Posts Shortcodes
You can show the posts with Porto Blog, Porto Recent Posts shortcodes.
Recent
Hyper: Revolucione sus motores de datos
Hyper es la nueva tecnología de motor de datos en memoria de alto rendimiento de Tableau, diseñada para acelerar... read more
BI y gobernabilidad de los datos
Matrix CPM Solutions puede apoyarle en la concepción de proyectos de BI que le permitan autogestionar sus datos y... read more
Qué es un KPI y como se puede usar para mejorar el rendimiento de una organización
¿Cómo puede usarse para mejorar el rendimiento de una organización? Con el advenimiento de las nuevas tecnologías han surgido diversas... read more
El antes, durante y después de un proceso ETL
Los que llevamos un tiempo en el mundo de Business Intelligence (BI), sabemos que un buen proceso ETL es... read more
¿Eres un buen desarrollador con Pentaho Data Integration?
La plataforma de inteligencia de negocios de Pentaho es muy conocida y utilizada en toda Latinoamérica. Matrix CPM Solutions fue uno de... read more
Tableau en la cadena de suministro
Tableau es una herramienta muy poderosa que ha ayudado a muchas empresas a visualizar y comprender sus datos. La dinámica de... read more
El top 10 de las tendencias en Inteligencia de Negocios
Hola a todos los que nos leen por aquí. En estos momentos les daré un abre boca de las 10... read more
¿Microsoft destronó a Tableau?
Cada mes de febrero escuchamos comentarios sobre el “Cuadrante mágico de Gartner” pero sabemos en realidad cómo leer este... read more
Timeline
mayo 2018
Hyper: Revolucione sus motores de datos
Hyper es la nueva tecnología de motor de datos en memoria de alto rendimiento de Tableau, diseñada para acelerar la ingesta de datos y el procesamiento analítico de consultas en conjuntos de datos grandes y complejos.
Hyper, la tecnología incluida en Tableau 10.5, optimiza la creación de extracciones, actualiza el rendimiento y admite conjuntos de datos aún más grandes. Esto le permitirá beneficiarse de velocidades de consultas cinco veces más rápidas y una velocidad de creación de extracciones hasta tres veces mayor. Como resultado, los clientes pueden crear las extracciones en función de las necesidades de su negocio, sin preocuparse por establecer limitaciones. Asimismo, para mantener a los clientes en el flujo de análisis, Hyper puede completar consultas sobre grandes conjuntos de datos en solo unos segundos. Gracias al rendimiento acelerado de las consultas, los dashboards complejos se abren con mayor rapidez, los filtros son más veloces y la incorporación de nuevos campos a las visualizaciones es casi instantánea. Hyper tiene sus orígenes en la Universidad Técnica de Múnich (TUM), en Alemania. Más tarde, Tableau adquirió la filial comercial e integró la tecnología al producto en menos de 18 meses.
Hyper también ayuda a los clientes a adaptar sus extracciones para un uso más amplio. Para ello, aprovecha los avances en procesadores de múltiples núcleos y la implementación de novedosas técnicas de paralelización de las cargas de trabajo. La tecnología Hyper constituye un rápido sistema en memoria diseñado para ejecutar cargas de trabajo transaccionales y analíticas sin afectar al rendimiento. Mediante el uso de técnicas de optimización de consultas innovadoras y un estado de almacenamiento en la misma columna para todas las cargas de trabajo, Hyper ayudará a acercar a los clientes a sus datos.
Diseño exclusivo de Hyper
Durante la última década, los motores de datos en memoria y las tecnologías de análisis de bases de datos incorporaron distintas técnicas, como el muestreo y el resumen. Con ellas, lograron incrementar enormemente el rendimiento de las consultas. Sin embargo, estas mejoras de rendimiento tuvieron un costo. Muchos sistemas sacrificaron rendimiento de escritura (indispensable para la velocidad en la creación de extracciones y las actualizaciones) en pro de optimizar el rendimiento de la carga de análisis. Cuando la escritura es lenta, los datos pierden relevancia y se vuelven obsoletos. ¿Cuál fue el resultado? Se generó una desconexión entre las personas y los datos que estas deseaban analizar. La misión de Hyper es acercar los datos a las personas mediante una escritura y una carga de análisis veloces. En resumen, Hyper proporciona datos actualizados con rapidez. De ese modo, le permite analizar una vista más amplia y completa de sus datos.
Redefinición de la arquitectura de sistema: un estado para las transacciones y las consultas analíticas
Con Hyper, las transacciones y las consultas analíticas se procesan en el mismo almacén de columnas, sin necesidad de volver a procesar los datos después de su obtención e importación. Así, se reduce la cantidad de datos obsoletos y se minimiza la desconexión entre los sistemas especializados. La metodología exclusiva de Hyper admite la combinación de intensas cargas de trabajo de escritura y lectura en un mismo sistema. En consecuencia, se pueden crear extracciones con rapidez sin sacrificar el rendimiento de consulta. Se gana en todos los frentes.
Una nueva metodología para la ejecución de consultas: generación de código dinámico
Hyper usa un novedoso modelo de ejecución de compilación JIT (Just-In-Time). Muchos otros sistemas usan modelos tradicionales de ejecución de consultas que no pueden aprovechar por completo el hardware moderno de varios núcleos. Por el contrario, Hyper optimiza y compila las consultas en código informático personalizado para hacer un uso más eficaz del hardware subyacente. Cuando Hyper recibe una consulta, crea un árbol, lo optimiza de manera lógica y, después, lo usa como modelo para generar el programa específico que se va a ejecutar. Como resultado, se optimiza el uso del hardware moderno para una ejecución de consultas más rápida.
Mayor aprovechamiento del hardware: paralelización basada en fragmentos
Hyper fue diseñado desde cero para entornos grandes de varios núcleos. Este modelo de paralelización se basa en unidades de trabajo muy pequeñas (fragmentos). Estos fragmentos se asignan de manera eficaz a todos los núcleos disponibles y permiten a Hyper responder, con mayor precisión, ante las diferencias de velocidad de los núcleos. En consecuencia, el hardware se usa con mayor eficacia y el rendimiento es superior.
Actualización del extracto a formato .hyper
En esta versión de Tableau (a partir de la 10.5), los nuevos extractos utilizan el formato .hyper en lugar del formato .tde.
Aunque existen muchas ventajas ya mencionadas en el uso de extractos .hyper, las ventajas principales son las siguientes:
- Crear extracciones de mayor tamaño: las extracciones en formato .hyper pueden contener miles de millones de filas de datos. Como las extracciones .hyper admiten más datos, puede utilizar la versión de Tableau Desktop 10.5 para consolidar las extracciones .tde que anteriormente tenía que crear por separado.
- Creación y actualización más rápida de extractos: mientras que Tableau siempre ha optimizado el rendimiento para la creación y actualización de extractos, esta versión admite la creación y actualización de extractos para conjuntos de datos aún más grandes.
- Un mejor rendimiento al interactuar con las vistas que utilizan fuentes de datos de extracción de mayor tamaño: vistas que utilizan fuentes de datos de extracción para obtener un mejor rendimiento que el que tenían anteriormente. Aunque las extracciones más pequeñas siguen funcionando eficazmente, las de mayor tamaño tienen un rendimiento más eficiente.
Sabino Flores
BI y gobernabilidad de los datos
Matrix CPM Solutions puede apoyarle en la concepción de proyectos de BI que le permitan autogestionar sus datos y empoderarse de ellos
Hoy en día es muy importante para cualquier organización conocer sus datos y poder -en base a ellos- responder rápidamente a situaciones cotidianas que puedan potenciar su negocio.
