El desarrollo del almacenamiento y an\u00e1lisis de datos empresariales abarca desde los primeros almacenes de datos en los a\u00f1os 80 hasta los conceptos de lagos de datos, hubs y lakehouses. Al principio, las empresas pod\u00edan leer el pasado a partir de las cifras y sacar conclusiones gracias a datos limpios, informes y an\u00e1lisis r\u00e1pidos. Desde la d\u00e9cada de 2010, el rendimiento de los ordenadores y las aplicaciones ha alcanzado un nivel en el que tambi\u00e9n son posibles las predicciones (an\u00e1lisis predictivo) y las recomendaciones para la acci\u00f3n (an\u00e1lisis prescriptivo).<\/p>\n\n\n\n
Los datos y su an\u00e1lisis se consideran el combustible para la transformaci\u00f3n digital y el cambio hacia una empresa inteligente. Pero los obst\u00e1culos son numerosos:<\/p>\n\n\n\n
Estos obst\u00e1culos pueden superarse desde el punto de vista t\u00e9cnico. Sin embargo, el primer requisito previo es una cultura de datos dentro de la organizaci\u00f3n que promueva el uso eficaz y \u00e9tico de los datos para la toma de decisiones y la innovaci\u00f3n. Sin una cultura de datos positiva, las organizaciones no podr\u00e1n convertirse en empresas impulsadas por los datos.<\/p>\n\n\n\n
Una cultura de datos positiva suele empezar por un replanteamiento de los principios organizativos. Por ejemplo, actualmente s\u00f3lo unas pocas empresas ofrecen a todos los empleados la posibilidad de crear sus propios an\u00e1lisis de datos (a trav\u00e9s del autoservicio). Sin embargo, es precisamente la iniciativa y la creatividad de los departamentos especializados la clave para crear nuevo valor a partir de los datos. En general, una organizaci\u00f3n debe ser consciente de las actitudes, pr\u00e1cticas y valores que promueven el tratamiento eficaz y responsable de los datos: transparencia, confianza, alfabetizaci\u00f3n inform\u00e1tica, \u00e9tica y colaboraci\u00f3n.<\/p>\n\n\n\n
Muchas organizaciones han invertido en el pasado en un lago de datos central y en un equipo de datos, esperando impulsar su negocio bas\u00e1ndose en los datos. Sin embargo, tras un cierto \u00e9xito inicial, se dan cuenta de que el equipo central de datos a menudo se convierte en un cuello de botella: El equipo no puede responder con suficiente rapidez a todas las preguntas anal\u00edticas de la direcci\u00f3n, los propietarios de productos y los departamentos especializados. Sin embargo, las decisiones oportunas basadas en datos son cruciales para la competitividad. Las preguntas t\u00edpicas son<\/p>\n\n\n\n
El equipo de datos quiere responder r\u00e1pidamente a todas estas preguntas. En la pr\u00e1ctica, sin embargo, tiene dificultades porque dedica demasiado tiempo a adaptar las canalizaciones de datos y, si es necesario, a realizar cambios operativos en la base de datos. En el poco tiempo que le queda, el equipo de datos tiene que identificar y comprender los datos de dominio necesarios.<\/p>\n\n\n\n
Aunque los departamentos conocen sus \u00e1mbitos y los requisitos de informaci\u00f3n pertinentes, tienen que recurrir al sobrecargado equipo central de datos para obtener informaci\u00f3n basada en datos.<\/p>\n\n\n\n
Una salida es transferir la responsabilidad de los datos del equipo de datos central a los equipos de dominio. Esta es la idea central del concepto de malla de datos: descentralizaci\u00f3n orientada al dominio para los datos anal\u00edticos. Una arquitectura de malla de datos permite a los departamentos especializados y a los equipos de dominio realizar por s\u00ed mismos an\u00e1lisis de datos entre dominios y conectar los datos entre s\u00ed, de forma similar a las API en una arquitectura de microservicios.<\/p>\n\n\n\n