stringtranslate.com

Gestión de datos

La gestión de datos comprende todas las disciplinas relacionadas con el manejo de los datos como un recurso valioso, es la práctica de gestionar los datos de una organización para que puedan ser analizados para la toma de decisiones . [1]

Concepto

El concepto de gestión de datos surgió en la década de 1980 cuando la tecnología pasó del procesamiento secuencial [2] (primero tarjetas perforadas , luego cinta magnética ) al almacenamiento de acceso aleatorio .

Como ahora era posible almacenar un hecho discreto y acceder rápidamente a él utilizando tecnología de disco de acceso aleatorio , aquellos que sugerían que la gestión de datos era más importante que la gestión de procesos de negocios usaban argumentos como "la dirección de casa de un cliente se almacena en 75 (o algún otro gran número) lugares en nuestros sistemas informáticos". [ cita requerida ] Sin embargo, durante este período, el procesamiento de acceso aleatorio no era competitivamente rápido, por lo que aquellos que sugerían que la "gestión de procesos" era más importante que la "gestión de datos" usaban el tiempo de procesamiento por lotes como su argumento principal.

A medida que el software de aplicación evolucionó hacia un uso interactivo en tiempo real , se hizo evidente que ambos procesos de gestión eran importantes. Si los datos no estaban bien definidos, se utilizarían incorrectamente en las aplicaciones. Si el proceso no estaba bien definido, era imposible satisfacer las necesidades de los usuarios.

Patrones

Los siguientes son patrones comunes de gestión de datos: [3]

Temas

Los temas en gestión de datos incluyen:

  1. Gobernanza de datos
  2. Arquitectura de datos
  3. Modelado y diseño de datos
  4. Gestión de bases de datos y almacenamiento
  5. Seguridad de datos
  6. Datos de referencia y maestros
  7. Integración de datos e interoperabilidad
    • Movimiento de datos ( ETL , ELT )
    • Interoperabilidad de datos
  8. Documentos y contenidos
  9. Almacenamiento de datos e inteligencia empresarial y análisis
  10. Metadatos
  11. Calidad de los datos

Uso

En el uso moderno de la gestión , el término datos se sustituye cada vez más por información o incluso conocimiento en un contexto no técnico. Así, la gestión de datos se ha convertido en gestión de la información o gestión del conocimiento . Esta tendencia oscurece el procesamiento de los datos en bruto y hace implícita la interpretación. La distinción entre datos y valor derivado se ilustra mediante la escalera de la información. Sin embargo, los datos han vuelto a cobrar protagonismo con la popularización del término big data , que se refiere a la recopilación y análisis de conjuntos masivos de datos. Si bien el big data es un fenómeno reciente, la necesidad de datos para ayudar a la toma de decisiones se remonta a principios de la década de 1970 con la aparición de los sistemas de apoyo a la toma de decisiones (DSS). Estos sistemas pueden considerarse como la iteración inicial de la gestión de datos para el apoyo a la toma de decisiones. [4]

Varias organizaciones han establecido centros de gestión de datos (DMC) para sus operaciones. [5]

