Curso
Introducción a Python
4 h
7M
Seguro que ya sabes que los datos son un gran activo para cualquier empresa, desde la dirección hasta mandos intermedios: los datos juegan un papel clave. Pero acumular muchos datos no hace que una empresa tenga éxito si no es capaz de extraer información valiosa de ellos.
Esa información impactará en los ingresos, directa o indirectamente. Para extraerla de grandes volúmenes de datos, hace falta una plataforma de analítica y, por suerte, en el mercado hay numerosos productos que cubren las necesidades de una organización en informes descriptivos, diagnósticos y predictivos.
Desde el punto de vista de los datos, la madurez de los mismos importa, y se puede evaluar según la presencia de los siguientes aspectos:
- Datos coherentes con la arquitectura actual
- Una herramienta a nivel corporativo
- Sin múltiples fuentes solapadas
- Arquitectura en la nube o data warehouse on-premise
- Estándares de datos y especialistas
- Analítica predictiva y casos de uso identificados
- Tratar los datos como un activo financiero e integrarlos con elementos de IA
La madurez de los datos aumentará cuanto más de estos puntos se incorporen en la organización.
La madurez de datos va de la mano de la tecnología, la arquitectura, la organización y la estrategia de datos.
-
Con tecnología me refiero a cómo la organización aprovecha la tecnología que adquiere.
-
Arquitectura es encajar estas tecnologías para que los datos fluyan entre ellas sin fricción.
-
Con organización hablo de las personas que interactúan con los datos.
-
Mejoras en la estrategia de datos: la fontanería de la gestión de datos es vital para el alto rendimiento de cualquier organización. Las prácticas de gestión de datos adoptadas proporcionarán a los analistas la información relevante y estructurada que necesitan, y reducirán el tiempo dedicado a la preparación. Esto ayudará a la alta dirección a cumplir objetivos como aumentar la rentabilidad y el ROI mediante visualizaciones y representaciones fáciles de entender. También permitirá mejorar el rendimiento de datos y optimizar el almacenamiento.
Hasta aquí sobre datos; ahora hablemos de plataformas de analítica. Sabemos que hay muchísimas en el mercado y cubrirlas todas sería casi imposible, así que me centraré en cuatro grandes nombres que son líderes del mercado:
-
Tableau es el referente cuando hablamos de analítica visual. Sus variantes son Tableau Desktop, Prep, Online y Server. Todas habilitan la autoservicio de BI a diferentes niveles. Tableau Desktop ofrece una de las mejores plataformas para analítica visual e inteligencia de negocio con insights en autoservicio. Tableau Prep reúne a más personas para analizar datos más rápido. Tableau Online facilita el intercambio y la colaboración sin necesidad de un servidor propio. Tableau Server comparte datos con servidores que pueden estar on-premise o en la nube. Para ver cómo desarrollar paneles en Tableau, visita here.
-
SAP es un nombre muy conocido en el mercado de herramientas corporativas, con soluciones para empresas de perfiles muy diversos. SAP ha lanzado varios productos en analítica; su propio sistema de Business Warehouse se integra de forma fluida a nivel empresarial y gestiona grandes volúmenes de datos. Sus lanzamientos recientes son SAP Analytics Cloud y SAP Lumira; anteriormente adquirió Business Objects y lo incorporó como su propia plataforma analítica.
-
Tibco Spotfire es uno de los productos que mejor cubren la analítica avanzada y predictiva de forma profesional y bien fundamentada. Es muy potente si lo comparamos en el terreno de la analítica predictiva con otros productos. Tibco ofrece sus servicios on-premise y en la nube. También proporciona una arquitectura escalable preconfigurada con bajo mantenimiento de TI.
-
Qlik es conocido por la rápida creación de aplicaciones de analítica guiada que permiten la exploración de datos impulsada por el usuario hasta el nivel más granular. Cuenta con su propio repositorio y capacidades de procesamiento en memoria. Tiene dos variantes: QlikView y Qlik Sense. QlikView es la herramienta de construcción de aplicaciones de BI en edición personal y empresarial. Qlik Sense es el servicio de BI de extremo a extremo que puede integrarse en la nube.
