Gracias a los mercados volátiles y a la fuerte competencia, tomar decisiones en el propio negocio se convierte en un reto cada vez mayor. Al mismo tiempo, el creciente grado de digitalización hace posible que las empresas dispongan de cada vez más datos. De ello se beneficia la Business Intelligence, que presta apoyo a la toma de decisiones. En el marco de BI, los datos se analizan mediante un proceso impulsado por la tecnología y se transforman en información presentable. En la visualización de datos, un subcampo de la Business Intelligence, los datos se convierten en una forma visual y la información se presenta de manera fácilmente comprensible. El resultado de un proceso de Business Intelligence puede ayudar así a los responsables de la toma de decisiones y a los usuarios finales a tomar decisiones fundamentadas y a obtener una visión general. Pero volvamos al principio: antes de que los datos puedan transformarse en una forma comprensible, primero deben prepararse.
Preparación de datos: ¿qué es?
Para que los datos recopilados aporten información decisiva, es necesario crear primero una base fiable. Esta es la tarea de la preparación de datos o data preparation. La preparación de datos es un proceso mediante el cual se recopilan los datos en bruto de una organización y se ponen a disposición de los usuarios para su posterior uso. Alternativamente, se utilizan en programas de BI o de análisis. Este proceso requiere mucho tiempo, pero es imprescindible para realizar un análisis orientado a resultados.
Pasos de la preparación de datos
En qué medida el proceso de preparación de datos representa un reto depende de la organización y del sector, así como de los requisitos respecto a los resultados. Sin embargo, las distintas fases del proceso son similares con independencia de ello. Antes de poder empezar, es importante definir un objetivo claro, y esto no es tan trivial como parece al principio. En un estudio del Business Application Research Center (BARC) se encuestó a 695 expertos en Business Intelligence de diferentes áreas. El 53 % afirmó que los responsables de la toma de decisiones a menudo no saben qué datos se necesitan para las decisiones pendientes y, por tanto, deberían prepararse. En la región DACH, este porcentaje asciende incluso al 58 %. La identificación del verdadero sentido y propósito del análisis y su definición clara suele suponer por tanto un reto, y no debe subestimarse el tiempo necesario para ello.
1. Recopilación de los datos
El proceso real de preparación comienza con la identificación y la recopilación de los datos relevantes. Estos pueden proceder, por ejemplo, de fuentes de datos sólidas y estructuradas como bases de datos u otras fuentes internas similares. Otra posibilidad son los datos en formatos como Excel o informes SAP, que en su caso primero deben identificarse.
2. Determinación y evaluación de los datos
Tras la identificación de los datos, en el siguiente paso, la data discovery, es necesario comprenderlos. No se trata solo de entender su contenido, sino también de estimar el esfuerzo asociado a su preparación. La pregunta que surge es: ¿en qué forma deben estar disponibles los datos para que puedan utilizarse para el fin previsto? Este primer análisis incluye la identificación de patrones de datos, relaciones y otros atributos de los datos. Además, se tienen en cuenta criterios relacionados con la calidad de los datos, como por ejemplo la integridad, la corrección, la coherencia, la ausencia de redundancias y la relevancia de los conjuntos de datos, con el fin de identificar otros potenciales de optimización.
3. Depuración y verificación de los datos
En este paso tiene lugar la depuración real de los datos. Este paso, que consume mucho tiempo pero es extremadamente importante, debe garantizar que se eliminen los datos erróneos y se cierren las brechas. Entre las tareas se incluyen:
- Eliminación de datos irrelevantes y de valores atípicos
- Adición de datos faltantes
- Estandarización de los distintos conjuntos de datos (sobre la base de un patrón definido)
- Enmascaramiento de entradas de datos privadas y/o sensibles
El objetivo de esta depuración es contar con un conjunto de datos completo, coherente y preciso. Tras la depuración de los datos, el conjunto de datos ahora estandarizado debe examinarse en busca de errores en el proceso realizado hasta el momento. A continuación, el conjunto de datos puede, en su caso, vincularse con otros conjuntos de datos.
4. Transformación y enriquecimiento de los datos
En la fase de transformación, el conjunto de datos se convierte en un formato uniforme y utilizable. En este proceso, por ejemplo, se crean nuevos campos o columnas. Esto incluye la actualización del formato y de los valores de los datos. El objetivo es crear un resultado comprensible para todos los usuarios de negocio. El enriquecimiento se refiere a la adición, optimización y conexión de conjuntos de datos ya vinculados con otra información relevante. De este modo se obtienen insights profundos y resultados detallados.
5. Almacenamiento de los datos
Una vez finalizada la preparación, los datos pueden almacenarse o cargarse en una aplicación de terceros, como por ejemplo Analise Franci. Allí se puede llevar a cabo su posterior procesamiento y análisis.
Campos de aplicación de los datos preparados
Los datos preparados no solo se utilizan en herramientas de BI, sino también en los llamados programas de Business Process Mining (BPM). Mientras que la BI se centra en evaluar los datos para obtener una declaración concreta sobre el rendimiento de una empresa, en el BPM el foco está en el análisis, la supervisión y la optimización de los procesos de negocio. Los hallazgos se obtienen a partir del análisis de datos de eventos. La BI y el PBM parten del mismo tipo de datos y se ocupan de los mismos procesos, pero difieren en el alcance y la función de sus análisis.
Discurso: Business Process Mining
Si a partir de un análisis de BI se hace evidente que un proceso no funciona bien, corresponde a los analistas decidir por qué es así y qué medidas correctivas deben tomarse. El problema aquí es que la BI parte siempre de la base de que los propios procesos de negocio no son defectuosos. Business Process Mining va un paso más allá. Identifica los cuellos de botella que consumen la mayor parte del tiempo y que, por tanto, dan lugar a los incumplimientos de KPI detectados por los sistemas de BI. De este modo se reduce el margen de interpretación. El BPM puede utilizarse, entre otras cosas, para identificar potenciales de automatización en la empresa.