Evaluar Conozca los pros y contras de las tecnologías, productos y proyectos que está considerando.

Optimice sus políticas de gobierno de datos para liberar a los usuarios de analítica

Un enfoque colaborativo en el gobierno de datos puede evitar a los usuarios opresores –y producir buenos resultados analíticos.

El gobierno de datos es un poco como ir al dentista: Todo el mundo tiene que hacerlo, pero pocas personas realmente disfrutan el proceso. Pero en un mundo donde las empresas están adoptando cada vez más herramientas de inteligencia de negocio (BI) en modelo de autoservicio y poniendo los datos de BI en las manos de quienes toman las decisiones y los trabajadores operativos, la aplicación de una fuerte política de gobierno de datos con reglas claras nunca ha sido más importante.

Pero eso no significa que los equipos de gestión de datos deban adoptar un enfoque de mano dura para hacer cumplir las políticas de gobierno destinadas a garantizar que la información es precisa y consistente en toda la organización. En la Cumbre Ejecutiva TDWI 2015 en Las Vegas, varios oradores discutieron sobre las maneras en que los administradores de BI y de TI pueden proteger la calidad de sus datos al tiempo que habilita a los usuarios de negocios y analistas de datos para ejecutar sus propias consultas y construir sus propias visualizaciones de datos con el software de autoservicio.

"No queremos ser la policía", dijo Alexandre Synnett, vicepresidente de gestión de datos en CDPQ, una empresa que gestiona los fondos de pensiones del sector público para la provincia canadiense de Quebec. "Escribir un documento de 10 páginas con las reglas de lo que se puede hacer –ese no será nuestro enfoque."

En cambio, CDPQ optó por un enfoque más colaborativo. Synnett dijo que en lugar de desarrollar un marco de gobernanza de datos por sí solo, el equipo de gestión de datos y análisis trabajó con los gerentes de empresas para identificar los datos potencialmente sensibles y establecer limitaciones pragmáticas sobre cómo se pueden utilizar esos datos al tiempo que se cumplen los requerimientos del negocio. Luego construyeron controles de gobierno y reglas de negocio relacionadas para sistemas de back-end de la empresa. El trabajo también incluyó la toma de datos de los sistemas de silos ejecutados por unidades de negocio y la centralización del almacenamiento, la gestión y el acceso.

Mike Lampa, socio director de la consultora Archipielago Information Strategies, llama a ese tipo de enfoque "gobernanza sin el martillo". En la mayoría de las organizaciones, dijo, el proceso de gobierno tradicionalmente se ha centrado en la limitación de lo que la gente puede hacer con los datos. Hay buenas razones para ello: Sin estas restricciones, los usuarios finales podrían alimentar resultados imprecisos o análisis de baja calidad en un almacén de datos o inadvertidamente publicar datos que se deben tener privados por razones legales.

Pero Lampa advirtió que centrarse sólo en evitar que los usuarios hagan las cosas como parte de una política de gobierno de datos disminuye el valor de las herramientas de autoservicio y frena la capacidad de los analistas y otros trabajadores para derivar ideas potencialmente valiosas a partir de esos datos.

Es por eso que recomienda ser más flexible, sobre todo en los tipos de datos que a los usuarios se les permite traer a las aplicaciones. Obligar a cada pieza de datos a través de normas que requieren ciertos formatos hará que sea más difícil para los equipos de análisis trabajar con nuevos tipos de datos, como los datos de los medios sociales o los de navegación Web, dijo Lampa. Agregó que si los gerentes de TI están preocupados por los conjuntos de datos desordenados que consiguen en los almacenes de datos, pueden configurar entornos limitados de datos segregados para que los analistas jueguen ahí. Pero sólo decir "no" no es una buena opción.

"Tenemos que tener la capacidad de permitir a los científicos de datos traer datos externos y mezclarlos [con información interna]," dijo Lampa. "Se trata de convertir todos estos datos en un activo en nuestra hoja de balance."

CDPQ ha ido por el camino caja de arena, construyendo lo que llama "zonas de usuario final" en sus almacenes de datos para apoyar la creación de prototipos de análisis y exploración. Pero no es como que todo se vale en las cajas de arena (sandbox). Luc Veillette, director senior de modelado y análisis de negocio en CDPQ, dijo que el programa de gobierno de datos de la compañía incluye un conjunto de normas sobre el uso de ellos –por ejemplo, los analistas deben utilizar fuentes de datos oficiales, si están disponibles, y sus resultados se pueden aprovechar para la toma de decisiones sólo por unidades de negocios individuales.

En consonancia con el énfasis en la gobernanza colaborativa, sin embargo, Veillette dijoque los  desarrolladores de TI y los científicos de datos y analistas de negocio que utilizan los sandboxes deben trabajar juntos para incorporar modelos analíticos y algoritmos en una estructura manejable.

Seleccionar las herramientas adecuadas para fines de análisis específicos también puede ayudar a soportar el uso de diferentes tipos de datos. Mark Madsen, presidente de investigación y consultoría de la firma del Third Nature, dijo que hay muchos análisis y herramientas de información disponibles en la actualidad que pueden manejar datos en diferentes formatos. Las empresas a menudo buscan una única herramienta que puede hacer muchas funciones, pero este software pueden requerir a los usuarios extraer datos del almacén de datos y cambiar el formato antes de que pueda ser analizado. La implementación de una herramienta específica sólo para analizar, por ejemplo, datos de medios sociales, puede aumentar la complejidad del almacenamiento de datos mediante la adición de más software para administrar, pero este equilibrio puede valer la pena.

"Hay que pensar en las plataformas que le ofrecen todas esas cosas y relajan el control, porque retrasamos un montón de cosas por hacer que todo pase por ETL", dijo.

Al mismo tiempo, Madsen recomienda que las organizaciones sean juiciosas sobre lo que permiten respecto a los almacenes de datos y otros sistemas de análisis. Se pueden tener perspectivas al mezclar datos de CRM, información de productos y datos de la transacción, pero juntar esos tipos de datos en un solo proceso analítico también puede ralentizar las cosas. En última instancia, la analítica se trata de la búsqueda de señales en el ruido, y cuantos más datos se agregan, más ruidoso se vuelve el asunto.

"Y una vez que se tienen tantos datos, ¿cómo puede saber cuánto es significativo?", preguntó Madsen.

Profundice más

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close