Cuando en una organización cada unidad de negocio trabaja de forma aislada con sus datos, o sencillamente no los utiliza o analiza, no existe una visión integral y controlada de los mismos, por lo que lograr los objetivos organizacionales se convierte en un gran problema.
El objetivo principal de la Gobernabilidad de Datos consiste en asegurar que exista visión integral de los datos, que haya comunicación entre negocio y TI, que las unidades de negocio están alineadas, que los datos sean lo que deben ser, sin dejar a un lado el monitoreo y protección de los mismos, al ser estos uno de los activos más importantes de las organizaciones.
Para implementar Gobernabilidad de Datos en una empresa es imprescindible establecer procesos, políticas y roles; a través de un equipo conformado por profesionales de TI y de las áreas de negocio involucradas, cuya misión sea justamente entender los datos en búsqueda de alcanzar los objetivos organizacionales.
La Gestión de los Datos subyacente a la Gobernabilidad de Datos de una empresa no es más que la Gestión del Conocimiento que se realiza con ellos.
Las ventajas que se pueden nombrar al establecer un Gobierno de Datos son:
– Mejorar la calidad de la información y la integridad de los datos
– Aumentar la eficiencia operativa a través de proyectos de BI que permitan obtener visualizaciones para establecer pronósticos de comportamiento de los productos o servicios ofrecidos
– Ser más agiles al colocar nuevos productos en el mercado
– Reducir el posible solapamiento de funciones y/o trabajos repetitivos en el análisis de los datos
– Mejorar el uso del tiempo
Con la implementación de la Gobernabilidad de Datos, las diferentes áreas de negocio involucradas podrán acceder a sus implementaciones de BI con plena confianza de que los datos obtenidos le permitirán tomar las decisiones adecuadas sin intervención del equipo de TI, quienes podrán dedicarse a realizar otro tipo de actividades más estratégicas para su línea de reporte.
Jeymin Medina
Jeimyn Medina Ingeniero de Sistemas de la Universidad Bicentenaria de Aragua, con un Diplomado en “Gestión de la Innovación” de la Universidad Simón Bolívar y un Diplomado en “Tecnologías de Información en Gestión de Grandes Volúmenes de Datos” de la Universidad Tecnológica del Centro. Cuenta con 20 años de experiencia, de los cuales durante 11 años participó en el desarrollo de proyectos de Inteligencia de Negocios en el sector bancario, ocupando roles de liderazgo.
Grid
Hyper: Revolucione sus motores de datos
Hyper es la nueva tecnología de motor de datos en memoria de alto rendimiento de Tableau, diseñada para acelerar la ingesta de datos y el procesamiento analítico de consultas en conjuntos de datos grandes y complejos.
Hyper, la tecnología incluida en Tableau 10.5, optimiza la creación de extracciones, actualiza el rendimiento y admite conjuntos de datos aún más grandes. Esto le permitirá beneficiarse de velocidades de consultas cinco veces más rápidas y una velocidad de creación de extracciones hasta tres veces mayor. Como resultado, los clientes pueden crear las extracciones en función de las necesidades de su negocio, sin preocuparse por establecer limitaciones. Asimismo, para mantener a los clientes en el flujo de análisis, Hyper puede completar consultas sobre grandes conjuntos de datos en solo unos segundos. Gracias al rendimiento acelerado de las consultas, los dashboards complejos se abren con mayor rapidez, los filtros son más veloces y la incorporación de nuevos campos a las visualizaciones es casi instantánea. Hyper tiene sus orígenes en la Universidad Técnica de Múnich (TUM), en Alemania. Más tarde, Tableau adquirió la filial comercial e integró la tecnología al producto en menos de 18 meses.
Hyper también ayuda a los clientes a adaptar sus extracciones para un uso más amplio. Para ello, aprovecha los avances en procesadores de múltiples núcleos y la implementación de novedosas técnicas de paralelización de las cargas de trabajo. La tecnología Hyper constituye un rápido sistema en memoria diseñado para ejecutar cargas de trabajo transaccionales y analíticas sin afectar al rendimiento. Mediante el uso de técnicas de optimización de consultas innovadoras y un estado de almacenamiento en la misma columna para todas las cargas de trabajo, Hyper ayudará a acercar a los clientes a sus datos.
Diseño exclusivo de Hyper
Durante la última década, los motores de datos en memoria y las tecnologías de análisis de bases de datos incorporaron distintas técnicas, como el muestreo y el resumen. Con ellas, lograron incrementar enormemente el rendimiento de las consultas. Sin embargo, estas mejoras de rendimiento tuvieron un costo. Muchos sistemas sacrificaron rendimiento de escritura (indispensable para la velocidad en la creación de extracciones y las actualizaciones) en pro de optimizar el rendimiento de la carga de análisis. Cuando la escritura es lenta, los datos pierden relevancia y se vuelven obsoletos. ¿Cuál fue el resultado? Se generó una desconexión entre las personas y los datos que estas deseaban analizar. La misión de Hyper es acercar los datos a las personas mediante una escritura y una carga de análisis veloces. En resumen, Hyper proporciona datos actualizados con rapidez. De ese modo, le permite analizar una vista más amplia y completa de sus datos.
Redefinición de la arquitectura de sistema: un estado para las transacciones y las consultas analíticas
Con Hyper, las transacciones y las consultas analíticas se procesan en el mismo almacén de columnas, sin necesidad de volver a procesar los datos después de su obtención e importación. Así, se reduce la cantidad de datos obsoletos y se minimiza la desconexión entre los sistemas especializados. La metodología exclusiva de Hyper admite la combinación de intensas cargas de trabajo de escritura y lectura en un mismo sistema. En consecuencia, se pueden crear extracciones con rapidez sin sacrificar el rendimiento de consulta. Se gana en todos los frentes.
Una nueva metodología para la ejecución de consultas: generación de código dinámico
Hyper usa un novedoso modelo de ejecución de compilación JIT (Just-In-Time). Muchos otros sistemas usan modelos tradicionales de ejecución de consultas que no pueden aprovechar por completo el hardware moderno de varios núcleos. Por el contrario, Hyper optimiza y compila las consultas en código informático personalizado para hacer un uso más eficaz del hardware subyacente. Cuando Hyper recibe una consulta, crea un árbol, lo optimiza de manera lógica y, después, lo usa como modelo para generar el programa específico que se va a ejecutar. Como resultado, se optimiza el uso del hardware moderno para una ejecución de consultas más rápida.
Mayor aprovechamiento del hardware: paralelización basada en fragmentos
Hyper fue diseñado desde cero para entornos grandes de varios núcleos. Este modelo de paralelización se basa en unidades de trabajo muy pequeñas (fragmentos). Estos fragmentos se asignan de manera eficaz a todos los núcleos disponibles y permiten a Hyper responder, con mayor precisión, ante las diferencias de velocidad de los núcleos. En consecuencia, el hardware se usa con mayor eficacia y el rendimiento es superior.
Actualización del extracto a formato .hyper
En esta versión de Tableau (a partir de la 10.5), los nuevos extractos utilizan el formato .hyper en lugar del formato .tde.
Aunque existen muchas ventajas ya mencionadas en el uso de extractos .hyper, las ventajas principales son las siguientes:
- Crear extracciones de mayor tamaño: las extracciones en formato .hyper pueden contener miles de millones de filas de datos. Como las extracciones .hyper admiten más datos, puede utilizar la versión de Tableau Desktop 10.5 para consolidar las extracciones .tde que anteriormente tenía que crear por separado.
