Tener la capacidad para realizar análisis en tiempo real suele ser uno de los elementos más destacados al momento de hablar de Big Data. De hecho, el término «datos en tiempo real» se ha consolidado como un tema recurrente en blogs especializados, sugiriendo que las empresas que no los adoptan podrían estar perdiéndose valiosos beneficios en esta era dominada por la información.
Indudablemente, este tipo datos ofrecen grandes beneficios: Permiten a las organizaciones tomar decisiones más rápidas, optimizar procesos clave, y detectar inconvenientes a tiempo.
Sin embargo, una realidad de la que pocos hablan es que muchas empresas (Sobre todo en América Latina) aún no se encuentran en el punto de necesitar esta inmediatez en sus análisis. De hecho, en años recientes, hemos colaborado en numerosos proyectos de inteligencia empresarial, integrando complejos modelos de Machine Learning (ML) e Inteligencia Artificial (IA). Ninguno de ellos demandó datos en tiempo real.
Este artículo forma parte de una serie en la que incluimos el punto de vista de nuestros analistas en temas relacionados a Ciencia de Datos y Big Data. En este caso, contamos con la opinión de nuestro Data Analyst, Álvaro Bermejo.
Antes de continuar… ¿Qué son los datos en tiempo real?
Básicamente, los datos en tiempo real están disponibles inmediatamente después de su recopilación, lo que garantiza tener información totalmente «fresca» al momento de realizar cualquier análisis .
«…datos que no se conservan ni almacenan, sino que se transmiten al usuario final tan rápido como se recopilan.»
Techopedia
Estos datos pueden provenir de diferentes fuentes, como sensores, cámaras, feeds de redes sociales, sitios web, transmisión de datos y sistemas de atención al cliente. Una vez que estos datos han sido recopilados, requieren procesamiento, equipo y análisis especializado para ser útiles. Luego, se utilizan múltiples técnicas y herramientas para lograr esto, como el Procesamiento en Tiempo Real de datos y el Machine Learning.
Por lo general, los datos en tiempo real se utilizan para fines de navegación y seguimiento. Éstos pueden ser dinámicos (por ejemplo, una variable que indica la ubicación actual) o estáticos (por ejemplo, una entrada de registro nueva que indica la ubicación en un momento específico).
Las ventajas y desventajas de utilizar datos en tiempo real
Por muy buena idea que parezca utilizar datos en tiempo real para realizar análisis, es necesario considerar algunos pros y contras antes de decidir si se adapta a su estrategia de negocio.
Ventajas de los datos en tiempo real
- Adecuados para el análisis rápido y la toma de decisiones inmediata. Los datos en tiempo real pueden ser beneficiosos cuando necesitas información rápida sin la necesidad de procesarla. Por ejemplo, una empresa de logística puede analizar datos tomados directamente de los sensores de su flotilla y así realizar correcciones a la planificación de sus ruta en función de las condiciones meteorológicas o del tráfico.
- Mejora en las experiencias del cliente. Los datos en tiempo real pueden ayudar a las empresas a comprender mejor a sus clientes y ofrecerles experiencias más personalizadas. Por ejemplo, una empresa minorista podría utilizarlos para entender patrones de compra dentro de su e-commerce.
- Aumento de la eficiencia operativa. Con el auge de la Industria 4.0, los datos en tiempo real se han convertido en una opción viable para las grandes empresas industriales. Sobre todo aquellas que deben identificar y abordar los cuellos de botella e ineficiencias de sus operaciones lo antes posible.
Desventajas de los datos en tiempo real
- No adecuados para realizar análisis profundos. Desarrollar un análisis profundo y complejo requiere tiempo de procesamiento, enriquecimiento de datos y en ocasiones datos históricos. Por lo tanto, el elemento «en tiempo real» no se aprovecharía realmente.
- Es costoso recopilar información en tiempo real. Los sistemas de datos en tiempo real pueden ser complejos y costosos de implementar y mantener, incluso cuando se trabaja con proveedores externos.
- Puntos de datos aislados. Por lo general, estos datos no se pueden comparar ni complementar con otros tipos de datos (como datos históricos) ¿Por qué? Esto lleva tiempo hacerlo, por lo que tener datos cada segundo no sirve.
| Ventajas | Desventajas |
|---|---|
| Ideal para análisis rápidos en situaciones que requieren toma de decisiones inmediatas. | No recomendable para desarrollar análisis a profundidad. |
| Ayuda a mejorar la experiencia de cliente (En ciertos casos). | Suele ser muy costosa, tanto al momento de recolectarla como al momento de almacenarla y analizarla. |
| Ayuda a incrementar la eficiencia operativa (En ciertos casos). | No se puede utilizar en conjunto con otros tipos de datos que no sean en tiempo real. |
Entonces, ¿En qué situación se recomienda utilizar analítica en tiempo real?
