Estás leyendo
SDG Group identifica las 9 tendencias de Data y Analytics que protagonizarán 2023

SDG Group identifica las 9 tendencias de Data y Analytics que protagonizarán 2023

  • La firma de consultoría global presenta por quinto año consecutivo su informe sobre las principales tendencias del sector centrándose en la innovación y el desarrollo en el ámbito de los datos y la analítica avanzada.
9tendenciasDataAnalytics2023 SDG Group

La analítica de datos evoluciona rápidamente impulsada por los continuos avances en tecnología, ingeniería y, también, por los marcos normativos. Sin duda, el papel central que han cobrado los datos en la economía, la explosión de la inteligencia artificial y la apuesta por la nube pública han consolidado aún más el sector. Las previsiones son optimistas ya que, según Gartner, en 2024 el 75% de los procesos con datos estarán en la nube mientras que, según IDC, el mercado mundial de software de Big y Analítica (BDA) seguirá registrando un importante crecimiento hasta el año 2026.

En este contexto, la firma de consultoría global ha presentado por quinto año consecutivo su informe sobre las  principales del sector  centrándose en la innovación y el desarrollo en el ámbito de los datos y la analítica avanzada.

Como profesionales que viven en primera persona las transformaciones y los desarrollos del llamado Data y , desde SDG Group hemos analizado aquellas tendencias que más han despertado nuestra curiosidad y que creemos se posicionarán a lo largo del año que acaba de empezar. Nuestro anhelo es que el informe de ‘Data Trends 2023' genere una conversación enriquecedora entre los perfiles más diversos. Ojalá se convierta en una fuente de inspiración para que ingenieros, matemáticos, físicos, lingüistas y también filósofos sigamos innovando en este sector.Miguel Romero, Partner & Head of Technology & Innovation de SDG Group

A continuación, SDG Group da a conocer las tendencias de Data y Analytics para el 2023:

1.     Business-Composed Data & Analytics. En los últimos años, hemos experimentado una transición progresiva del Data y Analytics tradicional centrado en TI a otro enfocado en el dominio o en el negocio. Data Mesh, Data Products y Data Contracts son solo algunas de las disciplinas que están empujando el cambio masivo hacia este nuevo paradigma de Data y Analytics. Estas tendencias innovadoras -basadas en principios de diseño orientados al dominio- continuarán acelerando la toma de decisiones basadas en datos y reducirán las barreras a la hora de obtener resultados tangibles o incluso “dividendos de datos».