- Creación y actualización más rápida de extractos: mientras que Tableau siempre ha optimizado el rendimiento para la creación y actualización de extractos, esta versión admite la creación y actualización de extractos para conjuntos de datos aún más grandes.
- Un mejor rendimiento al interactuar con las vistas que utilizan fuentes de datos de extracción de mayor tamaño: vistas que utilizan fuentes de datos de extracción para obtener un mejor rendimiento que el que tenían anteriormente. Aunque las extracciones más pequeñas siguen funcionando eficazmente, las de mayor tamaño tienen un rendimiento más eficiente.
Sabino Flores
BI y gobernabilidad de los datos
Matrix CPM Solutions puede apoyarle en la concepción de proyectos de BI que le permitan autogestionar sus datos y empoderarse de ellos
Hoy en día es muy importante para cualquier organización conocer sus datos y poder -en base a ellos- responder rápidamente a situaciones cotidianas que puedan potenciar su negocio.
Cuando en una organización cada unidad de negocio trabaja de forma aislada con sus datos, o sencillamente no los utiliza o analiza, no existe una visión integral y controlada de los mismos, por lo que lograr los objetivos organizacionales se convierte en un gran problema.
El objetivo principal de la Gobernabilidad de Datos consiste en asegurar que exista visión integral de los datos, que haya comunicación entre negocio y TI, que las unidades de negocio están alineadas, que los datos sean lo que deben ser, sin dejar a un lado el monitoreo y protección de los mismos, al ser estos uno de los activos más importantes de las organizaciones.
Para implementar Gobernabilidad de Datos en una empresa es imprescindible establecer procesos, políticas y roles; a través de un equipo conformado por profesionales de TI y de las áreas de negocio involucradas, cuya misión sea justamente entender los datos en búsqueda de alcanzar los objetivos organizacionales.
La Gestión de los Datos subyacente a la Gobernabilidad de Datos de una empresa no es más que la Gestión del Conocimiento que se realiza con ellos.
Las ventajas que se pueden nombrar al establecer un Gobierno de Datos son:
– Mejorar la calidad de la información y la integridad de los datos
– Aumentar la eficiencia operativa a través de proyectos de BI que permitan obtener visualizaciones para establecer pronósticos de comportamiento de los productos o servicios ofrecidos
– Ser más agiles al colocar nuevos productos en el mercado
– Reducir el posible solapamiento de funciones y/o trabajos repetitivos en el análisis de los datos
– Mejorar el uso del tiempo
Con la implementación de la Gobernabilidad de Datos, las diferentes áreas de negocio involucradas podrán acceder a sus implementaciones de BI con plena confianza de que los datos obtenidos le permitirán tomar las decisiones adecuadas sin intervención del equipo de TI, quienes podrán dedicarse a realizar otro tipo de actividades más estratégicas para su línea de reporte.
Jeymin Medina
Jeimyn Medina Ingeniero de Sistemas de la Universidad Bicentenaria de Aragua, con un Diplomado en “Gestión de la Innovación” de la Universidad Simón Bolívar y un Diplomado en “Tecnologías de Información en Gestión de Grandes Volúmenes de Datos” de la Universidad Tecnológica del Centro. Cuenta con 20 años de experiencia, de los cuales durante 11 años participó en el desarrollo de proyectos de Inteligencia de Negocios en el sector bancario, ocupando roles de liderazgo.
Qué es un KPI y como se puede usar para mejorar el rendimiento de una organización
¿Cómo puede usarse para mejorar el rendimiento de una organización?
Con el advenimiento de las nuevas tecnologías han surgido diversas métricas para evaluar el comportamiento de las organizaciones, algunas de estas métricas son de aplicación general y otras pueden ser especificas dependiendo del tipo de organización que se trate: ya sea que esté dedicada a procesos de transformación, que preste servicios, se dedique a la agricultura, sea una empresa del sector bancario, etc.
A esta serie de métricas se les conoce como KPI’s, pero ¿qué es un KPI?
Un KPI es una medida o indicador que ayuda a una organización a entender qué tan bien está respecto con sus metas y objetivos estratégicos definidos. Es decir, un KPI muestra si una organización va en el camino correcto o no.
Los KPI’s también ayudan a reducir la complejidad del desempeño organizativo a un número pequeño y manejable de indicadores -estos indicadores ofrecen información que puede, a su vez, ayudar a la toma de decisiones y, por ende, mejorar el rendimiento de dicha organización-.
Ahora bien, ¿qué se debe tomar en cuenta para definir estos KPI’s?
Objetivo estratégico
Al definir un KPI siempre es mejor especificar claramente a qué objetivo estratégico se relaciona, de modo que todos los que miren dicho KPI de inmediato aprecien su relevancia y su aplicación dentro del entorno de la organización.
Ejemplo: Nivel de satisfacción del cliente, nivel de mermas, etc.
Audiencia y acceso
Los KPI’s no son para todos, hay que definir su audiencia principal: para quién es esta información, quién tendrá acceso a ella y a que área aplica, con esto podremos realizar tableros de indicadores (Dashboards) definidos para cierto tipo de auditorios.
Ejemplo: Directivos, personal de las áreas productivas, de áreas de RRHH o de ventas.
Preguntas clave de rendimiento
Se deben indicar las preguntas clave de rendimiento que el indicador está ayudando a responder. Esto ayuda a proporcionar un contexto sobre por qué se está introduciendo este KPI en particular y sobre qué tema específico arrojará más luz.
Ejemplo: ¿En qué medida nuestros clientes actuales están satisfechos con nuestro servicio?
Cómo se usará este indicador
Hay que especificar cómo se usará el KPI para que todos tengan claro de qué forma se piensa utilizar la información. También será necesario definir cómo no será usado dicho KPI ya que, a veces, las personas tienen miedo de informar sobre las medidas porque temen que los resultados negativos puedan usarse contra de ellos. Aquí, se puede informar que el KPI no se usará para determinar el rendimiento de las personas y no se vinculará al pago de la bonificación.
Ejemplo: El indicador se usará para evaluar e informar internamente sobre el éxito de nuestros clientes. No se usará para evaluar el desempeño de las personas o para determinar los pagos de bonos.
Nombre del indicador
Cada KPI necesita un nombre para que se pueda debatir colectivamente y tenga un significado único dentro de la organización, en la medida de lo posible se deben evitar nombres que se presten a confusión y puedan interpretar otras métricas, por lo que hay que elegir un nombre que explique claramente de qué se trata.
Ejemplo: Puntaje neto del promotor
Método de recolección de datos
Se debe identificar y describir el método de recopilación de datos que se va a utilizar para cada KPI. Los métodos de recopilación de datos pueden incluir encuestas, cuestionarios, entrevistas, recolección de datos de sensores, grupos focales, recolección automática de datos de sistemas informáticos, así como la recopilación de datos desde archivos de diversos formatos (Texto, Excel, etc).
Ejemplo: los datos se recopilarán mediante una encuesta por correo.
Criterios de evaluación / fórmula / escala
Se deben describir cómo se determinarán los niveles de rendimiento. Esto puede ser cualitativo, en cuyo caso los criterios de evaluación deben ser identificados, puede ser numérico o usar una escala, en cuyo caso se debe identificar la fórmula o escalas con categorías.
Ejemplo: Usando una escala de 0-10 (No es probable – es extremadamente probable), los participantes responderán: ¿Cuán probable es que nos recomiende un amigo?
Objetivos y umbrales de rendimiento
Es recomendable definir un objetivo o punto de referencia para cada indicador. Aquí también se pueden delinear los umbrales de rendimiento, es decir, en cuanto al rendimiento los niveles son juzgados como buenos o malos.
