Hispanopedia WikiLos modelos de madurez de big data (BDMM) son los artefactos utilizados para medir la madurez de big data. [ 1 ] Estos modelos ayudan a las organizaciones a crear una estructura en torno a sus capacidades de big data y a identificar por dónde empezar. [ 2 ] Proporcionan herramientas que ayudan a las organizaciones a definir objetivos en torno a su programa de big data y a comunicar su visión de big data a toda la organización. Los BDMM también proporcionan una metodología para medir y monitorear el estado de la capacidad de big data de una empresa, el esfuerzo requerido para completar su etapa o fase de madurez actual y para avanzar a la siguiente etapa. Además, los BDMM miden y gestionan la velocidad tanto del progreso como de la adopción de programas de big data en la organización. [ 1 ]
Los objetivos de los BDMM son:
- Proporcionar una herramienta de evaluación de capacidades que genere un enfoque específico en macrodatos en áreas organizativas clave.
- Para ayudar a guiar los hitos del desarrollo
- Para evitar escollos al establecer y desarrollar capacidades de big data
- Fomentar una cultura basada en datos que vaya más allá de las herramientas y la tecnología.
- Para orientar las inversiones de forma más inteligente , mostrando dónde tendrán los recursos el mayor impacto.
Las áreas organizativas clave se refieren a "personas, procesos y tecnología" y los subcomponentes incluyen [ 3 ] alineación, arquitectura, datos, gobernanza de datos , entrega, desarrollo, medición, gobernanza del programa, alcance, habilidades, patrocinio, modelado estadístico , tecnología, valor y visualización.
Las etapas o fases en los BDMM describen las diversas formas en que los datos pueden usarse en una organización y son una de las herramientas clave para establecer la dirección y monitorear el estado de los programas de big data de una organización. [ 4 ] [ 5 ]
Una suposición subyacente es que un alto nivel de madurez en big data se correlaciona con un aumento en los ingresos y una reducción en los gastos operativos. Sin embargo, alcanzar el nivel más alto de madurez implica grandes inversiones a lo largo de muchos años. [ 6 ] Solo unas pocas empresas se consideran en una etapa "madura" de big data y análisis. [ 7 ] Estas incluyen empresas basadas en internet (como LinkedIn , Facebook y Amazon ) y otras empresas no basadas en internet, incluidas instituciones financieras (análisis de fraude, mensajería de clientes en tiempo real y modelado de comportamiento) y organizaciones minoristas ( análisis de flujo de clics junto con análisis de autoservicio para equipos). [ 6 ]
Categorías
Los modelos de madurez de big data se pueden dividir en tres categorías amplias, a saber: [ 1 ]
- Descriptivo
- Comparativo
- Preceptivo
Descriptivo
Los modelos descriptivos evalúan el nivel de madurez actual de la empresa mediante su posicionamiento cualitativo en diversas etapas o fases. El modelo no ofrece recomendaciones sobre cómo una empresa podría mejorar su nivel de madurez en big data.
Modelo de madurez de big data y análisis (modelo de IBM)
Este modelo descriptivo tiene como objetivo evaluar el valor generado por las inversiones en big data para respaldar las iniciativas estratégicas de negocio.
Niveles de madurez
El modelo consta de los siguientes niveles de madurez:
- Ad hoc
- Fundacional
- Diferenciación competitiva
- Separarse
Áreas de evaluación
Los niveles de madurez también abarcan áreas en formato matricial que se centran en: estrategia empresarial, información, análisis, cultura y ejecución, arquitectura y gobernanza.
Evaluación de la madurez de los macrodatos de Knowledgent
Este modelo de madurez de big data, que consiste en una encuesta de evaluación, valora la preparación de una organización para ejecutar iniciativas de big data. Además, el modelo busca identificar los pasos y las tecnologías apropiadas que conducirán a una organización hacia la madurez de big data. [ 9 ]
Comparativo
Los modelos comparativos de madurez de big data tienen como objetivo evaluar a una organización en relación con sus pares de la industria y normalmente consisten en una encuesta que contiene información cuantitativa y cualitativa.
Herramienta de madurez de big data de CSC
La herramienta de madurez de big data de CSC actúa como una herramienta comparativa para evaluar el nivel de madurez de big data de una organización. Se realiza una encuesta y los resultados se comparan con los de otras organizaciones dentro de una industria específica y dentro del mercado en general. [ 10 ]
Modelo de madurez de big data de TDWI
El modelo de madurez de big data TDWI es un modelo en el área actual de madurez de big data y, por lo tanto, consta de un cuerpo de conocimiento significativo. [ 6 ]
Etapas de madurez
Las diferentes etapas de madurez en el BDMM de TDWI se pueden resumir de la siguiente manera:
Etapa 1: Naciente
La etapa naciente como entorno previo al big data. Durante esta etapa:
- La organización tiene poco conocimiento sobre el big data o su valor.
