El business intelligence, o inteligencia empresarial, está a la orden del día en muchas empresas. Se trata del análisis y gestión de datos, para su utilización en los procesos de toma de decisiones. Pero a menudo, el gran volúmen de datos, o big data, hace que sean procesos ineficientes. ¿Cómo mejorar? Fácil: pasándose al small data.
No es fácil aplicar un modelo de business intelligence, es decir, transformar la información en buenas decisiones. De hecho, muchas empresas fracasan en este proceso. Para evitarlo, una solución es incorporar el small data en el análisis de datos.
¿Qué es el small data?
Todo el mundo conoce ya el big data, el análisis de grandes volúmenes de datos. El small data es un paso intermedio entre la recogida de estos datos y el big data, que ayuda a una mejor “digestión” de la información. Se trata del análisis de conjuntos de datos organizados y presentados de forma accesible, comprensible y aplicable, normalmente con un formato más visual. Es decir, a una escala más pequeña y más personalizada que el big data. Así, se logra pasar de datos abstractos a información concreta y comprensible, y se mejora la comprensión de la información, por lo que transformar los datos en decisiones y argumentos resulta mucho más sencillo.
El small data es mucho más tangible y accesible que el big data. Se puede generar en tiempo real, sin procesado previo, y su coste de implementación es muy bajo. Además, no se necesita de grandes expertos en la materia para su correcto análisis.
Ventajas del small data
Gracias a la aplicación del small data, se puede mejorar o incluso evitar tres grandes problemas u obstáculos que dificultan una correcta aplicación del business intelligence:
- Visualización: Un gran volumen de datos puede resultar muy difícil de interpretar correctamente. Es necesario ordenar la información visualmente, con tablas, gráficos y demás, para poder descifrarlo.
- Ruido: La empresa se encuentra con un gran volumen de datos, tanto propios como de fuentes externas. Muchas piensan que esto es positivo, puesto que con tanta información podrán sacar mejores conclusiones. Pero estos datos a menudo presentan formatos distintos, y están procesados con diferentes herramientas de trabajo. Así que no es raro encontrarse con una dificultad para separar la información útil y de calidad de todos los datos excesivos e innecesarios que causan saturación.
- Contexto: Demasiadas veces se pierde el contexto de vista al analizar datos. No se trata de simples números y porcentajes, sino que tienen un significado real en un marco concreto. No tener en cuenta este contexto, o que sea un contexto inadecuado, puede generar los mismos problemas que si se trata de datos de baja calidad.
