El éxito de las aplicaciones de consumo basada en data-driven, tales como las de las tecnológicas Linkedin, Facebook, Twitter, Amazon, etc. – ha demostrado que los usuarios finales pueden fácilmente acceder, mejorar, analizar y compartir sus datos de diversas maneras y dentro de un ambiente unificado. Mientras que con las aplicaciones tradicionales como el CRM y ERP ha existido un problema cuando de «recolección de datos» se trata, y es que están “orientadas a procesos” y no lo están “orientados a datos”, por lo que terminan “desestimando”, “mutilando” y hasta «destruyendo» los datos requeridos/necesarios cuando se efectúan búsquedas de análisis y captura de insights, soliendo además brindar información sesgada para la toma de decisiones, además de una afectación negativa a las acciones e iteraciones de los usuarios de sus negocios o de sus aplicaciones.
Para corregir puntualmente estos problemas y ofrecer otros beneficios, existen las aplicaciones modernas de data-driven: DDAs, que pueden ayudar a predecir y prescribir las acciones siguientes de nuestros usuarios/clientes con data confiable, obteniendo eficazmente insights relevantes, y sus acciones recomendadas.
Ahora el desarrollar una aplicación data-driven, tiene sus aspectos a tener cuenta si es pretendemos generar y capturar valor a partir de ella, y es el propósito de este post dar algunas de ellas 1, a continuación indicamos algunos:
- Deberá apoyar la automatización de procesos de negocios, problemas, y oportunidades que solo pueden ser conducidas, resueltas, y explotadas con amplios volúmenes de datos y con datos diversos.
- Estar en la capacidad de operar sobre datos diversos proveniente de muchas fuentes multicanal, típicamente a través de data-as-service (DaaS), tanto al interior como al exterior de la organización.
- Permitir que la información sea universalmente accesible a través de toda la organización vía una simple aplicación. Un DDA ideal es una aplicación contextual tipo fuera de la caja, con data incluida, que personaliza cada vista con exactitud, oportunamente, y con información relevante basada en el rol y objetivo del usuario.
- Combinar operaciones y capacidades analíticas inusuales y con facilidad, y deshacer los silos tradicionales. Insights analíticos serán relacionados directamente a la ejecución de tareas específicas de negocios.
- Generar automáticamente master data, metadata, modelos, esquemas, y gráficos según las actividades que realizará el usuario: como búsquedas, consultas, y colección de datos. Su novedoso, y moderno enfoque a la gestión de datos mantendrá a los usuarios de negocios trabajando sin deshacer datos relevantes. Una empresa DDA toma data confiable, accesible instantáneamente, fácilmente auditable, y con relevancia a los objetivos de su negocio.
- Continuamente deberá correlacionar entidades de datos (ejemplo: clientes, socios, productos, locaciones, etc.) sobre vistas de 360 grados que podrán ser «pivoteadas» desde cualquier perspectiva. Las DDAs suelen habilitar a los usuarios de negocios tomar decisiones y tomar acciones basados en data completa y fresca, con insights predictivos hechos evidentes al ser revelados las relaciones entre múltiples entidades, hechos, y puntos de datos.
- Orientarse a un consumidor “fácil de uso”, tal como es visto en Linkedin y Facebook, requiriendo poco o ningún entrenamiento de usuario previamente.
- Soportar operaciones en tiempo real, colaboración con colegas, y una amplia flexibilidad y escalabilidad.
- Cerrar el “lazo” de interacción, es decir proveer la recomendación de acciones y alinear los resultados de esas acciones a una mejora continua, y así hacerlo para el siguiente set de recomendaciones.
- Y revelar el valor del negocio y un ROI incuestionable al proveer continuamente resultados medibles al ser mostrados en las métricas y en la reducción de costos, indicando que clientes son los más rentables, y como sus decisiones están dando resultados.
Hemos llegado al final de los artículos dedicados a Data Driven. En los post posteriores ingresaremos al mundo del machine learning.
