¿Qué es el análisis de datos?

En el caso de las empresas y organizaciones de todo tipo, la transformación de los datos en inteligencia utilizable podría marcar la diferencia entre tener dificultades y prosperar. La maximización del valor de la información requiere el análisis de datos; proceso mediante el cual se analizan los datos sin procesar para llegar a conclusiones.

Aunque casi todas las organizaciones analizan algunos datos, el análisis moderno permite alcanzar un nivel de comprensión y visión sin precedentes. ¿Dónde se sitúa su empresa en cuanto a una cultura orientada en datos e impulsada por el análisis?

Todo empieza con el canal de datos.

Entender el canal de datos

Establecer un enfoque de análisis de datos perfectamente desarrollado es un proceso evolutivo que requiere tiempo y compromiso. Para las organizaciones que desean dar el siguiente paso, es esencial comprender el canal de datos y el ciclo de vida de los datos que transitan por ese canal.

• Entrada: recopilación de datos
  La primera etapa de canalización de datos es la entrada. Durante esta etapa, los datos son recopilados de varias fuentes e introducidos en un sistema donde se pueden almacenar. Los datos pueden ser recopilados como un flujo continuo o como una serie de acontecimientos separados.
  
  En el caso de la mayoría de los datos no estructurados (IDC calcula que entre el 80 y el 90 por ciento ¹), la entrada constituye tanto el principio como el final del ciclo de vida de los datos. Esta información, llamada "datos oscuros", se introduce pero nunca se analiza ni utiliza para afectar al resto de la organización.
  
  Hoy, una de las mayores tendencias avanzadas de análisis de datos se inicia justo en el momento de la etapa de entrada. En este sentido, el análisis en tiempo real de los datos transmitidos tiene lugar junto con el proceso de entrada. Esto se conoce como análisis en periferia (edge analytics) y requiere un alto rendimiento de computación con bajo consumo de energía. El análisis perimetral suele abarcar dispositivos y sensores de IoT que recopilan información desde diferentes dispositivos; por ejemplo, maquinaria industrial, alumbrado urbano, equipos agrícolas u otros elementos conectados.
  
  
• Preparación: procesamiento de datos
  Durante la siguiente etapa de canalización de datos, estos son preparados para su uso, y la información es almacenada en el sistema al que pueden acceder los usuarios y las aplicaciones. Para maximizar la calidad de los datos, estos deben ser depurados y transformados en información a la que se pueda acceder y consultar fácilmente.
  
  Por lo general, la información es preparada y almacenada en una base de datos. Para comprender y analizar los datos, se utilizan diferentes tipos de bases de datos en varios formatos y con distintos fines. Por lo general, los sistemas de gestión de bases de datos de SQL* (por ejemplo, SAP HANA* u Oracle DB*) se encargan de tratar conjuntos de datos estructurados. Esto puede incluir información financiera, verificación de credenciales o seguimiento de pedidos. Para tratar procesos de datos no estructurados y realizar análisis en tiempo real lo más probable es que se utilicen bases de datos que no estén basados en SQL*; por ejemplo, Cassandra o HBase.
  
  Para optimizar esta etapa de canalización de datos es necesario el rendimiento relativo a la computación y memoria, así como la gestión de datos, para realizar consultas más rápidas. También se requiere la adaptabilidad, para poder procesar grandes volúmenes de datos. Los datos pueden ser almacenados y clasificados según el grado de urgencia y utilidad, para que se pueda acceder a los datos más críticos lo más rápido posible.
  
  Las tecnologías Intel® son utilizadas en la mayoría de las bases de datos de almacenamiento y de uso intensivo de memoria que existen hoy. Con las unidades de estado sólido Intel® Optane™, Alibaba Cloud* pudo proporcionar 100 TB de capacidad de almacenamiento para cada instancia de POLARDB.
  
  
• Análisis: modelado de datos
  En la siguiente etapa de la canalización de datos, se analizan los datos almacenados y se crean algoritmos de modelado. Los datos pueden ser analizados por una plataforma de análisis de extremo a extremo como SAP, Oracle o SAS; o procesados a escala con herramientas como Apache Spark*.
  
  Amortizar y reducir los costes relativos a dicha etapa de canalización de datos es esencial para lograr una ventaja competitiva. Las bibliotecas y los kits de herramientas pueden reducir el tiempo y el coste de desarrollo. Mientras tanto, las optimizaciones de hardware y software podrían ayudar a reducir los costes relativos a servidores y centros de datos a la vez que mejoran los plazos de respuesta.
  
  Las tecnologías como el análisis en memoria pueden mejorar las capacidades de análisis de datos y hacer que las inversiones en los análisis sean más rentables. Con Intel, la empresa química Evonik logró reinicios 17 veces más rápidos de los cuadros de datos de SAP HANA*. ²
  
  
• Actuación: toma de decisiones
  Una vez que los datos hayan sido introducidos, preparados y analizados, estarán listos para que se pueda actuar con ellos. La visualización de datos y la elaboración de informes ayudan a comunicar los resultados del análisis.
  
  Tradicionalmente, ha sido necesaria la interpretación por parte de científicos o analistas de datos para transformar estos resultados en inteligencia empresarial que podría ser utilizada más ampliamente. Sin embargo, las empresas empezaron a utilizar la IA para automatizar procesos (por ejemplo, enviar un equipo de mantenimiento o cambiar la temperatura en una habitación) basándose en el análisis.
  

Para obtener recursos más detallados sobre la canalización de datos y la forma en la que las organizaciones podrían desarrollar sus capacidades de análisis, lea nuestro libro electrónico Desde los datos hasta el conocimiento: maximizar su canal de datos.

