Reflexiones sobre la Cumbre de Datos y Análisis de Gartner: Conclusiones clave

Como mencionamos en nuestro Resumen posterior al programa, el equipo Rocket salió de la Cumbre de Datos y Análisis (D&A) de Gartner En Orlando, se obtuvieron valiosas ideas y perspectivas de las numerosas sesiones y debates. Para quienes no pudieron asistir, la Cumbre reunió a líderes de TI, negocios y datos de diversos sectores para debatir, aprender y compartir conocimientos sobre inteligencia artificial (IA), gestión de datos, arquitectura, gobernanza y más. Las principales preocupaciones de los asistentes incluyeron cómo aprovechar al máximo el potencial de la IA, cómo la arquitectura de datos puede ayudar y qué deben hacer los profesionales de datos para prepararse para el futuro. 

Tras la experiencia del evento, el equipo vivió el mismo desde perspectivas diversas. Después, nos reunimos y compartimos nuestras conclusiones. Resultó que había dos temas principales: el futuro de la IA y la arquitectura de datos. Para orientarlos sobre estos temas importantes, quiero compartir nuestras conclusiones y lo que significan para sus funciones, tanto ahora como en el futuro. 

IA: El acrónimo más utilizado (y aún el más confuso) de 2025

En resumen, las empresas aún están trabajando para determinar cuáles deberían ser sus iniciativas de IA. La tecnología está evolucionando tan rápidamente que es difícil establecer un rumbo definitivo. (un estudio reciente dijo La IA puede ponerse “ansiosa””. Espera, ¿QUÉ?) Pero está claro que la IA es el futuro de la gestión de datos y el conocimiento corporativo. La clave está en definir completamente qué se espera obtener al aplicar la IA a las iniciativas de recopilación e interpretación de datos antes de comenzar.  

Aquí están nuestras reflexiones: 

• El nivel de inversión en el ámbito de los datos, impulsado ahora por la IA, sigue acelerándose. Sin embargo, los casos de negocio y los resultados de las iniciativas de IA aún están en desarrollo. Si bien es fundamental vincular los resultados empresariales con las inversiones en IA, los datos sin explotar almacenados en los mainframes siguen siendo un obstáculo importante para fundamentar un caso de negocio sólido.
• En una de las sesiones se hizo un comentario interesante: " Solo una de cada cinco organizaciones ha logrado utilizar sus datos de manera efectiva para casos de uso de IA ". Con la predominancia de eslóganes centrados en la IA y las empresas que afirman tener un buen control de todo lo relacionado con la IA, esta cita resonó. No encaja del todo, ¡y no podríamos estar más de acuerdo! El auge de la IA no es tan simple como algunos podrían pensar. Por ejemplo, sabemos que la gran mayoría de los datos de mainframe todavía no se están aprovechando (72% según nuestra investigaciónDejar fuera de las iniciativas de análisis e inteligencia artificial estos datos cruciales significa que las empresas toman decisiones sobre su futuro con información incompleta o incluso inexacta.
• La gestión, la gobernanza y la gestión del cambio de datos son esenciales. Deben formar parte de la consideración de costos de cada proyecto de IA. Sin embargo, las empresas deben invertir primero en la base para comprender cómo gestionar e integrar sus datos. La gobernanza de la IA debe reflejar el marco de gobernanza de datos existente, en lugar de centrarse únicamente en prácticas superficiales, y plantearse la pregunta: "¿Qué podría salir mal?". Los metadatos son clave. Son el componente que abarca todos los tipos y formatos de datos. Pero para que funcionen, los metadatos principales deben ser claros y precisos, estar bien organizados y ser fáciles de usar para cualquier persona en la organización.
• La IA está por todas partes . Se mencionó en casi todos los stands de los expositores y en casi todas las sesiones. Si bien existen algunos casos de uso de IA más claros que hace tan solo un año, los beneficios exactos siguen siendo ambiguos. Nadie mencionó el "ahorro de costes multiplicado por diez con IA para el caso de uso xyz". Los asistentes buscaban respuestas concretas a sus problemas específicos. El mensaje de "Prepara tus datos para la IA" estaba presente en todas partes. Pero, ¿qué significa eso? Las respuestas casi siempre dependían del proveedor. Se necesita una definición general y un liderazgo de opinión para ayudar a las empresas a comprender qué implica para ellas.
• La seguridad de los datos y cómo utilizar de forma segura el contenido empresarial con GenAI fue una preocupación importante entre los asistentes. La orientación sobre cómo lograr esa seguridad resonó con ellos, especialmente en lo que respecta a los datos de mainframe. Los profesionales de datos y TI entienden que los mainframes contienen grandes cantidades de datos de misión crítica y que aprovecharlos es con demasiada frecuencia un obstáculo que no saben cómo superar. Muchos ni siquiera saben si... poder Superarlo.  
   

