Lo primero que debes saber sobre la malla de datos es que las personas esperan demasiado de ella.
La malla de datos a menudo se malinterpreta como una tecnología o solución específica, cuando, en realidad, es más un marco conceptual. Para ser exactos, es un “enfoque sociotécnico”, como lo describe Zhamak Dehghani, la creadora del concepto de malla de datos.
Debido a que muchos confunden la malla de datos con una tecnología milagrosa específica que pueden comprar, las organizaciones dicen que quieren adoptar la malla de datos, y luego tienen dificultades para implementarla a nivel práctico.
Entonces, ¿la malla de datos ya está camino a desaparecer? Los analistas han sugerido que la malla de datos está en riesgo de fracasar, una tendencia en decadencia en 2024. Gartner colocó la malla de datos en la fase de activación de la innovación del Hype Cycle para la administración de datos, pero predijo que será “obsoleta antes de alcanzar la meseta”.
Sin embargo, creemos que el fin de la malla de datos está muy exagerado. No ha tenido una oportunidad justa de vivir. La malla de datos no es la solución; es una estrategia. Es un marco para la toma de decisiones. Si lo ves de esa manera, puede ser una guía útil al considerar los cambios en personas, procesos y tecnología que impulsarán tu negocio hacia el éxito.
En la era de la IA, la malla de datos es un marco más útil que nunca.
Según un estudio de MIT, menos del 10 % de las empresas tienen casos prácticos de IA generativa (genAI) en producción. Casi el 60 % dice que no ha hecho ningún cambio en su entorno de datos para admitir o habilitar la IA generativa. Estas organizaciones necesitan un marco que oriente su estrategia de arquitectura de datos hacia una implementación exitosa de la IA. ¡Abre paso a la malla de datos!
El objetivo de la malla de datos es empoderar a los expertos del área comercial para administrar sus propios pipelines de datos. ¿Y quiénes conforman una fuente de talento sin explotar para los casos prácticos de la IA? Los expertos del área comercial.
Los usuarios comerciales son un recurso crítico para la adquisición de datos, la identificación de casos prácticos, el análisis exploratorio y la evaluación de resultados. Cuando los usuarios con lógica comercial son excluidos de las iniciativas de IA, la adopción se detiene. La malla de datos puede ayudar a asegurar que los usuarios comerciales tengan un lugar en la mesa.
Se necesita experiencia en la línea de negocio para cada etapa del recorrido de IA/ML. Un marco de datos realmente amigable para los negocios permitirá esta participación.
Si estás pensando en usar una malla de datos para crear una arquitectura de datos que respalde la adopción de IA en toda la empresa, aquí tienes algunos consejos que debes tener en cuenta:
NO adoptes una plataforma de datos de autoservicio que en realidad no sea de autoservicio
Una cultura de malla de datos facilita la propiedad del dominio. Eso significa... ¡habilitar a los propietarios del dominio! Si no puedes hacer eso, has perdido el punto. Sin embargo, es un error común.
Los líderes en analítica pueden entusiasmarse con la malla de datos, adoptar una nueva y emocionante plataforma como Microsoft Fabric y darse cuenta (¡ups!) de que los analistas financieros acostumbrados a trabajar en Excel no pueden usar Power Query de manera realista. O migrarán a un almacén de datos basado en SQL, entregarán las llaves al equipo de ventas, y el equipo de ventas no sabrá qué hacer con un cuaderno.
Para habilitar verdaderamente una cultura de malla de datos, es necesario que el trabajo de analítica real sea accesible para los expertos comerciales sin conocimientos técnicos que se encargarán del proceso de analítica. Es por eso que contar con una plataforma de autoservicio es uno de los principios básicos de la malla de datos.
Asegúrate de que tu plataforma de analítica realmente sea de autoservicio. Invierte en soluciones tecnológicas diseñadas para que las use todo el personal de la empresa, independientemente de si ya tiene habilidades de datos o no.
