Hana Roadmapping - La trampa de datos

En este artículo presentamos un modelo de hoja de ruta para una introducción paso a paso. Además del software, el hardware y los empleados adecuados, para entrar en el nuevo mundo de la digitalización y el big data se necesita sobre todo una cosa: datos.

Con la recopilación de datos brutos no compactados en el Diario Universal, en Central Finance y en el Hub One Exposure from Operations o con el nuevo modelo de arquitectura LSA++ altamente virtualizado, SAP está creando actualmente contenedores adecuados para evaluar grandes volúmenes de datos. La única lástima es que su contenido no suele ser útil para los análisis estadísticos.

La razón: por un lado, los procesos empresariales existentes no están alineados con este objetivo y, por otro, la validez de prácticamente todos los métodos estadísticos depende del tamaño y la calidad de la muestra. En otras palabras, si no piensa ahora en sus objetivos de digitalización y en cómo alcanzarlos, dentro de diez años se quedará con las manos vacías en cuanto a datos.

1. migración

Para los clientes de SAP, la entrada en la gestión empresarial digital comienza con una migración de una base de datos clásica como Oracle o MaxDB a Hana. Esta migración de base de datos pura significa que los informes y las funciones seleccionadas (por ejemplo, transformaciones o activaciones en BW) se vuelven significativamente más rápidos.

También existen nuevas interfaces (por ejemplo, con sistemas de procesamiento de eventos o Hadoop). Sin embargo, sin nuevos procesos empresariales, estas interfaces seguirán sin utilizarse por el momento.

El retorno de la inversión de una migración pura de base de datos sólo se produce en caso de que la aceleración de las funciones de software genere beneficios por sí sola.

Si, por ejemplo, los procesos de carga en BW se ejecutan un 50 o 75 por ciento más rápido debido a una activación más rápida y a la eliminación de pasos individuales del proceso (por ejemplo: borrado y reconstrucción de índices, estadísticas de la base de datos y roll-up), esto puede tener dos consecuencias:

Los cuellos de botella en el procesamiento por lotes desaparecen en el aire y los datos relevantes para la toma de decisiones están a disposición del especialista a primera hora de la mañana en lugar de por la tarde. Lo primero puede ayudar a evitar nuevas inversiones en hardware, lo segundo puede llevar a tomar mejores decisiones.

2. nuevas funciones

Una vez finalizada la conversión de la base de datos, las nuevas soluciones "Simple" de SAP pueden activarse fácilmente a través de Switch Framework (SFW5).

El resultado: se aceleran otros procesos empresariales gracias a estructuras de tablas más sencillas y a la reducción de código, y se ofrecen funciones completamente nuevas (por ejemplo, la nueva gestión de cuentas bancarias en la gestión de tesorería).

Tras la migración, también es el momento de preparar las soluciones específicas de los clientes para Hana. Lógicamente, la atención se centrará inicialmente en los procesos empresariales críticos para la velocidad.

3. nuevos métodos

Como plataforma y eje central para el suministro de datos, Hana abre las puertas a los flujos de eventos (palabra clave: ESP Plug-in para Hana Studio) y a los datos débilmente estructurados/no estructurados (palabras clave: HDFS/MapReduce o NoSQL).

Sin embargo, los procesos empresariales tradicionales de ERP no pueden utilizar estos datos. El potencial de valor correspondiente sólo puede aprovecharse rediseñando los procesos existentes.

Por ejemplo, sería concebible utilizar datos de las redes sociales para prevenir el fraude y destacar propuestas de pago cuestionables para su posterior análisis.

Sin embargo, las aplicaciones (SAP Fraud Management, Business Rules Framework) deben configurarse para ello y puede ser necesario ampliar las aplicaciones existentes (por ejemplo: el programa de pagos/F110). Por tanto, el cliente se enfrenta a un reto aún mayor que cuando "afina" informes o carga procesos.

4. nuevos algoritmos

La aceleración conseguida por Hana permite utilizar algoritmos conocidos de forma diferente a como se hacía antes o utilizar por primera vez algoritmos nuevos de alto rendimiento.

Ejemplo: ahora es posible segmentar a los clientes en función de su sensibilidad al precio no sólo una vez al mes, sino prácticamente de forma continua. En lugar de fijar precios diferentes para marcas básicas y premium con grupos objetivo claramente definidos, como se hacía antes, ahora se puede ofrecer el mismo producto a precios diferentes según la hora del día.