Ejemplo: Indicador de lealtad del cliente del 55% a fines de 2020.
Fuente de datos
Se debe especificar de dónde provienen los datos para que las personas que utilizan el KPI puedan tener la seguridad de su confiabilidad y validez.
Ejemplo: Encuesta de clientes existentes.
Frecuencia de recolección de datos
Hay que Indicar con qué frecuencia se recopilarán los datos del KPI y coordinar las fechas de recolección. Algunos KPI requieren datos que deben ser recogidos continuamente, otros especifican la recolección por hora, diaria, mensual, trimestral o anual. Asegurar que el horario lo permita y se tenga el tiempo suficiente para recopilar los datos, perseguir a las personas cuando sea necesario, analizarlas, agregarlas, resolver cualquier problema y entregar el informe sin dejar de garantizar que los datos que contiene sean lo más recientes posible.
Ejemplo: Recopilación mensual de datos de una muestra del 10% de nuestra base de datos de clientes.
Frecuencia de informes de datos
Se debe especificar cuándo y con qué frecuencia se informarán los datos para el KPI. Con que frecuencia tiene sentido coordinar la recopilación de datos y la generación de informes para garantizar que los datos que se están informando sean tan actualizados como sea posible. ¡No quiera terminar en una situación donde los datos se recopilan en enero y se informan al final del año!
Ejemplo: Informes mensuales.
Entrada de datos (persona responsable)
Es recomendable también especificar el título individual o de trabajo de la persona responsable de la recopilación de datos y las actualizaciones de los mismos. El propietario del KPI puede ser un empleado designado, una función comercial u operacional o una agencia externa.
Ejemplo: Rodrigo Gómez, Asistente de Marketing.
Vencimiento / fecha de revisión
Siempre se debe incluir una fecha de vencimiento o una fecha de revisión. Los KPI’s a veces sólo son necesarios durante un período de tiempo específico y sin una fecha de caducidad o revisión, estos KPI’s pueden continuar indefinidamente, lo que causa un trabajo innecesario. Incluso si los indicadores no son específicos del tiempo o del proyecto, se les debe asignar una fecha de revisión para garantizar que sigan siendo relevantes y útiles.
Ejemplo: En 12 meses.
¿Cuánto costará?
La medición y la recopilación de datos pueden ser costosas. Es importante estimar los costos para recolectar y monitorear un indicador y evaluar si los costos están justificados.
Ejemplo: Los costos son significativos, pero son más baratos que una encuesta tradicional de satisfacción del cliente.
¿Qué tan completo es este indicador?
Se debe evaluar brevemente qué tanto este indicador está ayudando a responder la pregunta clave de rendimiento asociada e identificar sus posibles limitaciones.
Ejemplo: Nos proporciona un buen número simple, pero los datos deberían completarse idealmente con clientes no estructurados retroalimentando sobre lo que es particularmente bueno y lo que podría mejorarse.
Posibles consecuencias no deseadas
Hay que describir brevemente cómo éste indicador podría influir en los comportamientos incorrectos o en cómo las personas pueden hacer trampa con este KPI.
Ejemplo: Las personas podrían influir en los clientes antes de realizar la encuesta o podrían seleccionar clientes que probablemente respondan de forma positiva.
Si ya se tienen KPI’s definidos en la organización hay que revisar si cumplen los puntos anteriores, si requieren ser ajustados o si es necesario adicionar algunos nuevos que sean construidos bajo dichas recomendaciones.
Carlos Osorio
Licenciado en Administración, graduado de la Universidad Nacional Autónoma de Mexico en el año 1996, con estudios de Maestría en Administración de Organizaciones en la misma institución. Ha sido Gerente de Sistemas en diversas instituciones de la banca en México, cuenta con Diplomado en Inteligencia de Negocios en el ITAM y Diplomado en Marketing Digital, Redes Sociales y Mediciones WEB en la UVM. Es socio-fundador de Websinergia y Matrix CPM Solutions en México, actualmente se encuentra como Gerente del Proyecto de Integración del DWH en el Banco Centroamericano de Integración Económica en Honduras.
Medium
Hyper: Revolucione sus motores de datos
Hyper es la nueva tecnología de motor de datos en memoria de alto rendimiento de Tableau, diseñada para acelerar la ingesta de datos y el procesamiento analítico de consultas en conjuntos de datos grandes y complejos.
Hyper, la tecnología incluida en Tableau 10.5, optimiza la creación de extracciones, actualiza el rendimiento y admite conjuntos de datos aún más grandes. Esto le permitirá beneficiarse de velocidades de consultas cinco veces más rápidas y una velocidad de creación de extracciones hasta tres veces mayor. Como resultado, los clientes pueden crear las extracciones en función de las necesidades de su negocio, sin preocuparse por establecer limitaciones. Asimismo, para mantener a los clientes en el flujo de análisis, Hyper puede completar consultas sobre grandes conjuntos de datos en solo unos segundos. Gracias al rendimiento acelerado de las consultas, los dashboards complejos se abren con mayor rapidez, los filtros son más veloces y la incorporación de nuevos campos a las visualizaciones es casi instantánea. Hyper tiene sus orígenes en la Universidad Técnica de Múnich (TUM), en Alemania. Más tarde, Tableau adquirió la filial comercial e integró la tecnología al producto en menos de 18 meses.
Hyper también ayuda a los clientes a adaptar sus extracciones para un uso más amplio. Para ello, aprovecha los avances en procesadores de múltiples núcleos y la implementación de novedosas técnicas de paralelización de las cargas de trabajo. La tecnología Hyper constituye un rápido sistema en memoria diseñado para ejecutar cargas de trabajo transaccionales y analíticas sin afectar al rendimiento. Mediante el uso de técnicas de optimización de consultas innovadoras y un estado de almacenamiento en la misma columna para todas las cargas de trabajo, Hyper ayudará a acercar a los clientes a sus datos.
Diseño exclusivo de Hyper
Durante la última década, los motores de datos en memoria y las tecnologías de análisis de bases de datos incorporaron distintas técnicas, como el muestreo y el resumen. Con ellas, lograron incrementar enormemente el rendimiento de las consultas. Sin embargo, estas mejoras de rendimiento tuvieron un costo. Muchos sistemas sacrificaron rendimiento de escritura (indispensable para la velocidad en la creación de extracciones y las actualizaciones) en pro de optimizar el rendimiento de la carga de análisis. Cuando la escritura es lenta, los datos pierden relevancia y se vuelven obsoletos. ¿Cuál fue el resultado? Se generó una desconexión entre las personas y los datos que estas deseaban analizar. La misión de Hyper es acercar los datos a las personas mediante una escritura y una carga de análisis veloces. En resumen, Hyper proporciona datos actualizados con rapidez. De ese modo, le permite analizar una vista más amplia y completa de sus datos.
Redefinición de la arquitectura de sistema: un estado para las transacciones y las consultas analíticas
Con Hyper, las transacciones y las consultas analíticas se procesan en el mismo almacén de columnas, sin necesidad de volver a procesar los datos después de su obtención e importación. Así, se reduce la cantidad de datos obsoletos y se minimiza la desconexión entre los sistemas especializados. La metodología exclusiva de Hyper admite la combinación de intensas cargas de trabajo de escritura y lectura en un mismo sistema. En consecuencia, se pueden crear extracciones con rapidez sin sacrificar el rendimiento de consulta. Se gana en todos los frentes.