Como ves, todas las plataformas anteriores son diferentes y tienen sus propias características. Haré un análisis comparativo en cuatro parámetros principales:
- Adquisición de datos
- Preparación de datos
- Visualizaciones
- Modelado predictivo
El parámetro de adquisición de datos incluye importación, extracción, conexión y acceso a datos. En pocas palabras, es la capacidad de obtener datos de distintas fuentes o servicios semánticos como SQL, big data o servicios en la nube.
Comparemos ahora las herramientas en su funcionalidad de adquisición de datos:
Tableau
Cuando hablamos de Tableau, una potente herramienta de BI, pensamos en visualizaciones impactantes creadas al instante e incluso exploraciones complejas de datos.
Tableau no tiene un repositorio propio de datos: obtiene datos de diferentes fuentes y los convierte en visualizaciones significativas y comprensibles.
Para ello necesita conectores a distintas fuentes, y afortunadamente los tiene. Tableau ofrece más de 100 conectores a fuentes de datos, incluida la conexión en vivo a datos transaccionales.
En adquisición de datos, parte con ventaja.
SAP
SAP cuenta con múltiples productos para apoyar la adquisición de datos que actúan como una capa intermedia hacia las visualizaciones finales. En cuanto a Lumira y Analytics Cloud, actualmente ofrece conectividad con más de 60 fuentes de datos, cifra que sin duda aumentará con el tiempo.
SAP no tiene problema en adquirir datos de su propio ecosistema; de hecho, es el escenario más fluido. Al obtener datos de otros ecosistemas, dispone de herramientas que ayudan a moverlos, aunque añaden trabajo y requieren habilidades adicionales.
Tibco Spotfire
Spotfire es una herramienta muy potente y a veces compleja. En adquisición de datos cuenta con más de 40 conectores, y siempre se puede recurrir a conectores JDBC y ODBC. Soporta conectores de big data y de la nube que suministran datos de forma eficiente.
Los problemas en la adquisición surgen cuando es necesario limpiar los datos antes de incorporarlos.
Qlik
Qlik es uno de los líderes de BI en crecimiento. En adquisición de datos, ofrece un gran número de conectores agrupados por categorías. Qlik dispone de su propio repositorio para adquirir datos y realizar ETL (extracción, transformación y carga), lo que resuelve multitud de problemas en escenarios reales. Sus capacidades de manipulación de datos facilitan mucho su presentación.
Tras adquirir los datos, llega el momento de prepararlos. Es el trabajo sucio que nadie quiere hacer, pero es ineludible. Incluye unir datos, limpiarlos y modelarlos hasta el punto de poder crear un informe descriptivo con una simple consulta select.
Tableau
Tableau cuenta con un buen número de técnicas de preparación para convertir los datos en informes presentables. Puedes ver todos los detalles en las secciones 2 y 3 de este tutorial.
SAP
SAP también dispone de distintas herramientas para preparar datos. Su sistema BW es lo bastante potente como para gestionar la preparación hasta un nivel considerable. Con la llegada de HANA, ganó una enorme capacidad para manejar grandes volúmenes con motores en memoria.
Pero es una herramienta independiente que requiere habilidades específicas. Puedes visitar here para ver la parte de BI de SAP.
Tibco Spotfire
Las capacidades de data wrangling de Spotfire son muy buenas, y la automatización de modelos facilita la preparación incremental de datos con poca intervención de TI.
Por preparación incremental me refiero a capturar cambios en los datos desde distintas fuentes y preparar la información en función de esos cambios. Visita here para una visión detallada.
Qlik
Qlik ofrece capacidades de preparación de datos similares a Tableau, junto con su motor en memoria. Se pueden escribir scripts a medida según las necesidades e implementarlos en distintos niveles. Si quieres ver un ejemplo de scripting para transformar datos, visita here.
