Orquestadores, automatización, machine learning, entre muchas otras herramientas predominan actualmente en los procesos ETL. Con tantas fuentes de datos, falta de claridad por parte del destinario de la información y confianza desmedida en las herramientas, es casi inevitable caer en ambigüedades y errores. Por eso, en ocasiones, el rol del analista pierde su orientación, teniendo que dedicar horas para obtener insights relevantes para la toma de decisiones. Desde mi experiencia, existen tres problemas comunes con los que se encuentra un analista de datos. Estos problemas tienen impacto tanto desde el origen como en el destino de la información.

Error número 1: Exceso de fuentes: Tal como dice la frase: muchas veces, menos, es más. La tendencia actual de integrar múltiples tecnologías puede hacer que se pierda de vista lo esencial: la principal labor del analista es obtener insights que aporten valor a su público objetivo. El analista debe ser consciente de que definir con precisión sus fuentes de información es una tarea primordial. Esto le permitirá asegurar la calidad y veracidad de los datos que entrega. Tratar con grandes volúmenes de información que no aportan valor representa un esfuerzo innecesario. La solución siempre estará en definir, con base en un proceso asertivo de validación, cuáles son las fuentes que convienen y cuáles no.

Error número 2: Exceso de datos irrelevantes: Uno de los errores más frecuentes con los que se va a encontrar el analista de datos proviene de no saber discernir qué información es realmente valiosa y cuál no. A menudo se cree que tener más datos aporta más valor, pero en realidad, aunque en muchas ocasiones, los mismos únicamente genera ruido e improductividad, e incluso pueden implicar altos costos de procesamiento. Este error se soluciona con un conocimiento profundo del sector y entendiendo claramente cuáles son las necesidades reales de los destinatarios de la información.

Error número 3: Exceso de automatización: En esta era tecnológica, amamos que los reportes se generen a la velocidad de la luz. Sin embargo, esto puede convertirse en un arma de doble filo. Nunca debemos olvidar que la meta del analista es encontrar patrones, tendencias e insights relevantes, lo cual se logra con un estudio exhaustivo y manipulando la información tanto a pequeña como a gran escala. Por eso, la automatización y el uso de IA deben ser únicamente un apoyo para conocimiento humano y del know-how del sector.

Reflexión final
Sin duda, el auge del análisis de datos ha traído más beneficios que problemas a las organizaciones. Aun así, es importante recordar que, aunque parezca que estamos trabajando bien, siempre hay espacio para mejorar, y reducir el impacto de las tres “E” descritas.