2.  Foundation Models for AI. Los llamados Modelos Fundacionales reducen drásticamente los requerimientos de etiquetado de datos durante el entrenamiento de algoritmos de IA, lo que redunda en una nueva forma de aprendizaje por transferencia. BERT y la familia GPT-3 son ejemplo de ello y ya están demostrando su enorme potencial para acelerar el TTTI (Total Time to Insights) y para reducir los costes y los esfuerzos generales asociados a la construcción de un producto o iniciativa de IA. Se trata, sin duda, de una tendencia que está cambiando las reglas del juego en la industria de Data y Analytics (y en muchos otros campos).
3.  Prompt Engineering. Es una disciplina muy reciente y en rápido crecimiento cuyo objetivo es diseñar la instrucción óptima (prompt, en inglés) para conseguir un objetivo o respuestas coherentes y concretas cuando interactuamos con una IA generativa. A medida que la tecnología siga evolucionando, la disciplina de Prompt Engineering desempeñará un papel aún más importante en el diseño de los servicios de IA y la creación de un espacio de comunicación entre los seres humanos y las aplicaciones de datos. Es más, esta técnica y metodología de aprendizaje basada en “modelos de difusión” se convertirá en un estándar de interacción con diferentes categorías de Sistemas de Inteligencia Artificial. Prompt Engineering es una tendencia tan disruptiva que está creando nuevos perfiles profesionales: expertos de TI centrados en el diseño de conversaciones efectivas entre usuarios y las aplicaciones tecnológicas que aseguran tanto una comunicación clara y efectiva como unas prestaciones satisfactorias de los servicios prestados.
4. Pattern Design in Data Science. Actualmente nos encontramos ante la necesidad de un cambio de paradigma en el modo de desarrollar sistemas de Machine Learning e Inteligencia Artificial. Desde una aproximación centrada en Ingeniería de Software, apostamos por una Ciencia de Datos basadas en Pattern Design que resuelva problemas concretos y habituales de la analítica avanzada (forecasting, clasificación, etc.), que pueda servir de acelerador para la consecución de valor y que habilite su escalabilidad. La ventaja que ofrece la Ciencia de Datos construida sobre Pattern Design es la de contribuir a mejorar tanto el Time To Market de los sistemas de ML e IA como a reducir el coste total de propiedad (TCO), generando así soluciones más eficientes, mantenibles y escalables.
5. Data Constructs. Un Data Construct es la conceptualización de las diferentes formas de organizar y estructurar los datos (Data Warehouses, Data Lakes, Lakehouses, etc.), implementado sobre los principios de estandarización y automatización. De este modo, los Data Constructs pueden autogenerar estructuras de datos según los nuevos requerimientos, mejorando así el retorno de la estrategia de datos. El aumento de la eficiencia, la mejora de la precisión, la reducción de la mano de obra y los recursos de ingeniería de datos, el aumento de la escalabilidad, la mejora de la interoperabilidad, la reducción de los costes de desarrollo y la mejora de la comunicación son solo algunas de sus ventajas.
6. Data Inerrancy. Las empresas deben aspirar a la infalibilidad de sus plataformas de datos. Para ello, las dos disciplinas Data Observability y Modern Data Quality -que, resumiendo, permiten detectar patrones y anomalías, así como velar por la exactitud, integridad y consistencia de los datos- deben estar estrechamente integradas para obtener la deseada Data Inerrancy. En otras palabras, a través de la combinación de las técnicas mencionadas conseguimos aumentar la capacidad de vigilar los cambios y de abarcar escenarios en los que se detecten, comprendan y resuelvan los problemas de los datos y sus causas subyacentes con el objetivo último de llegar a un escenario de “error cero” en los datos.
7. Data OS Live. Hay tres grandes evoluciones en las plataformas de datos modernas que consideramos relevantes. La primera evolución es la creación de sistemas operativos para datos capaces de albergar cualquier tipo de procesos de Datos y Análisis (D&A) y cualquier tipo de requisitos de almacenamiento de datos. La segunda está relacionada con el concepto data freedom que engloba la capacidad de estar abierto y preparado para ambientes Multicloud, además de permitir el libre movimiento de Data Constructs entre diferentes ecosistemas de nubes. Por último, la tercera evolución de las plataformas de datos tiene que ver con la capacidad de procesamiento continuo y de datos en modo “always-on” y “true real-time”. Para hacer realidad estos tres escenarios, es fundamental seguir una estrategia que implique una minuciosa elección de los componentes analizando la inversión de los fabricantes sobre proyectos de código abierto, sin sacrificar el Total Time to Insights.
8. Admissible AI. Los recientes avances en IA impulsan la actualización o incluso la creación de normativas (es el caso de Ley de Inteligencia Artificial de la Comisión Europea). Según las directrices, los sistemas de IA tendrán que ser legales (cumpliendo todas las leyes y normativas aplicables), éticos (garantizando la adhesión a principios y valores éticos) y sólidos tanto desde una perspectiva técnica como social. Debido a que los sistemas de IA forman parte integral de muchas arquitecturas de datos y análisis, proponemos una extensión de los marcos de gobernanza de los datos existentes. Esta ampliación abarcará los sistemas de IA y la necesidad de una IA admisible, con especial atención a la transparencia, la observabilidad y la explicabilidad.
9.  Analytics Re-Evolution. Hemos identificado tres movimientos reseñables en el mundo de la analítica avanzada. En primer lugar, el de (1) Augmented Analytics, una importante tendencia de mercado que fusiona la analítica descriptiva con las capacidades predictivas y prescriptivas de la misma. En segundo lugar, encontramos (2) Headless BI, la arquitectura analítica que desvincula el backend de datos de la capa de presentación, lo que permite a cualquier tecnología de BI y analítica consumir métricas empresariales a través, por ejemplo, de API abiertas. Por último, (3) esperamos un aumento en el consumo de datos empresariales y la adopción generalizada de la analítica habilitada por un conjunto de tecnologías y disciplinas que se están extendiendo rápidamente en el mercado como las micro apps. Todo ello facilitará alcanzar perspectivas contextualizadas, conectadas y relevantes bajo un modelo centrado en el dominio, cumpliendo por fin con la promesa de una inteligencia omnipresente en la organización.

Te puede interesar
industria

Con la presentación de las nueve tendencias de Data y Analytics para 2023, SDG Group sigue posicionándose como socio estratégico en la aplicación de las tecnologías y prácticas más punteras.

 

Utilizamos cookies para facilitar la relación de los visitantes con nuestro contenido y para permitir elaborar estadísticas sobre las visitantes que recibimos. No se utilizan cookies con fines publicitarios ni se almacena información de tipo personal. Puede gestionar las cookies desde aquí.    Ver Política de cookies
Privacidad