Ten cuidado con las plataformas que dicen ser compatibles con el autoservicio pero que no son realmente amigables con el área comercial y requieren más conocimientos técnicos de los que habías negociado. Tu progreso se detendrá y estarás entre el 90 % de las empresas que no han llegado a su primer caso práctico de IA generativa.
SÍ crea una base de conocimiento de datos en todos los roles
La malla de datos requiere conocimiento de datos en toda la organización. Cuando pasas de un enfoque de equipo de datos centralizado a un modelo más descentralizado, necesitas democratizar el conocimiento fundamental de datos que antes estaba reservado para un equipo de datos central.
Tus expertos comerciales ya tienen importantes conocimientos sobre datos que aportar: conocimientos sobre el ámbito y sobre casos prácticos. ¿Qué significan los datos en el contexto de tu negocio? ¿Qué puedes hacer con ellos? ¿Cuáles son los resultados comerciales que puedes obtener?
Sin embargo, los expertos comerciales probablemente todavía necesiten una comprensión básica de conceptos de datos, por ejemplo:
- Cómo acceder a los datos de la fuente de almacenamiento que utiliza tu organización
- Qué significa manejar tipos de datos diferentes
- Cómo reconocer problemas de calidad en tu conjunto de datos
A medida que hagas la transición a una cultura de malla de datos, asegúrate de lanzar un programa de alfabetización de datos que invierta en la capacitación y educación que preparará a tus expertos en el dominio para el éxito cuando les toque liderar el recorrido de analítica e IA.
NO: abandones la gobernanza, ya que la calidad de los datos se vuelve aún más crítica
Necesitas poder confiar en los datos que respaldan tus modelos de IA y ML. Esto implica incorporar la gobernanza en cada etapa de tu proceso de analítica, desde la recopilación de datos hasta el entrenamiento de modelos.
El hecho de que la malla de datos implique una propiedad descentralizada de los datos no significa que los estándares de gobernanza y calidad se descuiden. En todo caso, la malla de datos ayuda a proporcionar un marco para mejorar la calidad de los datos a medida que los usuarios comerciales se involucran más en el proceso de IA/ML. Uno de los principios de la malla de datos es la gobernanza federada, que ofrece orientación para establecer la gobernanza en los equipos comerciales.
Algunas sugerencias para poner esto en práctica (y cada una de ellas debería ser una colaboración entre expertos en negocios y expertos en TI/datos):
- Crea un comité de gobernanza de datos multifuncional
- Haz auditorías de precisión de datos periódicas
- Establece estándares claros de datos
- Redacta políticas de uso de datos
Alteryx AI Platform for Enterprise Analytics no solo se ajusta a un enfoque de malla de datos, sino que lo facilita. Alteryx AI Platform es una plataforma verdaderamente de autoservicio que empodera a los usuarios de negocios para trabajar con datos. Los propietarios de dominios tendrán las herramientas y los recursos de aprendizaje fáciles de usar que necesitarán para realmente ser dueños del recorrido de analítica.
Al mismo tiempo, Alteryx respalda las consideraciones de gobernanza e infraestructura que acompañan a un modelo de autoservicio. Debido a que Alteryx proporciona una interfaz de analítica fácil de usar para infraestructuras subyacentes como Microsoft, Databricks y Snowflake, respeta las políticas de gobernanza y los controles de acceso basados en roles que acompañan a esas tecnologías. Alteryx también cuenta con características de auditabilidad integradas, como flujos de trabajo anotados que facilitan la documentación de los pasos de cada transformación de datos.
¿Estás pensando implementar la malla de datos en tu organización? Habla con un experto de Alteryx hoy mismo sobre tus objetivos de implementación o consulta más recursos a continuación.
AWS + Snowflake + Alteryx: Guía técnica
Casos prácticos de IA generativa: impulsar la innovación en todas las industrias