Los cuatro tipos de análisis de datos

El análisis de datos se puede dividir en cuatro tipos básicos: análisis descriptivo, análisis diagnóstico, análisis predictivo y análisis prescriptivo. Se trata de pasos hacia la madurez del análisis, y cada paso acorta la distancia entre las fases de "analizar" y "actuar" del canal de datos.

• Análisis descriptivo
  El análisis descriptivo se utiliza para resumir y visualizar los datos históricos. En otras palabras, indica a las organizaciones lo que ya ha ocurrido.
  El tipo más sencillo de análisis, el análisis descriptivo, podría ser tan básico como un gráfico que analiza las cifras de ventas del año pasado. Cada esfuerzo de análisis depende de una base firme formada por el análisis descriptivo. Muchas empresas todavía realizan fundamentalmente esta forma de análisis, que incluye tableros de datos, visualizaciones de datos y herramientas de elaboración de informes.
  
  
• Análisis diagnóstico
  A medida que los esfuerzos de análisis maduran, las organizaciones empiezan a hacer preguntas más complejas sobre sus datos históricos. El análisis diagnóstico examina no solo lo que pasó, sino también por qué pasó. Para realizar el análisis diagnóstico, los analistas deben ser capaces de realizar consultas detalladas para identificar tendencias y causalidad.
  Con el análisis diagnóstico, se pueden descubrir nuevas relaciones entre variables: en el caso de una empresa de ropa deportiva, el aumento de las cifras de ventas en el Medio Oeste podría correlacionarse con el tiempo soleado. El análisis diagnóstico correlaciona los datos con los patrones y sirve para explicar los datos anómalos o más discrepantes.
  
  
• Análisis predictivo
  Mientras los dos primeros tipos de análisis evaluaban datos históricos, tanto el análisis predictivo como el prescriptivo apuntan hacia el futuro. El análisis predictivo crea un pronóstico de los resultados probables sobre la base de las tendencias identificadas y los modelos estadísticos derivados de los datos históricos.
  Para desarrollar una estrategia de análisis predictivo es necesario elaborar modelos y validarlos para crear simulaciones optimizadas, a fin de que los responsables de la toma de decisiones empresariales puedan lograr los mejores resultados. El aprendizaje automático se utiliza normalmente para el análisis predictivo, enseñanza de modelos con conjuntos de datos altamente escalados para generar predicciones más inteligentes.
  
  
• Análisis prescriptivo
  Otro tipo de análisis avanzado es el análisis prescriptivo. Con el análisis prescriptivo, que recomienda la mejor solución basada en el análisis predictivo, la evolución hacia la toma de decisiones realmente basada en los datos es total.
  El análisis prescriptivo se basa fundamentalmente en el análisis del aprendizaje automático y las redes neurales. Estas cargas de trabajo se ejecutan en computación y memoria de alto rendimiento. Este tipo de análisis requiere una base firme que se sustente en los otros tres tipos de análisis, y puede ser realizado solo por empresas con una estrategia de análisis altamente evolucionada que estén dispuestas a dedicar importantes recursos a dicho esfuerzo.

Casos de uso del análisis de datos

La tecnología Intel® está cambiando la forma en la que las organizaciones empresariales modernas realizan el análisis. Con los casos de utilización que abarcan muchas industrias en todo el mundo, Intel realiza esfuerzos para impulsar continuamente el análisis a la vez que ayuda a las empresas a optimizar el rendimiento y la rentabilidad.

• Fabricación.
  En el caso de los fabricantes de automóviles, el control de calidad les ahorra dinero y salva vidas. En la fábrica automatizada de Audi, los analistas utilizaron el muestreo para garantizar la calidad de la soldadura. Con el análisis predictivo en periferia, basado en Edge Insights Software de Intel, el fabricante puede comprobar automáticamente cada soldadura, en cada coche, y predecir los problemas de soldadura sobre la base de las lecturas de los sensores cuándo se realizó la soldadura.
  
  
• Asistencia sanitaria.
  El aprendizaje de la IA para leer radiografías de tórax puede ayudar a los pacientes y proveedores a realizar diagnósticos más rápidos. Con los procesadores escalables Intel® Xeon® que alimentan una red neural, la organización de investigación SURF redujo el tiempo de formación de un mes a seis horas, a la vez que mejoró la precisión.
  
  
• Telecomunicaciones
  Los teléfonos inteligentes y el internet móvil han generado volúmenes de datos móviles sin precedentes. Para optimizar las experiencias de los clientes, la empresa de telecomunicaciones Bharati Airtel implementó análisis de red avanzado utilizando procesadores Intel® Xeon® y SSD Intel® para detectar y corregir los problemas de red con una mayor rapidez.
  

Tecnologías Intel® para el análisis

Con un amplio ecosistema de tecnologías y partners para ayudar a las empresas a crear las soluciones del futuro, Intel impulsa el análisis avanzado para las empresas a escala global. Desde el centro de datos hasta la periferia, Intel está presente en todas las facetas del ecosistema de análisis para ofrecer el máximo valor y rendimiento.

• Los procesadores escalables Intel® Xeon® permiten analizar cantidades masivas de datos a una velocidad mayor, ya sea en el perímetro, en el centro de datos o en la nube.
• La tecnología Intel® Optane™ consiste en un enfoque revolucionario relativo a la memoria y el almacenamiento que ayuda a superar los obstáculos que afectan a la forma en la que los datos son transferidos y almacenados.
  
• Los FPGA Intel® ofrecen aceleración en el centro de datos para mejorar los tiempos de respuesta.
  
• Las soluciones Intel® Select garantizan un rendimiento óptimo, eliminan la necesidad de realizar conjeturas y aceleran la implantación de las soluciones.