El concepto de big data y analítica ha sido objeto de muchos mitos a lo largo de los años. Sin embargo, es importante desmentir estas creencias erróneas a medida que avanzamos en nuestra estrategia de analítica. Aunque es cierto que los primeros adoptantes de esta tecnología se enfrentaron a numerosos desafíos que resultaron en tasas de fracaso más altas de lo esperado y un retorno de inversión pobre, muchos de los errores del pasado ya han sido superados. Lo que persiste son los mitos que rodean a estos conceptos y pasos de implementación que algunos consideran aún verdaderos.
A pesar de su historial no tan impresionante, el big data sigue siendo un tema relevante. Según un informe de IDC, el mercado de big data y analítica experimentará un crecimiento de dos dígitos año tras año. Si esto es cierto, entonces muchos de los mitos que aún circulan deben ser incorrectos, ¿verdad?
La característica de los mejores y más duraderos mitos, leyendas e historias es que siempre hay un grano de verdad que mantiene viva la falsedad. Esto suele ocurrir con tecnologías complejas que a menudo son sobrevaloradas y tardan más de lo esperado en ser adoptadas. El big data es una de esas tecnologías, pero no es la única. Otros ejemplos recientes donde se han formado mitos negativos en torno a la tecnología incluyen las redes definidas por software (SD-WAN), la seguridad informática e incluso la computación en la nube. Sin embargo, si la tecnología es adecuada para las organizaciones empresariales, los mitos eventualmente se superan y la verdad se revela.
Hoy vamos a analizar ocho de esos mitos que han surgido del movimiento del big data y la analítica. A medida que revisas los puntos, trata de identificar dónde se distorsionó la verdad hasta el punto de formar una falacia. Esta es la mejor manera de desmentir el mito y volver a la realidad. En la mayoría de los casos, una idea errónea sobre algún aspecto del big data o la analítica se debió a un error de juicio cometido por varios primeros adoptantes. En otras situaciones, los mitos surgieron porque el departamento de TI de la empresa carecía de las habilidades y herramientas necesarias para llevar a cabo un proyecto de big data. Por último, algunas falacias surgieron debido a la desinformación y la falta de comunicación sobre los conceptos y componentes de las arquitecturas de big data.
1. Conserva todos tus datos; podrías necesitarlos algún día
Uno de los mayores mitos surgidos en los primeros días del movimiento del big data es que las organizaciones empresariales deben conservar todos los datos que se puedan recopilar. Aquellos que siguieron este camino se encontraron con el desafío de encontrar dónde almacenar los datos al menor costo posible. Muchos optaron por tecnologías de archivo de datos basadas en la nube, como Amazon Glacier o Google Coldline Storage. Si bien estas tecnologías son excelentes soluciones de bajo costo para el almacenamiento de datos con fines de recuperación ante desastres, no son el lugar adecuado para la analítica de datos. En última instancia, se descubrió que los verdaderos beneficios del big data se encuentran en el análisis y la generación de informes en tiempo real de la información recopilada recientemente.
2. La analítica de big data es demasiado cara
Cuando se habla de big data con personas que no están completamente informadas, a menudo se tiene la impresión de que muchos líderes de TI consideran que no pueden permitirse el costo de comenzar. Esto probablemente se deba a que el big data se hizo popular en primer lugar en las grandes organizaciones empresariales. Historias sobre cómo se utilizaba el big data en empresas como Facebook, Microsoft y Wal-Mart llevaron a muchos a creer que esta tecnología solo era accesible para las organizaciones más grandes. Si bien esto puede haber sido cierto al principio, las soluciones de big data y analítica basadas en la nube ahora permiten a las empresas comenzar de forma pequeña y escalar sus ambiciones de big data según sea necesario, con costos iniciales relativamente bajos.
Para leer la historia completa, haz clic aquí.