MALLA DE DATOS vs TEJIDO vs ALMACÉN vs DATALAKE vs …

La arquitectura de datos fue otro aspecto crucial, y con razón. Existen muchísimas opciones, y la respuesta más común a la pregunta "¿Cuál debería usar?" fue: "Depende". Estamos de acuerdo en este punto. No hay una respuesta perfecta. Por lo tanto, trabajar con socios sólidos que comprendan todas las opciones y combinaciones posibles, y que estén dispuestos a comprender a fondo su situación y sus objetivos, es la forma más eficiente y eficaz de avanzar. La alternativa, un enfoque de "aprender mientras se gana dinero", es simplemente insostenible.  

Esto es lo que aprendimos:  

• Resulta interesante observar que el concepto de tejido de datos ha pasado de ser algo vago el año pasado a una estrategia tangible que se implementa en grandes empresas. Lo más relevante de las sesiones sobre este tema es que no habrá dos estrategias iguales. Habrá combinaciones de lakehouse, mesh, fabric, warehouse y más, según la situación y las necesidades. Y no es algo que las organizaciones puedan implementar sin más. Deben construir y ajustar sobre la marcha, por lo que los resultados pueden ser completamente diferentes a los previstos. Todo esto subraya la importancia de contar con buenos metadatos en toda la organización. La integración basada en metadatos es el único enfoque de integración empresarial que puede soportar todas estas variaciones.
• Los conceptos de malla de datos y tejido de datos existen desde hace algunos años. Gartner explicó claramente su diferencia: la malla de datos descentraliza los datos, mientras que el tejido de datos los controla de forma centralizada. Sin embargo, los asistentes seguían usándolos indistintamente. Quizás la confusión se deba a que ninguno de los dos es un "producto" que las empresas puedan comprar. Además, como se mencionó anteriormente, su aplicación es muy variable y depende de cada situación. El tejido de datos está ganando terreno, pero los asistentes querían saber qué es lo mejor para sus negocios en sus sectores específicos. "Si estoy en el sector XYZ y uso Databricks, ¿qué estrategia de tejido de datos debería usar?". No es tan sencillo.
• Las plataformas tipo "lakehouse" siguen siendo una tendencia en auge. Combinan las ventajas de los lagos de datos (almacenamiento rentable de datos sin procesar) y los almacenes de datos (gestión y gobernanza de datos estructurados) en una única plataforma. Dado que tanto los datos estructurados como los no estructurados permiten realizar análisis, las casas junto al lago que combinan ambos tipos ofrecen lo mejor de ambos mundos.
• Y, por supuesto, acceder eficazmente a los datos de los mainframes sigue siendo un problema . Mi sesión sobre Aprovechamiento de datos de mainframe para análisis Enterprise basados ​​en IA Parecía atraer mucho tráfico al stand de Rocket . Tuvo una buena concurrencia, resonó con la audiencia y, posteriormente, hablamos con varias personas sobre los datos sin explotar atrapados en sus mainframes, que los tomadores de decisiones no están aprovechando. Esta revelación definitivamente captó la atención de los expertos en datos, analítica e inteligencia empresarial. ¡Fue sorprendente la poca gente que sabía que era posible! Como dijimos, los mainframes almacenan grandes cantidades de datos críticos y los propietarios de esos sistemas los protegen con celo. Analizar estos datos desde una perspectiva de valor empresarial es clave. Los profesionales de datos, IA y analítica necesitan construir el caso de negocio desde los objetivos finales para optimizar el enorme impacto de los datos en la estrategia, la dirección y los resultados del negocio; en otras palabras, su enorme impacto en los resultados finales y el futuro de la empresa. 

Una nota final

Como profesionales de datos y análisis, el futuro de su empresa está literalmente en sus manos. Proporcionar a la dirección datos completos y fiables permitirá tomar las mejores decisiones estratégicas. A medida que avanza con sus iniciativas, es importante comprender plenamente dónde se encuentra hoy, adónde quiere llegar y trazar una estrategia viable para lograrlo. Esto significa tener objetivos claramente definidos, planes de gestión y arquitectura de datos, y los socios estratégicos necesarios para alcanzar el éxito. poder Diseña tu futuro con certeza. 

Más información sobre cómo aprovechar la IA y optimizar todo su entorno de datos para el futuro.