Una nueva metodología para la ejecución de consultas: generación de código dinámico
Hyper usa un novedoso modelo de ejecución de compilación JIT (Just-In-Time). Muchos otros sistemas usan modelos tradicionales de ejecución de consultas que no pueden aprovechar por completo el hardware moderno de varios núcleos. Por el contrario, Hyper optimiza y compila las consultas en código informático personalizado para hacer un uso más eficaz del hardware subyacente. Cuando Hyper recibe una consulta, crea un árbol, lo optimiza de manera lógica y, después, lo usa como modelo para generar el programa específico que se va a ejecutar. Como resultado, se optimiza el uso del hardware moderno para una ejecución de consultas más rápida.
Mayor aprovechamiento del hardware: paralelización basada en fragmentos
Hyper fue diseñado desde cero para entornos grandes de varios núcleos. Este modelo de paralelización se basa en unidades de trabajo muy pequeñas (fragmentos). Estos fragmentos se asignan de manera eficaz a todos los núcleos disponibles y permiten a Hyper responder, con mayor precisión, ante las diferencias de velocidad de los núcleos. En consecuencia, el hardware se usa con mayor eficacia y el rendimiento es superior.
Actualización del extracto a formato .hyper
En esta versión de Tableau (a partir de la 10.5), los nuevos extractos utilizan el formato .hyper en lugar del formato .tde.
Aunque existen muchas ventajas ya mencionadas en el uso de extractos .hyper, las ventajas principales son las siguientes:
- Crear extracciones de mayor tamaño: las extracciones en formato .hyper pueden contener miles de millones de filas de datos. Como las extracciones .hyper admiten más datos, puede utilizar la versión de Tableau Desktop 10.5 para consolidar las extracciones .tde que anteriormente tenía que crear por separado.
- Creación y actualización más rápida de extractos: mientras que Tableau siempre ha optimizado el rendimiento para la creación y actualización de extractos, esta versión admite la creación y actualización de extractos para conjuntos de datos aún más grandes.
- Un mejor rendimiento al interactuar con las vistas que utilizan fuentes de datos de extracción de mayor tamaño: vistas que utilizan fuentes de datos de extracción para obtener un mejor rendimiento que el que tenían anteriormente. Aunque las extracciones más pequeñas siguen funcionando eficazmente, las de mayor tamaño tienen un rendimiento más eficiente.
Sabino Flores
BI y gobernabilidad de los datos
Matrix CPM Solutions puede apoyarle en la concepción de proyectos de BI que le permitan autogestionar sus datos y empoderarse de ellos
Hoy en día es muy importante para cualquier organización conocer sus datos y poder -en base a ellos- responder rápidamente a situaciones cotidianas que puedan potenciar su negocio.
Cuando en una organización cada unidad de negocio trabaja de forma aislada con sus datos, o sencillamente no los utiliza o analiza, no existe una visión integral y controlada de los mismos, por lo que lograr los objetivos organizacionales se convierte en un gran problema.
El objetivo principal de la Gobernabilidad de Datos consiste en asegurar que exista visión integral de los datos, que haya comunicación entre negocio y TI, que las unidades de negocio están alineadas, que los datos sean lo que deben ser, sin dejar a un lado el monitoreo y protección de los mismos, al ser estos uno de los activos más importantes de las organizaciones.
Para implementar Gobernabilidad de Datos en una empresa es imprescindible establecer procesos, políticas y roles; a través de un equipo conformado por profesionales de TI y de las áreas de negocio involucradas, cuya misión sea justamente entender los datos en búsqueda de alcanzar los objetivos organizacionales.
La Gestión de los Datos subyacente a la Gobernabilidad de Datos de una empresa no es más que la Gestión del Conocimiento que se realiza con ellos.
Las ventajas que se pueden nombrar al establecer un Gobierno de Datos son:
– Mejorar la calidad de la información y la integridad de los datos
– Aumentar la eficiencia operativa a través de proyectos de BI que permitan obtener visualizaciones para establecer pronósticos de comportamiento de los productos o servicios ofrecidos
– Ser más agiles al colocar nuevos productos en el mercado
– Reducir el posible solapamiento de funciones y/o trabajos repetitivos en el análisis de los datos
– Mejorar el uso del tiempo
Con la implementación de la Gobernabilidad de Datos, las diferentes áreas de negocio involucradas podrán acceder a sus implementaciones de BI con plena confianza de que los datos obtenidos le permitirán tomar las decisiones adecuadas sin intervención del equipo de TI, quienes podrán dedicarse a realizar otro tipo de actividades más estratégicas para su línea de reporte.
Jeymin Medina
Jeimyn Medina Ingeniero de Sistemas de la Universidad Bicentenaria de Aragua, con un Diplomado en “Gestión de la Innovación” de la Universidad Simón Bolívar y un Diplomado en “Tecnologías de Información en Gestión de Grandes Volúmenes de Datos” de la Universidad Tecnológica del Centro. Cuenta con 20 años de experiencia, de los cuales durante 11 años participó en el desarrollo de proyectos de Inteligencia de Negocios en el sector bancario, ocupando roles de liderazgo.
Large
Hyper: Revolucione sus motores de datos
Hyper es la nueva tecnología de motor de datos en memoria de alto rendimiento de Tableau, diseñada para acelerar la ingesta de datos y el procesamiento analítico de consultas en conjuntos de datos grandes y complejos.
Hyper, la tecnología incluida en Tableau 10.5, optimiza la creación de extracciones, actualiza el rendimiento y admite conjuntos de datos aún más grandes. Esto le permitirá beneficiarse de velocidades de consultas cinco veces más rápidas y una velocidad de creación de extracciones hasta tres veces mayor. Como resultado, los clientes pueden crear las extracciones en función de las necesidades de su negocio, sin preocuparse por establecer limitaciones. Asimismo, para mantener a los clientes en el flujo de análisis, Hyper puede completar consultas sobre grandes conjuntos de datos en solo unos segundos. Gracias al rendimiento acelerado de las consultas, los dashboards complejos se abren con mayor rapidez, los filtros son más veloces y la incorporación de nuevos campos a las visualizaciones es casi instantánea. Hyper tiene sus orígenes en la Universidad Técnica de Múnich (TUM), en Alemania. Más tarde, Tableau adquirió la filial comercial e integró la tecnología al producto en menos de 18 meses.
Hyper también ayuda a los clientes a adaptar sus extracciones para un uso más amplio. Para ello, aprovecha los avances en procesadores de múltiples núcleos y la implementación de novedosas técnicas de paralelización de las cargas de trabajo. La tecnología Hyper constituye un rápido sistema en memoria diseñado para ejecutar cargas de trabajo transaccionales y analíticas sin afectar al rendimiento. Mediante el uso de técnicas de optimización de consultas innovadoras y un estado de almacenamiento en la misma columna para todas las cargas de trabajo, Hyper ayudará a acercar a los clientes a sus datos.
Diseño exclusivo de Hyper
Durante la última década, los motores de datos en memoria y las tecnologías de análisis de bases de datos incorporaron distintas técnicas, como el muestreo y el resumen. Con ellas, lograron incrementar enormemente el rendimiento de las consultas. Sin embargo, estas mejoras de rendimiento tuvieron un costo. Muchos sistemas sacrificaron rendimiento de escritura (indispensable para la velocidad en la creación de extracciones y las actualizaciones) en pro de optimizar el rendimiento de la carga de análisis. Cuando la escritura es lenta, los datos pierden relevancia y se vuelven obsoletos. ¿Cuál fue el resultado? Se generó una desconexión entre las personas y los datos que estas deseaban analizar. La misión de Hyper es acercar los datos a las personas mediante una escritura y una carga de análisis veloces. En resumen, Hyper proporciona datos actualizados con rapidez. De ese modo, le permite analizar una vista más amplia y completa de sus datos.