Fuentes de datos

Los especialistas en marketing y las organizaciones de marketing han estado utilizando la recopilación y el análisis de datos para refinar sus operaciones durante las últimas décadas. Los departamentos de marketing de las organizaciones y las empresas de marketing llevan a cabo la recopilación y el análisis de datos recopilando datos de diferentes fuentes de datos y analizándolos para obtener datos reveladores que puedan utilizar para la toma de decisiones estratégicas (Baier et al., 2012). En el entorno empresarial moderno, los datos se han convertido en un activo crucial para las empresas, ya que las utilizan como un activo estratégico que se utiliza regularmente para crear una ventaja competitiva y mejorar las experiencias del cliente. Entre las formas más importantes de datos se encuentra la información del cliente, que es un activo crítico que se utiliza para evaluar el comportamiento y las tendencias del cliente y se utiliza para desarrollar nuevas estrategias para mejorar la experiencia del cliente (Ahmed, 2004). Sin embargo, los datos deben ser de alta calidad para ser utilizados como un activo comercial para crear una ventaja competitiva. Por lo tanto, la gobernanza de datos es un elemento crítico de la recopilación y el análisis de datos, ya que determina la calidad de los datos, mientras que las restricciones de integridad garantizan la confiabilidad de la información recopilada de las fuentes de datos. Las empresas y organizaciones utilizan diversas tecnologías, incluido el Big Data, para permitir a los usuarios buscar información específica a partir de datos brutos agrupándolos en función de los criterios preferidos que los departamentos de marketing de las organizaciones podrían aplicar para desarrollar estrategias de marketing específicas (Ahmed, 2004). A medida que la tecnología evoluciona, se están introduciendo nuevas formas de datos para fines de análisis y clasificación en las organizaciones y empresas de marketing. La introducción de nuevos dispositivos, como teléfonos inteligentes y PC de nueva generación, también ha introducido nuevas fuentes de datos a partir de las cuales las organizaciones pueden recopilar, analizar y clasificar datos al desarrollar estrategias de marketing. Las empresas minoristas son la categoría empresarial que utiliza datos de clientes de dispositivos inteligentes y sitios web para comprender cómo sus clientes actuales y potenciales perciben sus servicios antes de utilizar la información para realizar mejoras y aumentar la satisfacción del cliente (Cerchiello y Guidici, 2012). El análisis de los datos de los clientes es crucial para las empresas, ya que permite a los equipos de marketing comprender el comportamiento y las tendencias de los clientes, lo que marca una diferencia considerable durante el desarrollo de nuevas campañas y estrategias de marketing. Los minoristas que utilizan datos de clientes de varias fuentes obtienen una ventaja en el mercado, ya que pueden desarrollar estrategias basadas en datos para atraer y retener clientes en el entorno empresarial excesivamente competitivo. Con base en la información sobre los beneficios de la recolección y análisis de datos, se proponen las siguientes hipótesis: Las fuentes de datos utilizadas como base de la recolección y análisis de datos tienen un impacto considerable en las herramientas de análisis de datos utilizadas para analizar y categorizar los datos.

Herramientas de análisis de datos

Las organizaciones utilizan diversas herramientas de análisis de datos para descubrir información desconocida y conocimientos de enormes bases de datos; esto permite a las organizaciones descubrir nuevos patrones que no conocían o extraer información enterrada antes de usarla para crear nuevos patrones y relaciones (Ahmed, 2004). Hay 2 categorías principales de herramientas de análisis de datos, herramientas de minería de datos y herramientas de perfilado de datos. Además, la mayoría de las herramientas de análisis de datos comerciales son utilizadas por las organizaciones para extraer, transformar y cargar ETL para almacenes de datos de una manera que garantice que no se omita ningún elemento durante el proceso (Turban et al., 2008). Por lo tanto, las herramientas de análisis de datos se utilizan para respaldar las 3 V en Big Data : volumen, variedad y velocidad. La velocidad de los factores surgió en la década de 1980 como uno de los procedimientos más importantes en las herramientas de análisis de datos que fue ampliamente utilizado por las organizaciones para la investigación de mercados. Las herramientas utilizadas para seleccionar variables centrales de los datos que se recopilaron de varias fuentes y se analizaron; Si la cantidad de datos fuera tan grande que los humanos no pudieran comprenderlos mediante la observación manual, se introduciría el análisis factorial para distinguir entre datos cualitativos y cuantitativos (Stewart, 1981). Las organizaciones recopilan datos de numerosas fuentes, incluidos sitios web, correos electrónicos y dispositivos de los clientes, antes de realizar el análisis de datos. Recopilar datos de numerosas fuentes y analizarlos utilizando diferentes herramientas de análisis de datos tiene sus ventajas, incluida la superación del riesgo de sesgo de método; el uso de datos de diferentes fuentes y su análisis utilizando múltiples métodos de análisis garantiza a las empresas y organizaciones hallazgos sólidos y confiables que pueden usar en la toma de decisiones. Por otro lado, los investigadores utilizan tecnologías modernas para analizar y agrupar los datos recopilados de los encuestados en forma de imágenes, archivos de audio y video mediante la aplicación de algoritmos y otro software de análisis (Berry et al., 1997). Los investigadores y los comercializadores pueden luego usar la información obtenida de las herramientas y métodos de análisis de nueva generación para pronosticar, respaldar la toma de decisiones y hacer estimaciones para la toma de decisiones. Por ejemplo, la información de diferentes fuentes de datos sobre pronósticos de demanda puede ayudar a un negocio minorista a determinar la cantidad de existencias requeridas en una próxima temporada dependiendo de los datos de temporadas anteriores. El análisis puede permitir a las organizaciones tomar decisiones basadas en datos para obtener una ventaja competitiva en una era en la que todas las empresas y organizaciones están aprovechando las tecnologías emergentes y las herramientas de inteligencia empresarial para obtener ventajas competitivas. Si bien existen numerosas herramientas de análisis en el mercado, el análisis de Big Data es la tecnología más común y avanzada que ha llevado a la siguiente hipótesis: Las herramientas de análisis de datos utilizadas para analizar los datos recopilados de numerosas fuentes de datos determinan la calidad y la confiabilidad del análisis de datos.