- Existe poco o ningún apoyo ejecutivo para esta iniciativa y solo algunas personas en la organización están interesadas en el valor potencial del big data.
- La organización comprende los beneficios del análisis de datos y puede que tenga un almacén de datos.
- La estrategia de gobernanza de una organización suele estar más centrada en las TI que en el negocio integrador.
Etapa 2: Preadopción
Durante la etapa previa a la adopción:
- La organización comenzó a investigar el análisis de big data.
Etapa 3: Adopción temprana. El "abismo". Generalmente, existe una serie de obstáculos que debe superar. Estos obstáculos incluyen:
- Adquirir el conjunto de habilidades adecuado para respaldar la capacidad, incluyendo Hadoop y habilidades analíticas avanzadas.
- Los problemas políticos, es decir, los proyectos de big data se llevan a cabo en áreas dentro de la organización y el intento de expandir el esfuerzo o de imponer estándares y gobernanza más estrictos conducen a problemas relacionados con la propiedad y el control.
Etapa 4: Adopción corporativa
La etapa de adopción corporativa se caracteriza por la participación de los usuarios finales, la organización obtiene una mayor comprensión y la forma de hacer negocios se transforma. Durante esta etapa:
- Es posible que los usuarios finales hayan comenzado a poner en práctica el análisis de big data o a cambiar sus procesos de toma de decisiones.
- La mayoría de las organizaciones ya habrán abordado repetidamente ciertas deficiencias en su infraestructura, gestión de datos , gobernanza y análisis.
Etapa 5: Madura / visionaria
Solo unas pocas organizaciones pueden considerarse visionarias en términos de big data y análisis de big data. Durante esta etapa, una organización:
- Es capaz de ejecutar programas de big data como una máquina bien engrasada con una infraestructura altamente madura.
- Cuenta con un programa de big data bien establecido y estrategias de gobernanza de big data.
- ejecuta su programa de big data como una iniciativa presupuestada y planificada desde una perspectiva de toda la organización.
- cuyos empleados comparten un nivel de entusiasmo y energía en torno a los macrodatos y el análisis de macrodatos.
Resultados de la investigación
TDWI [ 6 ] realizó una evaluación de 600 organizaciones y descubrió que la mayoría se encuentra en las etapas de preadopción (50%) o adopción temprana (36%). Además, solo el 8% de la muestra ha logrado superar la brecha hacia la adopción corporativa o alcanzar un nivel de madurez/visión avanzado.
Preceptivo
La mayoría de los modelos de madurez de big data prescriptivos siguen un modus operandi similar, en el que primero se evalúa la situación actual y luego se trazan fases que definen el camino hacia una mayor madurez de big data. Algunos ejemplos son:
Herramienta de evaluación de la madurez del big data en el sector de las tecnologías de la información
Este modelo de madurez es prescriptivo en el sentido de que consta de cuatro fases distintas, cada una de las cuales traza un camino hacia la madurez en big data. Las fases son:
- Fase 1, someterse a formación en big data.
- Fase 2: evaluar la preparación para el análisis de grandes volúmenes de datos.
- Fase 3: identificar un caso de uso de big data realmente exitoso.
- Fase 4: estructurar un proyecto de prueba de concepto de big data.