Redefinición de la arquitectura de sistema: un estado para las transacciones y las consultas analíticas
Con Hyper, las transacciones y las consultas analíticas se procesan en el mismo almacén de columnas, sin necesidad de volver a procesar los datos después de su obtención e importación. Así, se reduce la cantidad de datos obsoletos y se minimiza la desconexión entre los sistemas especializados. La metodología exclusiva de Hyper admite la combinación de intensas cargas de trabajo de escritura y lectura en un mismo sistema. En consecuencia, se pueden crear extracciones con rapidez sin sacrificar el rendimiento de consulta. Se gana en todos los frentes.
Una nueva metodología para la ejecución de consultas: generación de código dinámico
Hyper usa un novedoso modelo de ejecución de compilación JIT (Just-In-Time). Muchos otros sistemas usan modelos tradicionales de ejecución de consultas que no pueden aprovechar por completo el hardware moderno de varios núcleos. Por el contrario, Hyper optimiza y compila las consultas en código informático personalizado para hacer un uso más eficaz del hardware subyacente. Cuando Hyper recibe una consulta, crea un árbol, lo optimiza de manera lógica y, después, lo usa como modelo para generar el programa específico que se va a ejecutar. Como resultado, se optimiza el uso del hardware moderno para una ejecución de consultas más rápida.
Mayor aprovechamiento del hardware: paralelización basada en fragmentos
Hyper fue diseñado desde cero para entornos grandes de varios núcleos. Este modelo de paralelización se basa en unidades de trabajo muy pequeñas (fragmentos). Estos fragmentos se asignan de manera eficaz a todos los núcleos disponibles y permiten a Hyper responder, con mayor precisión, ante las diferencias de velocidad de los núcleos. En consecuencia, el hardware se usa con mayor eficacia y el rendimiento es superior.
Actualización del extracto a formato .hyper
En esta versión de Tableau (a partir de la 10.5), los nuevos extractos utilizan el formato .hyper en lugar del formato .tde.
Aunque existen muchas ventajas ya mencionadas en el uso de extractos .hyper, las ventajas principales son las siguientes:
- Crear extracciones de mayor tamaño: las extracciones en formato .hyper pueden contener miles de millones de filas de datos. Como las extracciones .hyper admiten más datos, puede utilizar la versión de Tableau Desktop 10.5 para consolidar las extracciones .tde que anteriormente tenía que crear por separado.
- Creación y actualización más rápida de extractos: mientras que Tableau siempre ha optimizado el rendimiento para la creación y actualización de extractos, esta versión admite la creación y actualización de extractos para conjuntos de datos aún más grandes.
- Un mejor rendimiento al interactuar con las vistas que utilizan fuentes de datos de extracción de mayor tamaño: vistas que utilizan fuentes de datos de extracción para obtener un mejor rendimiento que el que tenían anteriormente. Aunque las extracciones más pequeñas siguen funcionando eficazmente, las de mayor tamaño tienen un rendimiento más eficiente.
Sabino Flores
BI y gobernabilidad de los datos
Matrix CPM Solutions puede apoyarle en la concepción de proyectos de BI que le permitan autogestionar sus datos y empoderarse de ellos
Hoy en día es muy importante para cualquier organización conocer sus datos y poder -en base a ellos- responder rápidamente a situaciones cotidianas que puedan potenciar su negocio.
Cuando en una organización cada unidad de negocio trabaja de forma aislada con sus datos, o sencillamente no los utiliza o analiza, no existe una visión integral y controlada de los mismos, por lo que lograr los objetivos organizacionales se convierte en un gran problema.
El objetivo principal de la Gobernabilidad de Datos consiste en asegurar que exista visión integral de los datos, que haya comunicación entre negocio y TI, que las unidades de negocio están alineadas, que los datos sean lo que deben ser, sin dejar a un lado el monitoreo y protección de los mismos, al ser estos uno de los activos más importantes de las organizaciones.
Para implementar Gobernabilidad de Datos en una empresa es imprescindible establecer procesos, políticas y roles; a través de un equipo conformado por profesionales de TI y de las áreas de negocio involucradas, cuya misión sea justamente entender los datos en búsqueda de alcanzar los objetivos organizacionales.
La Gestión de los Datos subyacente a la Gobernabilidad de Datos de una empresa no es más que la Gestión del Conocimiento que se realiza con ellos.
Las ventajas que se pueden nombrar al establecer un Gobierno de Datos son:
– Mejorar la calidad de la información y la integridad de los datos
– Aumentar la eficiencia operativa a través de proyectos de BI que permitan obtener visualizaciones para establecer pronósticos de comportamiento de los productos o servicios ofrecidos
– Ser más agiles al colocar nuevos productos en el mercado
– Reducir el posible solapamiento de funciones y/o trabajos repetitivos en el análisis de los datos
– Mejorar el uso del tiempo
Con la implementación de la Gobernabilidad de Datos, las diferentes áreas de negocio involucradas podrán acceder a sus implementaciones de BI con plena confianza de que los datos obtenidos le permitirán tomar las decisiones adecuadas sin intervención del equipo de TI, quienes podrán dedicarse a realizar otro tipo de actividades más estratégicas para su línea de reporte.
Jeymin Medina
Jeimyn Medina Ingeniero de Sistemas de la Universidad Bicentenaria de Aragua, con un Diplomado en “Gestión de la Innovación” de la Universidad Simón Bolívar y un Diplomado en “Tecnologías de Información en Gestión de Grandes Volúmenes de Datos” de la Universidad Tecnológica del Centro. Cuenta con 20 años de experiencia, de los cuales durante 11 años participó en el desarrollo de proyectos de Inteligencia de Negocios en el sector bancario, ocupando roles de liderazgo.
Large Alt
Hyper: Revolucione sus motores de datos
Hyper es la nueva tecnología de motor de datos en memoria de alto rendimiento de Tableau, diseñada para acelerar la ingesta de datos y el procesamiento analítico de consultas en conjuntos de datos grandes y complejos.
Hyper, la tecnología incluida en Tableau 10.5, optimiza la creación de extracciones, actualiza el rendimiento y admite conjuntos de datos aún más grandes. Esto le permitirá beneficiarse de velocidades de consultas cinco veces más rápidas y una velocidad de creación de extracciones hasta tres veces mayor. Como resultado, los clientes pueden crear las extracciones en función de las necesidades de su negocio, sin preocuparse por establecer limitaciones. Asimismo, para mantener a los clientes en el flujo de análisis, Hyper puede completar consultas sobre grandes conjuntos de datos en solo unos segundos. Gracias al rendimiento acelerado de las consultas, los dashboards complejos se abren con mayor rapidez, los filtros son más veloces y la incorporación de nuevos campos a las visualizaciones es casi instantánea. Hyper tiene sus orígenes en la Universidad Técnica de Múnich (TUM), en Alemania. Más tarde, Tableau adquirió la filial comercial e integró la tecnología al producto en menos de 18 meses.
Hyper también ayuda a los clientes a adaptar sus extracciones para un uso más amplio. Para ello, aprovecha los avances en procesadores de múltiples núcleos y la implementación de novedosas técnicas de paralelización de las cargas de trabajo. La tecnología Hyper constituye un rápido sistema en memoria diseñado para ejecutar cargas de trabajo transaccionales y analíticas sin afectar al rendimiento. Mediante el uso de técnicas de optimización de consultas innovadoras y un estado de almacenamiento en la misma columna para todas las cargas de trabajo, Hyper ayudará a acercar a los clientes a sus datos.