El momento óptimo para emplear analítica con datos en tiempo real es cuando la rapidez en la toma de decisiones se vuelve esencial para su organización. Esto incluye situaciones en las que:
- Es necesario responder a cambios en sus sistemas y procesos en un período muy corto.
- Se requiere tomar decisiones lo más rápido posible. Por ejemplo en la detección de fraudes o la gestión de riesgos.
- Es importante rastrear las interacciones con los clientes e identificar posibles problemas en tiempo real.
- Se requiere monitorear y optimizar los procesos operativos lo antes posible.
Además, el análisis de datos en tiempo real ha demostrado ser útil en los siguientes escenarios:
- Todo lo que implique un sensor funcionando sin parar. Por ejemplo, datos ambientales (temperatura, presión, ruido). Esto podría usarse para evaluar eventos naturales.
- Mapeo del recorrido del cliente. A medida que los clientes se mueven dentro de un sitio web o de un canal a otro, los datos en tiempo real pueden proporcionar información valiosa para comprender sus necesidades y asegurar la conversión.
- Seguimiento de tendencias y precios. El análisis en tiempo real ayuda a las organizaciones (especialmente a las empresas de inversión) a realizar un seguimiento de los elementos que podrían cambiar el precio o la disponibilidad de un producto.
Por otro lado, es posible que el análisis de datos en tiempo real no sea necesario si su empresa no requiere una toma de decisiones inmediata, tiene un presupuesto de análisis de datos limitado o puede funcionar con un sistema de procesamiento por lotes (Mejor conocida como batch data).
Además, estos datos no son aplicables cuando se necesitan agregaciones de datos. Por ejemplo, para comprender el visitante promedio o la duración de un viaje.
«…Si administra cuentas de ventas en las que hasta el último contrato de ventas tarda meses en concretarse y los contratos duran años, será extremadamente improbable que se beneficie de un sistema de análisis en tiempo real.»
Towards Data Science
Es esencial equilibrar la necesidad de velocidad con el costo de implementar un sistema de análisis de datos en tiempo real. Recuerde, este tipo de análisis suelen ser costosos, por lo que es vital garantizar que los beneficios superen los costos.
Además, tenga en cuenta que no todos los datos están disponibles en tiempo real. Por ejemplo, es posible que los datos de las transacciones financieras no estén disponibles en tiempo real debido a retrasos en el procesamiento.
Le recomendamos leer: ¿Su Empresa Realmente Es Data-Driven?
¿Ha escuchado hablar del «near real-time data»?
El «near real-time data» son datos que se procesan y analizan a los pocos minutos de ser generados. Esto es más rápido que el procesamiento por lotes (Batch data), que puede tardar horas o incluso días en procesar los datos.
| Tipos de datos | ¿Cuándo utilizarlos? |
|---|---|
| Tiempo real | Cuando la información se requiere de manera inmediata (En segundos). |
| Near real-time | Cuando la velocidad es clave, pero no se requieren datos inmediatos (En minutos). |
| Por lotes (Batch) | Cuando la información puede ser recolectada después de días (o más) y se requieren para análisis más complejos. |
La «near real-time data» funcionan bien cuando la velocidad es esencial, pero el tiempo de procesamiento en minutos es aceptable. Algunos ejemplos pueden ser:
- Procesamiento de datos de sensores de dispositivos como dispositivos IoT o dispositivos médicos.
- Monitorear los sistemas de TI para detectar problemas de rendimiento o amenazas a la seguridad.
- Procesar transacciones financieras para detectar fraudes o prevenir el blanqueo de capitales.
Este tipo de datos también contribuyen a generar inteligencia operativa destinada a identificar oportunidades en los datos (como oportunidades de ventas) y amenazas (detectar un intruso en la red).
Un ejemplo de procesamiento de datos «casi» en tiempo real es el seguimiento de transacciones financieras. Para detectar actividad inusual, es posible que un banco desee monitorear las transacciones financieras minutos después de generarse.
En conclusión
Las consideraciones tecnológicas, por sí solas, no deberían ser el único factor a la hora de decidir si se debe actualizar la infraestructura de análisis para lograr un procesamiento de datos más rápido.
También es importante considerar la estructura organizacional y la cultura de su negocio. ¿Su empresa está dispuesta y es capaz de cambiar para utilizar un procesamiento de datos más rápido? ¿Existen personas que entiendan cómo utilizar los datos para tomar decisiones y cambiar los procesos para que coincidan?
Si su empresa no está preparada para utilizar un procesamiento de datos más rápido, es posible que actualizar su infraestructura de análisis no sea una buena inversión. Incluso puede ser una distracción o una inversión innecesaria.
Ahora bien, si decide actualizar su infraestructura de análisis, también debe presupuestar capacitación sobre el uso del nuevo sistema, la subcontratación de conjuntos de datos y la interpretación de la información que produce.
En general, la decisión de utilizar sistemas de datos en tiempo real o casi en tiempo real implica consideraciones tanto técnicas como comerciales.