Con la introducción a escala nacional del etiquetado digital de precios, los minoristas de papelería siguen ahora a las aerolíneas y las tiendas web en la creación de los requisitos técnicos previos para una segmentación de clientes orientada al tiempo.

5. nuevas estrategias

Los datos de los sensores proporcionan rápidamente grandes cantidades de datos, algunos de los cuales son incorrectos o incompletos. Esto por sí solo representa un gran reto para las organizaciones informáticas tradicionales.

Sin embargo, hay otro problema: la Internet de los objetos también tiene la desagradable característica -desde el punto de vista de la gobernanza- de cambiar constantemente de estructura.

Actualmente, un coche de gama media puede proporcionar datos de entre 100 y 150 sensores. Con cada cambio de modelo, se añaden nuevos, se eliminan los antiguos o cambian sus propiedades técnicas.

La situación no es diferente con las unidades de medición de un smartphone o la carcasa de una bomba. Por tanto, los flujos de datos y las funciones que se basan en el supuesto de datos de entrada estables quedan obsoletos incluso antes de entrar en funcionamiento.

Se necesitan nuevos modelos de arquitectura en TI para hacer frente a unas condiciones marco inestables. A más tardar en esta fase es necesario un rediseño fundamental de las arquitecturas y los flujos de datos.

6 Nuevos paradigmas

Con los pasos de desarrollo 4 y 5 (en el diagrama), los bucles de realimentación cerrados -práctica habitual desde hace tiempo en los sistemas de control de procesos- se abren paso en el control de los procesos empresariales.

Pero mientras que la maquinaria de producción ofrece un marco relativamente estable para definir las reglas, las decisiones en los procesos empresariales se toman en un entorno que cambia fundamentalmente cada hora o minuto.

El intento de plasmar las reglas de este entorno en normas rígidas (y configuraciones personalizadas) está abocado al fracaso. Tarde o temprano, las organizaciones se verán obligadas a delegar sus decisiones en algoritmos autoadaptativos.

Esto puede sonar poco familiar o incluso aterrador. Pero si somos sinceros, en nuestra vida cotidiana hace tiempo que dejamos las decisiones en manos de algoritmos que ya no sabemos cómo funcionan en detalle.

Casi nadie comprueba en el mapa cada instrucción de su sistema de navegación, muy pocos despachadores sabrán cómo funciona la planificación de la demanda en SAP ERP, y pocos pasajeros tienen reparos en embarcar en un avión aterrizado por el ordenador y no por la tripulación cuando la visibilidad de la pista es mala.

Los datos como factor crítico de éxito

Sin embargo, los casos empresariales con reconocimiento de patrones y toma de decisiones automatizada a menudo ni siquiera son viables con los conjuntos de datos actuales. Los algoritmos de reconocimiento de patrones en la prevención del fraude, por ejemplo, requieren datos limpios y granulares de cientos o incluso miles de casos bien documentados y claramente estructurados.

Para disponer de semejante tesoro de datos en una, dos o tres décadas, tenemos que empezar a diseñar la arquitectura y a recopilarlos hoy mismo. Los gigantes de Internet, como Amazon y Google, llevan tiempo reconociéndolo. Los pioneros del big data se preocupan sobre todo de recopilar la mayor cantidad posible de datos y gestionarlos de forma flexible y estructurada.

Lo que se pueda hacer con estos datos más adelante es algo en lo que aún podremos pensar dentro de diez años. La entrada de Google en la industria del automóvil, la robótica y el negocio de la tecnología doméstica también debe considerarse en este contexto.

En los tres casos, no se trata principalmente de la venta de hardware, sino del control sobre los datos producidos por el hardware.

Conclusión

Cuando se construye una casa, la planificación no empieza cuando se colocan las tejas. La arquitectura y el diseño del edificio se definen mucho antes de que la primera excavadora entre en el solar. La visión puede surgir incluso antes de comprar la parcela.

Por supuesto, habrá ajustes durante la realización de los planos de construcción. La propia obra puede deparar alguna que otra sorpresa o puede que haya que desplazar unos centímetros una ventana para tener una mejor vista.

Sin embargo, al igual que ocurre con la construcción, una arquitectura de datos no tiene por qué ser rígida. A partir de diciembre de 2015, Horváth & Partners ofrecerá a sus clientes y partes interesadas un campamento de entrenamiento con vídeos y seminarios web.

Examinaremos más detenidamente la cuestión de cómo podrían ser las arquitecturas de datos flexibles para la digitalización.