You are leaving our main website to go to our chinese website hosted in China. For legal reasons there will not be any links pointing back to the main website.
Cómo han evolucionado los modelos de Data Sharing, por qué es crítico para cualquier negocio, cómo comparten datos interna y externamente las organizaciones y cómo el Cloud y el Software-As-A-Service (SaaS) está cambiado la manera de compartir datos.
Los Comienzos del Data Sharing
Para comprender el valor del Data Sharing a día de hoy tenemos que analizar cómo funcionaban en las organizaciones en el pasado. No hace mucho tiempo, se pensaba que el modelo ideal en los negocios era alojar y soportar múltiples aplicaciones en sus Data Center.
Solo hace 10 años, las grandes compañías comenzaron a alojar y ejecutar cientos de aplicaciones de negocio en sus Data Centers que a su vez tenían asociados una base de datos.
Estas bases de datos no estaban optimizadas para analizar y no compartían datos entre aplicaciones. Para poder analizar estos datos, cada unidad de negocio encargada de una basa de datos tenía que extraer,transformar y cargar (ETL) los datos en su propio Data Mart, que es una versión más pequeña y aislada de un Data Warehouse.
Para poder desarrollar al máximo el Business Intelligence de entonces en la organización y ejecutar los análisis existentes, los datos debían ser mandados a través de procesos ETL desde los Data Marts individuales hasta el Data Warehouse principal. Como podrás imaginar, el proceso era muy lento y aparatoso y muchas compañías no podían sobrevivir con este nivel de Data Sharing.
El Valor de Negocio del Data Sharing para las Organizaciones
El intercambio de datos a través y más allá de una organización consta de cuatro flujos de trabajo básicos:
A través de líneas de negocio (LDNs): compartir datos entre líneas de negocio dentro de la misma empresaç
Entre empresas: Recibir datos en un intercambio entre empresas independientes para beneficar a tu empresa
Entre empresas: Enviar datos en un intercambio entre empresas independientes para beneficiar a la otra empresa
Monetización de datos: compartir datos en vivo como un servicio para que los consumidores de datos puedan enriquecer los que ya poseen
A través de líneas de negocio (LDNs):
El intercambio de datos permite y fomenta los nivel de inteligencia empresarial
Dentro de una misma empresa, las organizaciones dependen del correo electrónico, hojas de cálculo, unidades de red compartidas, programación de APIs y otros métodos para comunicarse y compartir datos. Además de facilitar el día a día del negocio, el intercambio de datos en una empresa permite y fomenta el aumento de los niveles de inteligencia empresarial e impulsa las decisiones de negocio.
Dentro de una organización, los datos normalmente están alojados en silos. Las fusiones o adquisiciones, restricciones de firewall y otras barreras tecnológicas o de negocio ocasionan restricciones a la hora de compartir datos entre organizaciones. Estas separaciones lógicas o físicas de infraestructuras pueden impedir que dos o más organizaciones accedan a todos los datos disponibles del negocio y puedan obtener insights reales basados en los datos.
Estos silos de datos aparecen cuando una organización se basa en un Data Warehouse tradicional On-premise o un Data Warehouse tradicional migrado a la nube.
Compartir tus datos con otras organizaciones
El intercambio de datos entre diferentes compañías es algo que sucede y es necesario en todo momento. Puede ser en una relación vendedor-proveedor, partnership, desarrollador-vendedor o cualquier relación entre empresas que implique intercambio de datos para dirigir el negocio.
Por ejemplo, en una relación vendedor-proveedor, el proveedor sabe de antemano cuando reponer el stock de dicho vendedor.
Un inventario bien gestionado también previene el overstocking, minimizando la necesidad de recudir significativamente los precios y por lo tanto, reducir el margen de la compañía.
Recibir datos de otras organizaciones
Cada vez es más común que las organizaciones externalicen servicios a otras empresas. Estas compañías pueden estar especializadas en logística, envíos, marketing, ventas, etc.
Por ejemplo, un gran retailer recolecta cantidades masivas de datos demográficos de sus clientes target. Este retailer comparte la información como proveedor de datos a una compañía de Data Analytics para analizar estos datos, que posteriormente devolverá esos datos analizados.
En otros escenarios, la compañía contrata a un proveedor de servicios para desempeñar la función que la empresa dedica no ejecutar inhouse.
El proveedor de servicios genera datos como resultado de ese servicio que está prestando, pero esos datos pertenecen a la compañía por la que están contratados.
La compañía que ha contratado el servicio, una vez ha recibido los datos por el proveedor de servicios, aplica analíticas adicionales para lograr obtener insights mucho más potentes y sacar el máximo valor a estos datos que han sido generados por una empresa externa pero dentro de su ecosistema.
