WhatsApp Facebook Twitter LinkedIn Mail

Analítica de datos (data analytics): ¿Cómo tener una visión global de los datos y las tendencias?

Índice

  1. ¿Qué es?
    1. Analítica de datos vs. ciencia de datos
  2. Tipos
  3. Tecnología usada
  4. Analítica de datos en departamentos
    1. Contabilidad
    2. Recursos humanos

¿Qué es la analítica de datos?

La analítica de datos (data analytics) consiste en analizar un conjunto de datos para obtener una visión global y las tendencias de los datos analizados. Los datos que se analizan son brutos para poder sacar una conclusión de ellos que no esté “contaminada”.

La analítica de datos se usa en una gran variedad de sectores, ya que al revelar las tendencias, ayuda a la toma de decisiones. Por ejemplo, un sector donde está aumentando el uso de la analítica de datos es en la industria. Las empresas de este sector sacan los datos de los dispositivos IoT que se encuentran en la maquinaria de la fábrica. De esta forma, se detecta en qué procesos se tarda más y que lo está causando o qué factores se daban cuando un lote salió mal.

Otro sector en el que la analítica de datos está ganando importancia es el sanitario. Cada vez más centros de salud e instituciones sanitarias están usando la analítica de datos para diferentes causas como: calcular la media de los gastos médicos; ver la tendencia del comportamiento de los pacientes o de productos farmacéuticos; tendencia de enfermedades por zonas y épocas del año para

¿Qué diferencia hay entre la analítica de datos y la ciencia de datos?

Con frecuencia, la análitica de datos se confunde con data science (ciencia de datos). Sin embargo, aunque ambos términos están relacionados por su estudio de los datos, no son lo mismo. A continuación se encuentra una tabla en la que se muestran las principales diferencias entre ambos términos:

Data science Data analytics
¿Qué hace? Limpia, prepara y analiza los datos Extrae información de datos brutos
¿Para qué sirve? Predice lo que ocurrirá en un futuro basándose en datos históricos Saca las tendencias y el panorama actual partiendo de datos brutos
Ejemplos de usos
  • Identificación de ciberamenazas
  • Detección de fraudes
  • Clasificación de los clientes y las audiencias
  • Etc.
  • Reportings interactivos
  • Aplicaciones digitales para recomendar productos en un e-commerce
  • Optimización de rutas en tiempo real
  • Etc.

¿Qué tipos de analítica de datos hay?

Dependiendo de la perspectiva con la que se haga la analítica de datos, ésta puede ser:

  • Descriptive analytics (analítica descriptiva): este tipo de análisis responde a la pregunta: “¿Qué ha ocurrido?”. Este es el nivel de analítica de datos más sencillo.
  • Diagnostic analytics (analítica diagnóstica): este tipo de análisis responde a la pregunta: “¿Por qué ha ocurrido?”. Este análisis profundiza, averigua e identifica patrones.
  • Predictive analytics (analítica predictiva): este tipo de análisis responde a la pregunta: “¿Qué es probable que ocurra?”. Este tipo de análisis usa la información sacada del análisis descriptivo y del de diagnóstico para detectar tendencias, agrupaciones y excepciones. Así, una empresa puede predecir tendencias futuras. No obstante, hay que tener cuidado ya que si los datos no son de calidad, la previsión será mala.
  • Prescriptive analytics (analítica prescriptiva): este tipo de análisis responde a la pregunta: “¿Qué debemos hacer?”. Esta analítica es la más compleja de todas. Su complejidad reside en que requiere no solo datos históricos, sino también información externa. Para ello, utiliza herramientas y tecnologías sofisticadas, como el machine learning, reglas del negocio y algoritmos, lo que hace que su implementación y gestión sean complejas. Por eso, no hay muchas empresas que realizan este tipo de analítica, ya que a veces, el esfuerzo requerido es mayor que el valor que aporta.
nivel dificultad analitica datos

¿Qué tecnología se utiliza para realizar la analítica de datos?

A la hora de realizar una analítica de datos es imprescindible que el o los analista(s) de datos tengan conocimiento de SQL y Python. El conocimiento de SQL es necesario porque la mayoría de bases de datos están en SQL y los datos han de ser extraídos de ellas. Y, en el caso de Python, porque este lenguaje de programación posee librerías de visualización. Ya sólo con esta tecnología se puede empezar a hacer data analytics.

No obstante, para poder hacer una buena analítica de datos con sólo programación se tardaría demasiado. Por ello, generalmente las empresas que hacen data analytics se apoyan en programas de BI como Power BI, SAP Analytics Cloud o SAP BusinessObjects.

¿Sabías que? Muchos analistas de datos no son informáticos. Hay empresas que entrenan en programación a ingenieros y matemáticos para convertirlos en analistas de datos. Esto se debe a que deben tener conocimientos de procesamiento de datos, pero sobre todo, de matemáticas (especialmente, logaritmos) y estadística.

Analítica de datos en departamentos

La analítica de datos no tiene por qué ser utilizada únicamente para la toma de decisiones generales de la empresa. Hay departamentos en los que la analítica de datos es extremadamente útil.

Data analytics en contabilidad

Los contables de una empresa son los responsables de crear los informes del flujo de dinero: ingresos y gastos, recuentos de inventario, impuestos recaudados sobre las ventas, etc. Para elaborar informes precisos, los departamentos de contabilidad necesitan recopilar y verificar grandes cantidades de datos brutos.

Además, los contables pueden usar la analítica de datos para detectar desviaciones de la contabilidad de la empresa y compararlas con el rendimiento histórico. Los datos del rendimiento histórico sirven para obtener previsiones de la trayectoria financiera de la empresa, ya que el histórico es un buen indicador de los resultados futuros. Al poder predecir si la empresa va a crecer o si va a pasar por una temporada de baja liquidez, se pueden tomar medidas empresariales adecuadas.

“El mal uso de la analítica financiera puede costar a las organizaciones hasta un 1% de los ingresos por decisión, lo que se traduce en un dramático impacto empresarial a lo largo del tiempo.” – Gartner

Data analytics en RRHH

Los departamentos de RRHH necesitan poder visualizar cuáles son las tendencias y el panorama actual de los empleados con respecto a la empresa. Por ejemplo, uno de los principales motivos por los que el departamento de RRHH necesita usar la analítica de datos es para ver los niveles de retención de la empresa. Hay muchas empresas que tienen una gran rotación, como las de telecomunicaciones o las de informática.

Para mejorar la retención del personal, el equipo de RRHH puede hacer un análisis en el que se vea la tendencia de la marcha de los empleados. Para ello, se tomarían los datos de: número de empleados que se marchan; los resultados de las encuestas de nivel de compromiso laboral; niveles de absentismo. Al analizar estos datos en conjunto se puede ver si se ha mejorado o empeorado con respecto años anteriores, ver qué ha cambiado y tomar decisiones adecuadas para conservar el talento.

Atención: analizar los datos de RRHH resulta muy interesante para poder tomar decisiones empresariales adecuadas. Sin embargo, en el área de los RRHH esto sigue siendo sensible a veces y no siempre se realiza bien la analítica de datos. En la Guía RRHH se encuentran los errores más comunes al analizar datos de personal y cómo evitarlo.

¿Quiere usar este artículo como fuente? Haga clic para copiar.

European Knowledge Center for Information Technology (Ed.). (2022, 1 abril). Analítica de datos (data analytics): ¿Cómo tener una visión global de los datos y las tendencias? TIC Portal. https://www.ticportal.es/glosario-tic/analitica-datos