Modelo de madurez de big data de Radcliffe
El modelo de madurez de big data de Radcliffe, al igual que otros modelos, también consta de distintos niveles de madurez que van desde:
- 0 – "En la oscuridad"
- 1 – "Ponerse al día"
- 2 – "Primer piloto"
- 3 – "Valor táctico"
- 4 – "Apalancamiento estratégico"
- 5 – "Optimizar y ampliar"
[ 5 ]
El modelo de Booz & Company
Este BDMM proporciona un marco que no solo permite a las organizaciones ver el grado de madurez actual, sino también identificar objetivos y oportunidades de crecimiento en la madurez de big data. El modelo consta de cuatro etapas, a saber:
- Etapa 1: Gestión del desempeño
- Etapa 2: Excelencia en el área funcional
- Etapa 3: Mejora de la propuesta de valor
- Etapa 4: Transformación del modelo de negocio
[ 4 ]
El modelo de Van Veenstra
El modelo prescriptivo propuesto por Van Veenstra tiene como objetivo, en primer lugar, explorar el entorno de big data existente en la organización, seguido de las oportunidades de explotación y una ruta de crecimiento hacia la madurez del big data. El modelo utiliza cuatro fases, a saber:
- Eficiencia
- Eficacia
- Nuevas soluciones
- Transformación
Evaluación crítica
Los BDMM actuales se han evaluado según los siguientes criterios: [ 1 ]
- Integridad de la estructura del modelo (completitud, consistencia)
- La calidad del desarrollo y la evaluación del modelo (fiabilidad, estabilidad)
- Facilidad de aplicación (facilidad de uso, comprensibilidad)
- Creación de valor mediante big data (actualidad, relevancia, rendimiento)
TDWI y CSC presentan el mejor desempeño general, con puntuaciones consistentes en cada uno de los grupos de criterios. Los resultados generales indican que los modelos de mayor rendimiento son extensos, equilibrados, están bien documentados, son fáciles de usar y abarcan una buena cantidad de capacidades de big data utilizadas en la creación de valor empresarial. Los modelos de Booz & Company y Knowledgent se sitúan en un cercano segundo lugar y, si bien abordan la creación de valor de big data de manera encomiable, presentan deficiencias en cuanto a la exhaustividad y la facilidad de aplicación. Knowledgent adolece de una baja calidad de desarrollo, ya que apenas ha documentado sus procesos. El resto de los modelos, es decir, Infotech, Radcliffe, van Veenstra e IBM, se han clasificado como de bajo rendimiento. Si bien su contenido está bien alineado con la creación de valor empresarial a través de las capacidades de big data, todos carecen de calidad de desarrollo, facilidad de aplicación y exhaustividad. Las puntuaciones más bajas se otorgaron a IBM y Van Veenstra, ya que ambos proporcionan una guía de bajo nivel para el uso práctico del modelo de madurez correspondiente y carecen por completo de documentación, lo que en última instancia resulta en una mala calidad de desarrollo y evaluación. [ 1 ]
Véase también
Referencias
- 1 2 3 4 5 Braun, Henrik (2015). "Evaluación de modelos de madurez de Big Data: un estudio comparativo para apoyar la evaluación de big data en las organizaciones". Tesis de maestría – Universidad Tecnológica de Tampere .
- ↑ Halper, F., & Krishnan, K. (2014). Guía del modelo de madurez de macrodatos de TDWI. Investigación de TDWI.
- ↑ Krishnan (2014). "Medición de la madurez de las iniciativas de big data" . Archivado del original el 16 de marzo de 2015. Consultado el 21 de mayo de 2017 .
- 1 2 El-Darwiche; et al. (2014). "Madurez de Big Data: Un plan de acción para responsables políticos y ejecutivos". Foro Económico Mundial .
- 1 2 "Aproveche un modelo de madurez de Big Data para construir su hoja de ruta de big data" (PDF) . 2014. Archivado del original (PDF) el 2 de agosto de 2017. Recuperado el 21 de mayo de 2017 .
- 1 2 3 4 Halper, Fern (2016). "Una guía para lograr la madurez en el análisis de big data". Guía de referencia TDWI .
- ↑ Altair (15 de diciembre de 2023). "Cómo alcanzar la cima de la 'montaña de la madurez de datos' y convertir los datos en tu superpoder" . Fast Company . Consultado el 8 de octubre de 2024 .
- ↑ "Modelo de madurez de Big Data y análisis" . IBM Big Data & Analytics Hub . Consultado el 21 de mayo de 2017 .
- ↑ "Inicio | Evaluación de la madurez de Big Data" . bigdatamaturity.knowledgent.com . Archivado del original el 14 de febrero de 2015. Consultado el 21 de mayo de 2017 .
- ↑ Inc., Servicios creativos de Cyclone Interactive Multimedia Group, Inc. (www.cycloneinteractive.com) Sitio diseñado y alojado por Cyclone Interactive Multimedia Group. "Herramienta de madurez de Big Data de CSC: valor comercial, impulsores y desafíos" . csc.bigdatamaturity.com . Consultado el 21 de mayo de 2017 .
{{cite web}}:|last=tiene nombre genérico ( ayuda ) CS1 maint: nombres múltiples: lista de autores ( enlace ) - ↑ "Herramienta de evaluación de la madurez de Big Data" . www.infotech.com . Consultado el 21 de mayo de 2017 .
- ↑ van Veenstra, Anne Fleur. "Big Data en pequeños pasos: evaluando el valor de los datos" (PDF) . Libro blanco .
- Big data