Monetizando los Datos
Los datos son el activo más valiosos de las empresas. Estos datos pueden aportar valores diferentes dependiendo de la compañía que quiera consumir esos datos.
Para monetizar el valor de estos datos, un proveedor puede vender esa información para que otras empresas puedan lograr sus objetivos de negocio.
Gracias a los datos compartidos, los consumidores de datos pueden utilizar esta información en sus decisiones sin la necesidad de tener que capturarlos y recolectarlos ellos mismos. Se pueden beneficiar directamente analizando esos datos o combinándolos con otros datos que potencien y mejoren su valor.
Para aprovechar el valor de los datos se requiere un método fácil para habilitar el acceso a ellos sin moverlos
Para aprovechar el valor de los datos, ya sea para consumo, colaboración en masa u oportunidades de negocio de valor agregado, se requiere un método fácil para habilitar el acceso a los datos sin moverlos.Los métodos de Data Sharing tradicionales soy muy caros, arriesgados y complejos.
Monetizar los datos requiere de la habilidad crear un modelo de negocio seguro y Self-Service, de manera fácil y económica para compartir datos entre proveedores y consumidores de datos.
¿Tu empresa comparte datos? ¿Crees que el Data Sharing es fundamental a día de hoy para cualquier organización?
Referencias: Todos los derechos reservados a Snowflake Computing.
¡No te pierdas nuestros insights!
Mantente al día en las últimas noticias y eventos
Tu dirección de correo electrónico se utiliza para enviarte la newsletter de Keyrus y para fines de prospección comercial. Puedes utilizar el enlace de opt-out en nuestros correos electrónicos en cualquier momento. Más información sobre la gestión de sus datos y sus derechos.
Continuar leyendo
Blog post
5 razones por las que deberías utilizar la analítica predictiva en tu negocio
Tomar decisiones más acertadas y estratégicas, evitar riesgos (o minimizar su impacto), gestionar tus recursos de manera más eficiente, reducir costes o fidelizar mejor a tus clientes son algunas de las ventajas competitivas que puedes obtener gracias al uso de la analítica predictiva.
Blog post
Los 6 pasos imprescindibles que debes seguir para construir tu modelo predictivo
¿Cuáles son los pasos para crear un modelo predictivo? En este artículo, veremos cómo se requiere de una combinación perfecta de técnicas y un poco de intuición para implementarlos de manera exitosa.
Blog post
Cómo explicarle a tu abuela qué es la analítica predictiva en solo 2 minutos
¿Cómo explicar el funcionamiento de esta disciplina que trabaja con algoritmos que consiguen predecir el futuro a través de los datos? Aquí te lo contamos.
Opinión de experto
"Las empresas han encontrado en los datos a un grandísimo aliado"
Entrevista de la revista Woman a Kathy Contramaestre, Managing director de Keyrus.
Blog post
Keyrus Magazine 2022, el mejor contenido del año
Aquí llega un recopilatorio de nuestro mejor contenido y de las entrevistas a nuestros managing directors, el equipo de marketing, presales y delivery y secciones exclusivas con nuestros expertos en Retail, Seguros, Turismo, Energía y Manufacturing
Blog post
Científicos vs. Analistas de datos: ¿Quién es quién?
¿No se ocupan ambos de trabajar con ordenadores, números y algoritmos sin parar? Bueno, eso es un poco verdad. Pero la realidad es que ambos son dos perfiles muy distintos y en este artículo vamos a conocer sus diferencias.
Opinión de experto
Filtrado colaborativo y filtrado basado en contenido
Técnicas utilizadas en los modelos de filtrado colaborativo y basado en contenido.
Opinión de experto
Spotify y Netflix, los dioses de los modelos de recomendación
Los sistemas de recomendación han logrado cambiar la forma en la que consumimos nuevos contenidos y descubrimos productos nuevos.
Blog post
El as bajo la manga de los decision makers
El Data Science se convirtió en el as bajo la manga de los decision makers tras la pandemia y ahora son unos players destacados de la partida que cuentan con más recursos que antes para hacer frente a un mercado más digitalizado y más competitivo.
Blog post
El ciclo de vida de la inteligencia artificial: alcance, diseño de modelos y despliegue
Como todos, la tecnología y las máquinas también tienen un ciclo vital: nacen, se desarrollan y mueren. Vamos a ver cada una de las etapas de la inteligencia artificial y los factores clave a tener en cuenta a la hora de implementarlas dentro de las organizaciones.