variedad / Velocidad 3Vs
13. 1. Extraer
2. Clasificar / Almacenar
3. Analizar / Visualizar
Visión de Negocio
Retail Comportamiento
del cliente
Meteorológico Renta Regional Demográficos
¿Comó te ayuda A10?
14. Qué incluimos en nuestra oferta de analítica
ANALÍTICA AVANZADA
Descriptivo Diagnóstico Predictivo Prescriptivo
¿Qué está pasando? ¿Por qué ocurrió? ¿Qué va a ocurrir?
¿Cómo podemos
asegurarnos
que suceda?
ANALÍTICA ANALÍTICA AVANZADA
Aritmética Sencilla
Reportes / Tableros
Plataformas comunes de BI
“Nivel de Confort”
Ciencia de Datos
Solución de problemas de negocios
Herramientas basadas en matemática
Otras cosas extrañas ...
15. Big Data
Millones de datos que pueden provenir
de distintas fuentes
Data blending y Analítica avanzada
Qlik permite a los usuarios manejar fácilmente su data
y Alteryx permite mezclar data y hacer análisis avanzado
Data Discovery Self Service
Los usuarios son los protagonistas
Para analizar fácilmente los datos
Supervisión y alcance de A10
16. Entendemos comó implantar soluciones en ambientes de TI corporativos complejos
Sistemas
Operacionales
(ejemplos)
Área de trabajo Ciencia de Datos
Modelos
Predictivos
Minerva
de
datos
Discovery
Un área de trabajo de Ciencia de Datos
facilita la Exploración (Discovery)
data exploration and discovery
Área de
Pruebas
(Sandbox)
Data
Warehouse
Corporativo
Herramienta
BI
Corporativa
Data Warehouse
departamental /
BD de BI
Herramienta BI
Departamental
Entrega BI
Entrega BIExtraer-transformar y cargar
(no ETL!) significa que los
datos son transformados y
cargados hacia los spokes o
radios solo cuando es
necesario. Entrega BI sobre Big Data
Herramientas BI conscientes de estructuras Big-
data pueden operar contra datos que no están
trabajando bajo algún patrón predefinido. Pueden
acceder directamente al Hub y hacer Discovery
mientras herramientas tradicionales solo contra
Data-warehouse o BD relacionases.
Algunas soluciones
Data-warehouse y
BD de BI han
integrado
funcionalidad para
soportar Hadoop.
Estas pueden ser
consideradas parte
del Hub o de un
Spoke según uno
prefiera.
Muchos Data
warehouse y BD de
BI se han transferido
hacia los Spokes.
ETL tradicional en
Data-warehouse
entregan calidad y
estructura que es en
ciertos casos
necesitada para
entregar soporte de
calidad.
Hub de Datos
distribuidos
Servicios de transformación
del Hub
Apps
empaquetadas
Apps
móviles
SaaS -
PaaS
apps
ECM
Apps
Customizadas
BPM
DCM
Social
Sitios Web
2
1
3
3
3
3
4
5
5
5
5
6
HUB
SO
DW / BD BI
Área de Pruebas
Big data
Stand
alone
Data Warehouse
departamental /
BD de BI
Herramienta BI
Departamental
Data Warehouse
departamental /
BD de BI
17. Ayudamos a crear centros de excelencia o
trabajar bajo la estructura que tu empresa decida
Principios Organizacionales para posicionar a equipos de Analítica Avanzada y Científicos de Datos A10 2016
AA/CD = Analítica Avanzada/Científicos de Datos | LN = Línea de Negocios | CEA = Centro de Excelencia de Analítica
Agilidad
Visión que cruce funciones
Compartir conocimiento
Cercanía al negocio
Cercanía al procesamiento y
los datos
Científicos de datos @ Línea de
negocios
Científicos de datos @ IT Científicos de datos separados
de la unidad de negocios
Expertos dispersos CEA
Fast Moving World
In 2014, the BI & Analytics market was $14B & growing at double digits, yet has the software kept up w/ the needs of users & consumers of BI. The world is a very fast moving place. Have the current BI & Analytics providers kept up w/ the changing demands of a fast moving world? 8-10 Zettabytes of data is currently being created. That’s more than data created this past year than previous 5000 years of civilization…
The Big Data? But where is the Big Value? The Hadoop world has gotten terribly interesting in the last few years.
Suddenly everyone who was calling for the end of SQL have started building real-time query processing engines that circumnavigate MapReduce.
My guess what’s returned with a vengeance in these real-time query processing engines: that’s right folks, SQL has Never Left the Building.
Corfe Castle in Southern England. It was built after 1066 when William the Conquer & his band of Normans. It played in seminal role in the English Civil War in 1642. It is truly a place of enormous historical significance.
The ruins of Corfe represent the last generation of analytics platforms. They’re hugely important to understand where we’ve been and how we got here.
But in the modern era, prepping your data using archaic functions like “SAS data statement” or building analytical functions using “proc SQL” is simply antiquated.
To that note, we’re excited to support the ability to read and write from the SAS & SPSS file formats.
It represents the ability to bring your data from the old way of doing things into the modern age…
The is the price of Memory and Storage for the last 50 years…
We’ve moved from the age of scarcity into the age of abundance.
Raw materials of our industry
Cost a fraction of what they did
Enables a new way for doing everything…
The last generation of analytic platforms were written in the age of scarcity…
While the new analytics stack is rising in the age of abundance…
Hasta un sistema nervioso central necesita un cerebro. Un centro o hub de analitica. Un lugar donde se guarden los metadatos finales y los datos de analitica finales u “originales” la organizacion sigue con el riesgo de operar con distintas realidades. A esto se pueden conectar una serie de brazos que le den libertad local a departamentos para que ellos los utilicen como vean apto. Por ejemplo para hacer analitica avanzada y aplicar estos set de datos a diferentes modelos o para crear vistas que no son estandares etc. Este HUB tiene que estar administrado y guiado.
El sistema nervioso necesita un cerebro. En la parte tecnica es el HUB central (Cloudera, etc) y en lo que es RH tiene que haber un lider de analitica. Un CAO (Chief Analytics Office) con un equipo que este 100% capacitado para llevar adelante esto. Ellos son responsables por los metadatos y los datos para analitica. Tambien son responsables para impulsar la cultura dentro de la empresa (no son responsables por la cultura, eso seria el CEO pero son responsables para crearle contenido a esta cultura y asi impulsarla). Ahora igual como el area de finanzas que tiene “representantes” en cada division este centro de analitica debe tener representantes en diferentes areas con tal de salvaguardar los intereses del area central de analitica en cada decision tomada. Este modelo hibrido se ha mostrado el mas eficiente.