Diseño exclusivo de Hyper
Durante la última década, los motores de datos en memoria y las tecnologías de análisis de bases de datos incorporaron distintas técnicas, como el muestreo y el resumen. Con ellas, lograron incrementar enormemente el rendimiento de las consultas. Sin embargo, estas mejoras de rendimiento tuvieron un costo. Muchos sistemas sacrificaron rendimiento de escritura (indispensable para la velocidad en la creación de extracciones y las actualizaciones) en pro de optimizar el rendimiento de la carga de análisis. Cuando la escritura es lenta, los datos pierden relevancia y se vuelven obsoletos. ¿Cuál fue el resultado? Se generó una desconexión entre las personas y los datos que estas deseaban analizar. La misión de Hyper es acercar los datos a las personas mediante una escritura y una carga de análisis veloces. En resumen, Hyper proporciona datos actualizados con rapidez. De ese modo, le permite analizar una vista más amplia y completa de sus datos.
Redefinición de la arquitectura de sistema: un estado para las transacciones y las consultas analíticas
Con Hyper, las transacciones y las consultas analíticas se procesan en el mismo almacén de columnas, sin necesidad de volver a procesar los datos después de su obtención e importación. Así, se reduce la cantidad de datos obsoletos y se minimiza la desconexión entre los sistemas especializados. La metodología exclusiva de Hyper admite la combinación de intensas cargas de trabajo de escritura y lectura en un mismo sistema. En consecuencia, se pueden crear extracciones con rapidez sin sacrificar el rendimiento de consulta. Se gana en todos los frentes.
Una nueva metodología para la ejecución de consultas: generación de código dinámico
Hyper usa un novedoso modelo de ejecución de compilación JIT (Just-In-Time). Muchos otros sistemas usan modelos tradicionales de ejecución de consultas que no pueden aprovechar por completo el hardware moderno de varios núcleos. Por el contrario, Hyper optimiza y compila las consultas en código informático personalizado para hacer un uso más eficaz del hardware subyacente. Cuando Hyper recibe una consulta, crea un árbol, lo optimiza de manera lógica y, después, lo usa como modelo para generar el programa específico que se va a ejecutar. Como resultado, se optimiza el uso del hardware moderno para una ejecución de consultas más rápida.
Mayor aprovechamiento del hardware: paralelización basada en fragmentos
Hyper fue diseñado desde cero para entornos grandes de varios núcleos. Este modelo de paralelización se basa en unidades de trabajo muy pequeñas (fragmentos). Estos fragmentos se asignan de manera eficaz a todos los núcleos disponibles y permiten a Hyper responder, con mayor precisión, ante las diferencias de velocidad de los núcleos. En consecuencia, el hardware se usa con mayor eficacia y el rendimiento es superior.
Actualización del extracto a formato .hyper
En esta versión de Tableau (a partir de la 10.5), los nuevos extractos utilizan el formato .hyper en lugar del formato .tde.
Aunque existen muchas ventajas ya mencionadas en el uso de extractos .hyper, las ventajas principales son las siguientes:
- Crear extracciones de mayor tamaño: las extracciones en formato .hyper pueden contener miles de millones de filas de datos. Como las extracciones .hyper admiten más datos, puede utilizar la versión de Tableau Desktop 10.5 para consolidar las extracciones .tde que anteriormente tenía que crear por separado.
- Creación y actualización más rápida de extractos: mientras que Tableau siempre ha optimizado el rendimiento para la creación y actualización de extractos, esta versión admite la creación y actualización de extractos para conjuntos de datos aún más grandes.
- Un mejor rendimiento al interactuar con las vistas que utilizan fuentes de datos de extracción de mayor tamaño: vistas que utilizan fuentes de datos de extracción para obtener un mejor rendimiento que el que tenían anteriormente. Aunque las extracciones más pequeñas siguen funcionando eficazmente, las de mayor tamaño tienen un rendimiento más eficiente.
Sabino Flores
BI y gobernabilidad de los datos
Matrix CPM Solutions puede apoyarle en la concepción de proyectos de BI que le permitan autogestionar sus datos y empoderarse de ellos
Hoy en día es muy importante para cualquier organización conocer sus datos y poder -en base a ellos- responder rápidamente a situaciones cotidianas que puedan potenciar su negocio.
Cuando en una organización cada unidad de negocio trabaja de forma aislada con sus datos, o sencillamente no los utiliza o analiza, no existe una visión integral y controlada de los mismos, por lo que lograr los objetivos organizacionales se convierte en un gran problema.
El objetivo principal de la Gobernabilidad de Datos consiste en asegurar que exista visión integral de los datos, que haya comunicación entre negocio y TI, que las unidades de negocio están alineadas, que los datos sean lo que deben ser, sin dejar a un lado el monitoreo y protección de los mismos, al ser estos uno de los activos más importantes de las organizaciones.
Para implementar Gobernabilidad de Datos en una empresa es imprescindible establecer procesos, políticas y roles; a través de un equipo conformado por profesionales de TI y de las áreas de negocio involucradas, cuya misión sea justamente entender los datos en búsqueda de alcanzar los objetivos organizacionales.
La Gestión de los Datos subyacente a la Gobernabilidad de Datos de una empresa no es más que la Gestión del Conocimiento que se realiza con ellos.
Las ventajas que se pueden nombrar al establecer un Gobierno de Datos son:
– Mejorar la calidad de la información y la integridad de los datos
– Aumentar la eficiencia operativa a través de proyectos de BI que permitan obtener visualizaciones para establecer pronósticos de comportamiento de los productos o servicios ofrecidos
– Ser más agiles al colocar nuevos productos en el mercado
– Reducir el posible solapamiento de funciones y/o trabajos repetitivos en el análisis de los datos
– Mejorar el uso del tiempo
Con la implementación de la Gobernabilidad de Datos, las diferentes áreas de negocio involucradas podrán acceder a sus implementaciones de BI con plena confianza de que los datos obtenidos le permitirán tomar las decisiones adecuadas sin intervención del equipo de TI, quienes podrán dedicarse a realizar otro tipo de actividades más estratégicas para su línea de reporte.
Jeymin Medina
Jeimyn Medina Ingeniero de Sistemas de la Universidad Bicentenaria de Aragua, con un Diplomado en “Gestión de la Innovación” de la Universidad Simón Bolívar y un Diplomado en “Tecnologías de Información en Gestión de Grandes Volúmenes de Datos” de la Universidad Tecnológica del Centro. Cuenta con 20 años de experiencia, de los cuales durante 11 años participó en el desarrollo de proyectos de Inteligencia de Negocios en el sector bancario, ocupando roles de liderazgo.
Full
Hyper: Revolucione sus motores de datos
Hyper es la nueva tecnología de motor de datos en memoria de alto rendimiento de Tableau, diseñada para acelerar la ingesta de datos y el procesamiento analítico de consultas en conjuntos de datos grandes y complejos.
Hyper, la tecnología incluida en Tableau 10.5, optimiza la creación de extracciones, actualiza el rendimiento y admite conjuntos de datos aún más grandes. Esto le permitirá beneficiarse de velocidades de consultas cinco veces más rápidas y una velocidad de creación de extracciones hasta tres veces mayor. Como resultado, los clientes pueden crear las extracciones en función de las necesidades de su negocio, sin preocuparse por establecer limitaciones. Asimismo, para mantener a los clientes en el flujo de análisis, Hyper puede completar consultas sobre grandes conjuntos de datos en solo unos segundos. Gracias al rendimiento acelerado de las consultas, los dashboards complejos se abren con mayor rapidez, los filtros son más veloces y la incorporación de nuevos campos a las visualizaciones es casi instantánea. Hyper tiene sus orígenes en la Universidad Técnica de Múnich (TUM), en Alemania. Más tarde, Tableau adquirió la filial comercial e integró la tecnología al producto en menos de 18 meses.