Llegamos a la parte divertida, al menos para mí. Ya tenemos los datos y los hemos preparado, pero para analizar tanto volumen necesitamos visualizaciones que ahorren tiempo y nos lleven a los problemas mucho más rápido. Gran parte de la exploración de datos se hace con visualizaciones y el resto con métodos estadísticos. Veamos cómo rinden las herramientas en este punto.
Tableau
Tableau cuenta con una de las bibliotecas de visualización más variadas: comparativas, de distribución, de composición, mapas, etc. Prácticamente lo tiene todo y está reconocido en todo el mundo por su comunidad.
También fomenta el aprendizaje con ideas únicas. Se pueden encontrar gráficos necesarios e incluso ideas personalizadas en su amplia gallery. Échale un vistazo para ver gráficos y historias excelentes.
Tableau es una de las herramientas certificadas por IBCS (International Business Communication Standards) por aplicar buenas prácticas de visualización para mejorar la comunicación empresarial.
SAP
SAP Lumira es la herramienta más extendida en visualización dentro del arsenal de SAP. Cubre todas las necesidades básicas de gráficos y permite extensiones para adaptarse a requisitos específicos.
SAP Analytics Cloud ha recibido recientemente la certificación IBCS y esperamos que siga cubriendo todas las necesidades de visualización.
Tibco Spotfire
Spotfire ofrece toda la funcionalidad necesaria de gráficos, cubriendo todos los grupos para analizar datos de forma visual. Sus funciones de analítica avanzada permiten añadir gráficos de análisis estadístico y formatos científicos.
Qlik
Qlik rinde muy bien en capacidades de gráficos, cubriendo prácticamente todos los tipos. Proporciona extensiones para ampliar y adaptar requisitos.
Su funcionalidad de clic para acceder a cada punto de datos lo diferencia de otras herramientas.
Pasemos ahora a la parte en la que todas las plataformas de analítica están invirtiendo: incorporar funcionalidades de machine learning en sus herramientas. Algunas lo han logrado con bastante éxito y otras han dado buenos primeros pasos.
Veamos qué ofrece cada una en este punto.
Tableau
En analítica predictiva, Tableau ha empezado a avanzar. Se han añadido funcionalidades básicas de forecasting.
Además, puede integrarse con R y Python, cuyos detalles se cubren en las últimas secciones de this tutorial.
SAP
De nuevo, SAP proporciona una herramienta específica dentro de su porfolio para la analítica predictiva. Cubre el modelado predictivo básico con un buen análisis de series temporales. A la hora de añadir scripts personalizados al modelo desarrollado en la plataforma, SAP apostó principalmente por R.
Para más detalles sobre la plataforma, visita here.
Tibco Spotfire
En analítica predictiva, Spotfire estaría en cabeza; su enfoque para integrar la arquitectura de data science en la propia herramienta es evidente.
Requiere habilidades y conocimiento tecnológico para entenderlo e implementarlo. Combina metodologías de data science y estadística para ofrecer una herramienta capaz de realizar analítica predictiva con un retorno de la inversión adecuado.
Para saber más, visit.
Qlik
Qlik también trabaja para implementar analítica predictiva a un nivel razonable. Ha incorporado algunos algoritmos básicos de modelado, pero aún existe una brecha de habilidades para utilizarlos plenamente. No obstante, su integración con R y Python es muy destacable. Permite el intercambio de datos con herramientas de terceros como R y Python y aprovecha su motor asociativo para transferir datos de forma rápida y eficiente.
También cuenta con conectores analíticos de código abierto en GitHub para integrarse con R y Python.
Y hasta aquí mi aportación: la elección de plataforma depende de qué parámetros sean más importantes para ti o para tu organización.
Si quieres aprender más sobre Python, R o SQL, prueba los cursos introductorios de DataCamp.
