Por Jin H. Kim
¿Alguna vez te has preguntado cuál es la ruta más rápida para llegar a casa? Personalmente, conozco este dilema, ya que tengo varias opciones para llegar a casa gracias a aplicaciones innovadoras como Waze. Sin embargo, sé por experiencia que el camino más corto desde el trabajo no siempre es la mejor opción. Pueden haber retrasos inesperados debido a accidentes, eventos, congestión general, construcción o simplemente la hora del día. No solo necesito conocer mis opciones de ruta actual, también necesito entender lo que está sucediendo a lo largo de las rutas para determinar la mejor manera de llegar a casa. Este es un ejemplo perfecto de las relaciones entrelazadas entre los datos duros y blandos.
Los datos duros se definen como datos en forma de números o gráficos, en contraposición a la información cualitativa. En el mundo del big data y el Internet de las cosas (IoT), los datos duros describen los tipos de datos que se generan a partir de dispositivos y aplicaciones, como teléfonos, computadoras, sensores, medidores inteligentes, sistemas de monitoreo de tráfico, registros de detalles de llamadas, registros de transacciones bancarias, entre otros. Esta información se puede medir, rastrear y validar. La mayoría de las organizaciones hoy en día ya utilizan datos duros para análisis, geolocalización, predicciones y optimización, y ahora están tratando de diferenciarse y agregar más valor a sus aplicaciones de datos duros para sus clientes.
Al igual que en el ejemplo anterior de encontrar la mejor ruta de tráfico a casa, las organizaciones se están dando cuenta de que la mejor manera de obtener un valor real de los datos grandes es tener en cuenta todos los datos. Esto, por supuesto, significa tener en cuenta los datos blandos. La subjetividad se refiere a los datos blandos como inteligencia humana: datos llenos de opiniones, sugerencias, interpretaciones, contradicciones e incertidumbres. La traducción de información situacional en tiempo real es vital para una multitud de aplicaciones críticas para la misión. Por ejemplo, los sensores en los automóviles pueden transmitir comentarios sobre las malas condiciones de la carretera dentro de una infraestructura de ciudad inteligente. Si no hubiera datos blandos disponibles, el sistema podría programar trabajos de reparación innecesarios y duplicados en el área, lo que podría provocar un desperdicio potencial de recursos y presupuesto. Si la ciudad inteligente incorporara datos blandos, como información de un topógrafo que señala que hay construcción o reparaciones en la carretera en progreso, permitiría al sistema comprender que las malas condiciones de la carretera son temporales y no requieren asistencia adicional, lo que ahorraría recursos, tiempo y dinero a la ciudad. Comprender los matices situacionales y los eventos ambientales mejorará los resultados y agregará valor.
En resumen, los datos cuantificables generados por sensores, máquinas y otros dispositivos se consideran datos duros. La información que es susceptible de interpretación y opinión se conoce como datos blandos. A medida que el acceso a los datos continúa creciendo, las empresas deberán incorporar tanto datos duros como blandos en sus soluciones para mejorar el soporte de decisiones en tiempo real como una forma de diferenciar sus ofertas de servicios.
Jin H. Kim es Vicepresidente de Marketing y Desarrollo de Socios en Objectivity Inc. Antiguo profesor de ciencias de la computación en Carnegie-Mellon, Jin tiene más de 20 años de experiencia en la industria en la entrega de software empresarial, incluido el desarrollo de productos, ecosistemas de socios, planificación financiera, marketing y ventas. Conéctate con él en LinkedIn.
