Gestionar Aprenda a aplicar las mejores prácticas y optimizar sus operaciones.

Los proyectos de analítica de big data necesitan una mano medida, pero firme, en la gestión

Los gerentes de los equipos de analítica deben equilibrarse entre guiar la labor de sus científicos de datos y darles libertad de acción.

Los científicos de datos en Scotiabank, una firma de servicios financieros con sede en Toronto, no están asociados a ninguna unidad de negocio particular. En lugar de ello, son parte de un equipo independiente –oficialmente llamado el grupo de ciencias de la decisión– que hace un trabajo de analítica avanzada para todos los departamentos del banco. Pero independiente no significa al margen: Andrew Storey, vicepresidente de ciencias de la decisión del banco, dijo que él y otros directivos trabajan para asegurar que los proyectos de análisis de datos adquiridos por el equipo no son solo ejercicios abstractos sin valor práctico para las estrategias de negocios y operaciones.

"El hecho de que podemos hacer algo, no significa que deberíamos hacerlo", dijo Storey durante una sesión en la Cumbre Ejecutiva TDWI 2015 en Las Vegas. "Lo que estamos haciendo en realidad es arraigándonos a nosotros mismos en el negocio y soportando los proyectos en los que están trabajando. Usted puede separarse de la realidad muy rápido en una unidad de este tipo, por lo que estamos tratando de mantenernos en la tierra”.

Storey sí quiere que sus analistas de más de 30 piensen creativamente conforme ejecutan el análisis predictivo y las aplicaciones de minería de datos contra conjuntos de datos de clientes y de precios, en un esfuerzo por ayudar a optimizar campañas de marketing, ofertas promocionales y precios de los productos e identificar las conexiones financieras entre los diferentes clientes. De hecho, el fomento de una cultura de innovación es uno de sus principios básicos para la gestión de un equipo exitoso de análisis. "Siempre debemos estar buscando una mejor manera de hacer las cosas", dijo, y agregó que el empoderamiento de sus trabajadores para hacerlo ha ayudado en retenerlos.

Al mismo tiempo, sin embargo, Storey permite a los gerentes de empresas en Scotiabank tomar la iniciativa para decidir lo que su equipo debería explorar, o trabaja con ellos para averiguarlo. Los resultados analíticos deben ser integrables en los sistemas y procesos operativos –un modelo predictivo "es completamente inútil si no tomamos decisiones basadas en él", dijo.

Explicaciones en orden en la analítica de datos

Los miembros del equipo también deben ser capaces de explicar las técnicas y metodologías de analítica que están usando a los ejecutivos de negocios para ayudar a que se convenzan de hacer uso de los resultados. Y para tratar de agilizar el proceso de análisis, Storey aleja a los científicos de datos de tratar de reinventar la rueda del modelado predictivo. Él anima a su equipo a volver a utilizar algoritmos de otras empresas de servicios financieros y organizaciones en otras industrias, adaptándolos a las necesidades del banco.

Actos de equilibrio como el de Scotiabank son un elemento común de la gestión de equipos de analítica, y se están volviendo cada vez más importantes –y más difíciles– conforme los programas de analítica de big data amplían el alcance del trabajo que los científicos de datos están haciendo y los tipos de información que están buscando analizar.

Eso se está convirtiendo en un problema más grande conforme los proyectos de análisis de big data se hacen más frecuentes, como muestran los resultados de la encuesta. Por ejemplo, en la encuesta de Prioridades de TI de TechTarget 2015, 25% de los 2,212 encuestados en todo el mundo dijo que sus organizaciones estaban planeando el despliegue de analítica de big data este año, lo que la sitúa entre las cinco primeras iniciativas de software planificadas. Mientras tanto, el 40% de los 302 profesionales de negocios y de TI encuestados en junio de 2014 por la consultora Gartner Inc. dijo que sus organizaciones habían invertido en tecnologías de big data, por encima del 30% del año anterior; otro 33% citó planes de hacerlo dentro de 24 meses.

Los enfoques colaborativos y colegiados son una necesidad en la gestión de los esfuerzos de analítica de big data, dijo Mike Lampa, director gerente de la consultora Archipelago Information Strategies. "Creo que la mentalidad adecuada es cómo guiar el proceso, no controlarlo”. Lampa advirtió que los científicos de datos calificados tienden a retroceder –y tal vez buscar nuevos puestos de trabajo en otros lugares– si piensan que su trabajo está siendo controlado en exceso. Dijo que los gerentes deben trabajar con sus equipos para centrar el trabajo de analítica en proyectos útiles e implementar directrices claras sobre el uso de datos y la revisión de modelos analíticos; luego, deben salir del camino.

Los analistas reciben las llaves de la bóveda de datos

Ese es el tipo de enfoque que Netflix ha tomado con su equipo de científicos de datos. La  compañía utiliza una variedad de sistemas que se ejecutan en la nube de Amazon Web Services –incluyendo Hadoop, un almacén de datos de Teradata y tecnologías Redshift de Amazon y de Simple Storage Service– para almacenar múltiples petabytes de datos para su uso en el análisis de las interacciones de los clientes con su servicio de streaming de medios en línea.

Kurt Brown, vicepresidente de la plataforma de datos de Netflix, dijo durante una presentación en la conferencia Strata + Hadoop World 2015 en San José, California, que los analistas de datos son  responsables de la construcción de sus propias consultas, algoritmos y modelos –y que su objetivo es permitirles hacer lo que tienen que hacer en proyectos de analítica de datos "con el menor impedimento posible”.

Los gerentes de la plataforma de Brown consultan con los analistas y promueven el desarrollo de  mejores prácticas, pero no ponen ninguna puerta cuando se trata de hacer el trabajo de desarrollo. Eso a veces resulta en errores de codificación y problemas de datos, pero dijo que tratar de mantener el código malo fuera de los sistemas de análisis es "una tontería" en una empresa como Netflix. Después del hecho, uno de sus empleados busca el código que necesita ser limpiado, luego envía la información a los analistas que fueron responsables de los errores para que puedan hacer las correcciones ellos mismos. "No hay ningún problema en que nosotros lo hagamos", dijo Brown. "Tiene que ser una responsabilidad compartida”.

Este artículo se actualizó por última vez en junio 2015

PRO+

Contenido

Encuentre más contenido PRO+ y otras ofertas exclusivas para miembros, aquí.

Guía Esencial

Guía Esencial: Claves para mejorar su gestión de proyectos de TI

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Enviando esta solicitud usted acepta recibir correos electrónicos de TechTarget y sus socios. Si usted reside afuera de Estados Unidos, esta dando autorización para que transfiramos y procesemos su información personal en Estados Unidos.Privacidad

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close