Alimentación a sistemas para la toma de decisiones (BI, Analytics)

La Inteligencia de Negocio (Business Intelligence, BI o sistemas decisional) consistía anteriormente en consolidar los datos del pasado, luego analizarlos con el fin de asistir en la toma de decisiones sobre acciones con consecuencias futuras.
Con el advenimiento de las tecnologías y el desarrollo de la información instantánea y tiempo real, los casos de uso se han multiplicado: de ahora en adelante hay que actuar considerando acciones con resultados inmediatos.

Las consecuencias:

• El dato decisional tradicional es cotejado en tiempo real con el dato operacional utilizado por las aplicaciones, los servicios, etc. De estas forma, pasamos de una consolidación para la próxima semana, a unos cuantos días, luego a 24h, a necesidades de consolidación en tiempo real. Dicho en forma breve: de un sistema decisional por lotes a una “BI on the fly” o decisional al momento.
  
  
• • Una falta de interconexión de las soluciones de integración de datos:
  
  • Un ETL para la BI
  • Una herramienta para las tuberías de datos
  • Un EAI o ESB para necesidades de intercambio tradicionales
  • Un framework para los API / Microservicios
  
  

   

En el mundo físico: con la etiqueta-precio electrónico en un supermercado, uno puede ajustar fácilmente y rápidamente los precios en función del tráfico, de la competencia, …

En el mundo e-commerce: obtener los precios de la competencia y ajustar sus tarifas en consecuencia

La aparición de ecosistemas como Hadoop ha permitido resolver de manera diferente las limitaciones asociadas a la volumetría o a la complejidad, particularmente el procesamiento de datos no estructurados. Constituyendo un sistema de almacenamiento confiable, simple y reputadamente barato, de ahora en adelante es posible implantar lagos de datos (Datalakes) para absorber un diluvio incesante de datos (generados por objetos conectados IoT, redes sociales, etc.).

La minería de datos ha creado un espacio para tecnologías provenientes del Big Data que facilitan el uso del aprendizaje de máquina (Machine Learning, ML) así como del aprendizaje profundo (Deep Learning).

El desafío para los directores de sistemas de información (DSI) es manejar con destreza todas estas tecnologías y construir un sistema coherente y confiable que permita, en función de la necesidad, pasar de una BI descriptiva a una BI predictiva o incluso prescriptiva.

Ejemplo: en el área del mercadeo, se apunta cada vez más a la persona, en relación a un contexto dado, haciendo uso de los datos recolectados.

El mapping universal

Stambia permite simplificar la manera de diseñar flujos de integración de datos. La noción de mapeo o mapping universal ofrece una visión orientada al negocio que no requiere competencias técnicas durante la fase de mapeo (diseño de relaciones entre objetos). El enfoque descendente o "top-down" permite concentrarse en el "Qué" y de dejar que el "Cómo" sea generado automáticamente por la plataforma.

Gestión unificada de todo tipo de proyecto

Este tipo de mapping permite responder a todo tipo de necesidad de integración de datos. Esto ofrece la capacidad de procesar, con las mismas competencias, proyectos de inteligencia de negocio o de Big Data, así como proyectos orientados al tiempo real (streaming, API, Web Services...). La curva de aprendizaje de la integración de datos en el seno de las organizaciones se facilita por medio del uso de una visión universal de la transformación de datos.

La BI as a service

La posibilidad de Stambia de exponer en pocos segundos Servicios Web complejos permite extender las capacidades decisionales de las organizaciones. En efecto, todo dato de tipo analítico puede ser expuesto: datos agregados, datos de detalle, referenciales o dimensiones de datos. Esta funcionalidad no requiere una herramienta complementaria, con lo que se garantiza un nivel de reactividad excepcional a un costo casi nulo.

El modo ELT como motor de rendimiento

Stambia es una solución que favorece el uso de la delegación de transformaciones, más comúnmente llamada ELT (Extract, Load and Transform). Esta filosofía utilitaria permite obtener los mejores rendimientos.

El ELT también es garante de una escalabilidad automática e inmediata de los procesamientos sin costos adicionales del lago de la solución de integración de datos.

La potencia del ELT para la nube y el Big Data

La nube se ha convertido en la arquitectura privilegiada de las direcciones informáticas de las empresas, especialmente en las plataformas que permite implementar estrategias de tipo "No-Software" y "No-Hardware".

El modo ELT ofrece una arquitectura ligera (sin motor) que satisface las exigencias de las iniciativas Cloud (en la nube) en el seno de las organizaciones, garantizando altos rendimientos y simplicidad en la arquitectura.

La lógica es idéntica para los proyectos Big Data. Stambia, por su enfoque ELT, va a permitir sacar provecho de toda la potencia de las plataformas Big Data y No SQL sin añadir complejidad en la arquitectura.

La industrialización es un elemento clave en los proyectos informáticos en torno al dato. Un abanico de posibilidades se ofrece a las empresas para explotar el dato de manera ágil y eficaz. Sin embargo, una vez culminan las fases de experimentación y de innovación con los equipos del negocio, viene la fase de industrialización.

Stambia es la solución ideal para la industrialización de los flujos de datos.

La visión con base en plantillas permite encapsular el know-how técnico y reutilizarlo en el modo industrial, sin necesidad de que los usuarios dominen los detalles técnicos.

Nuestros clientes nos recomiendan. Para Stambia es la mayor recompensa.

Stambia, antes que ser una solución tecnológica, es un equipo de expertos apasionados por su profesión. Buscamos comprender las necesidades de nuestros usuarios y ofrecerles lo mejor, generando para cada uno el nivel de valor esperado.

¿Y si usted redescubriese con Stambia lo que es un soporte informático de calidad y equipo de desarrollo a su servicio?

• Alimentación en modo anula y reemplaza: en este modo los datos son eliminados y realimentados completamente (útil para inicializar los datos o asegurar la coherencia de ciertos datos de referencia)
• Alimentación en modo incremental: en este modo solo las últimas modificaciones son tomadas en cuenta. Este tipo de integración es útil para los datos voluminosos (los hechos). Puede ser acoplada a funcionalidades de detección de eventos en las fuentes con el fin de optimizar el flujo y de asegurar que los datos sean recientes.
• Alimentación en modo historizado, a veces llamado dimensiones de lenta evolución (SCD en inglés). Este modo permite rastrear en el tiempo las modificaciones en los datos con el fin de hacer análisis más exhaustivos de la evolución de los datos:
• Alimentación automática de los modelos Data Vault. Existen un sinnúmero de modelados para los sistemas de Inteligencia de Negocio. Los modelos en estrella o el modelado Data Vault son algunos ejemplos. Stambia es compatible con estos diferentes modelos y permite una alimentación automática de la tablas y dimensiones o satélites asociados.