Seguridad de datos y privacidad de datos

Si bien las organizaciones necesitan utilizar herramientas de recopilación y análisis de datos de calidad para garantizar la calidad y confiabilidad de los datos de los clientes que recopilan, deben implementar estrategias de seguridad y privacidad para proteger los datos y la información de los clientes de las fugas de privacidad (Van Till, 2013). Un estudio realizado por PWC indicó que más de dos tercios de los clientes minoristas prefieren comprar productos y servicios de empresas que tienen planes de protección de datos y privacidad para proteger la información de los clientes. Además, el estudio indicó que los clientes confían en las empresas que pueden demostrar que no pueden usar los datos de los clientes para ningún otro propósito que no sea el marketing. A medida que la tecnología e Internet continúan mejorando, el éxito de las empresas que lo utilizan como plataforma para comercializar sus productos dependerá de la eficacia con la que puedan ganar y mantener la confianza de los clientes y usuarios. Por lo tanto, las empresas tendrán que introducir e implementar estrategias efectivas de protección de datos y privacidad para proteger los datos comerciales y la privacidad de los clientes. Si bien el desarrollo de la confianza entre los clientes y las empresas afecta las intenciones de compra de los clientes, también tiene un impacto considerable en los comportamientos de compra a largo plazo, incluida la frecuencia con la que los clientes compran, lo que podría afectar la rentabilidad de una empresa a largo plazo. De esta forma, la información anterior nos lleva a la siguiente hipótesis: Implementar planes de seguridad y privacidad de datos tiene un impacto positivo en los resultados económicos y financieros.

Resultados financieros y económicos

Los estudios indican que las transacciones de los clientes representan un aumento del 40% en los datos recopilados anualmente, lo que significa que los datos financieros tienen un impacto considerable en las decisiones comerciales. Por lo tanto, las organizaciones modernas están utilizando el análisis de big data para identificar de 5 a 10 nuevas fuentes de datos que puedan ayudarlas a recopilar y analizar datos para mejorar la toma de decisiones. Jonsen (2013) explica que las organizaciones que utilizan tecnologías de análisis promedio tienen un 20% más de probabilidades de obtener mayores retornos en comparación con sus competidores que no han introducido ninguna capacidad de análisis en sus operaciones. Además, IRI informó que la industria minorista podría experimentar un aumento de más de $ 10 mil millones cada año como resultado de la implementación de tecnologías de análisis modernas. Por lo tanto, se puede proponer la siguiente hipótesis: los resultados económicos y financieros pueden afectar la forma en que las organizaciones utilizan las herramientas de análisis de datos.

Véase también

Referencias

  1. ^ "¿Qué es la gestión de datos? Importancia y desafíos | Tableau". www.tableau.com . Consultado el 4 de diciembre de 2023 .
  2. ^ Hoare, CAR (2004) [1985]. Comunicación de procesos secuenciales. Prentice Hall International. ISBN 978-0-13-153271-7.
  3. ^ Dominio de microservicios nativos de la nube Diseño e implementación de microservicios nativos de la nube para aplicaciones de próxima generación . 2023. ISBN 9789355518699.
  4. ^ Watson, Hugh J.; Marjanovic, Olivera (2013). "Big Data: La cuarta generación de gestión de datos". Revista de inteligencia empresarial; Seattle . 18 (3): 4–8.
  5. ^ Por ejemplo: Kumar, Sangeeth; Ramesh, Maneesha Vinodini (2010). "Lightweight Management framework (LMF) for a Heterogeneous Wireless Network for Landslide Detection". En Meghanathan, Natarajan; Boumerdassi, Selma; Chaki, Nabendu; Nagamalai, Dhinaharan (eds.). Tendencias recientes en redes y comunicaciones: conferencias internacionales, NeCoM 2010, WiMoN 2010, WeST 2010, Chennai, India, 23-25 ​​de julio de 2010. Actas. Comunicaciones en informática y ciencias de la información. Vol. 90. Springer. pág. 466. ISBN. 9783642144936. Recuperado el 16 de junio de 2016. 4.4 Centro de gestión de datos (DMC)[:] El Centro de gestión de datos es el centro de datos para todas las redes de clúster implementadas. A través del DMC, el LMF permite al usuario enumerar los servicios en cualquier miembro del clúster que pertenezca a cualquier clúster [...].
  6. ^ "Malla de datos: entrega de valor basado en datos a escala".

Enlaces externos