Hyper también ayuda a los clientes a adaptar sus extracciones para un uso más amplio. Para ello, aprovecha los avances en procesadores de múltiples núcleos y la implementación de novedosas técnicas de paralelización de las cargas de trabajo. La tecnología Hyper constituye un rápido sistema en memoria diseñado para ejecutar cargas de trabajo transaccionales y analíticas sin afectar al rendimiento. Mediante el uso de técnicas de optimización de consultas innovadoras y un estado de almacenamiento en la misma columna para todas las cargas de trabajo, Hyper ayudará a acercar a los clientes a sus datos.
Diseño exclusivo de Hyper
Durante la última década, los motores de datos en memoria y las tecnologías de análisis de bases de datos incorporaron distintas técnicas, como el muestreo y el resumen. Con ellas, lograron incrementar enormemente el rendimiento de las consultas. Sin embargo, estas mejoras de rendimiento tuvieron un costo. Muchos sistemas sacrificaron rendimiento de escritura (indispensable para la velocidad en la creación de extracciones y las actualizaciones) en pro de optimizar el rendimiento de la carga de análisis. Cuando la escritura es lenta, los datos pierden relevancia y se vuelven obsoletos. ¿Cuál fue el resultado? Se generó una desconexión entre las personas y los datos que estas deseaban analizar. La misión de Hyper es acercar los datos a las personas mediante una escritura y una carga de análisis veloces. En resumen, Hyper proporciona datos actualizados con rapidez. De ese modo, le permite analizar una vista más amplia y completa de sus datos.
Redefinición de la arquitectura de sistema: un estado para las transacciones y las consultas analíticas
Con Hyper, las transacciones y las consultas analíticas se procesan en el mismo almacén de columnas, sin necesidad de volver a procesar los datos después de su obtención e importación. Así, se reduce la cantidad de datos obsoletos y se minimiza la desconexión entre los sistemas especializados. La metodología exclusiva de Hyper admite la combinación de intensas cargas de trabajo de escritura y lectura en un mismo sistema. En consecuencia, se pueden crear extracciones con rapidez sin sacrificar el rendimiento de consulta. Se gana en todos los frentes.
Una nueva metodología para la ejecución de consultas: generación de código dinámico
Hyper usa un novedoso modelo de ejecución de compilación JIT (Just-In-Time). Muchos otros sistemas usan modelos tradicionales de ejecución de consultas que no pueden aprovechar por completo el hardware moderno de varios núcleos. Por el contrario, Hyper optimiza y compila las consultas en código informático personalizado para hacer un uso más eficaz del hardware subyacente. Cuando Hyper recibe una consulta, crea un árbol, lo optimiza de manera lógica y, después, lo usa como modelo para generar el programa específico que se va a ejecutar. Como resultado, se optimiza el uso del hardware moderno para una ejecución de consultas más rápida.
Mayor aprovechamiento del hardware: paralelización basada en fragmentos
Hyper fue diseñado desde cero para entornos grandes de varios núcleos. Este modelo de paralelización se basa en unidades de trabajo muy pequeñas (fragmentos). Estos fragmentos se asignan de manera eficaz a todos los núcleos disponibles y permiten a Hyper responder, con mayor precisión, ante las diferencias de velocidad de los núcleos. En consecuencia, el hardware se usa con mayor eficacia y el rendimiento es superior.
Actualización del extracto a formato .hyper
En esta versión de Tableau (a partir de la 10.5), los nuevos extractos utilizan el formato .hyper en lugar del formato .tde.
Aunque existen muchas ventajas ya mencionadas en el uso de extractos .hyper, las ventajas principales son las siguientes:
- Crear extracciones de mayor tamaño: las extracciones en formato .hyper pueden contener miles de millones de filas de datos. Como las extracciones .hyper admiten más datos, puede utilizar la versión de Tableau Desktop 10.5 para consolidar las extracciones .tde que anteriormente tenía que crear por separado.
- Creación y actualización más rápida de extractos: mientras que Tableau siempre ha optimizado el rendimiento para la creación y actualización de extractos, esta versión admite la creación y actualización de extractos para conjuntos de datos aún más grandes.
- Un mejor rendimiento al interactuar con las vistas que utilizan fuentes de datos de extracción de mayor tamaño: vistas que utilizan fuentes de datos de extracción para obtener un mejor rendimiento que el que tenían anteriormente. Aunque las extracciones más pequeñas siguen funcionando eficazmente, las de mayor tamaño tienen un rendimiento más eficiente.
Sabino Flores
BI y gobernabilidad de los datos
Matrix CPM Solutions puede apoyarle en la concepción de proyectos de BI que le permitan autogestionar sus datos y empoderarse de ellos
Hoy en día es muy importante para cualquier organización conocer sus datos y poder -en base a ellos- responder rápidamente a situaciones cotidianas que puedan potenciar su negocio.
Cuando en una organización cada unidad de negocio trabaja de forma aislada con sus datos, o sencillamente no los utiliza o analiza, no existe una visión integral y controlada de los mismos, por lo que lograr los objetivos organizacionales se convierte en un gran problema.
El objetivo principal de la Gobernabilidad de Datos consiste en asegurar que exista visión integral de los datos, que haya comunicación entre negocio y TI, que las unidades de negocio están alineadas, que los datos sean lo que deben ser, sin dejar a un lado el monitoreo y protección de los mismos, al ser estos uno de los activos más importantes de las organizaciones.
Para implementar Gobernabilidad de Datos en una empresa es imprescindible establecer procesos, políticas y roles; a través de un equipo conformado por profesionales de TI y de las áreas de negocio involucradas, cuya misión sea justamente entender los datos en búsqueda de alcanzar los objetivos organizacionales.
La Gestión de los Datos subyacente a la Gobernabilidad de Datos de una empresa no es más que la Gestión del Conocimiento que se realiza con ellos.
Las ventajas que se pueden nombrar al establecer un Gobierno de Datos son:
– Mejorar la calidad de la información y la integridad de los datos
– Aumentar la eficiencia operativa a través de proyectos de BI que permitan obtener visualizaciones para establecer pronósticos de comportamiento de los productos o servicios ofrecidos
– Ser más agiles al colocar nuevos productos en el mercado
– Reducir el posible solapamiento de funciones y/o trabajos repetitivos en el análisis de los datos
– Mejorar el uso del tiempo
Con la implementación de la Gobernabilidad de Datos, las diferentes áreas de negocio involucradas podrán acceder a sus implementaciones de BI con plena confianza de que los datos obtenidos le permitirán tomar las decisiones adecuadas sin intervención del equipo de TI, quienes podrán dedicarse a realizar otro tipo de actividades más estratégicas para su línea de reporte.
Jeymin Medina
Jeimyn Medina Ingeniero de Sistemas de la Universidad Bicentenaria de Aragua, con un Diplomado en “Gestión de la Innovación” de la Universidad Simón Bolívar y un Diplomado en “Tecnologías de Información en Gestión de Grandes Volúmenes de Datos” de la Universidad Tecnológica del Centro. Cuenta con 20 años de experiencia, de los cuales durante 11 años participó en el desarrollo de proyectos de Inteligencia de Negocios en el sector bancario, ocupando roles de liderazgo.
