![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/04\/john-ly.jpeg\")
Mientras que Los cat\u00e1logos data existen desde los a\u00f1os 50<\/a>, el primer cat\u00e1logo data potenciado por ML, el \u201cCat\u00e1logo Data automatizado\u201d, no fue introducido hasta 2012 por la empresa de software empresarial Alation. Estos cat\u00e1logos automatizados habilitaron capacidades que hoy parecen obvias, como la captura autom\u00e1tica de metadata, pero allanaron el camino para los cat\u00e1logos ML data sobrealimentados de otros proveedores, como Collibra y Atlan.<\/p>\n<\/div> 1. Etiquetado autom\u00e1tico data<\/strong>: \u201cDirecci\u00f3n particular\u201d se etiqueta autom\u00e1ticamente como \u201cPII\u201d y se clasifica en un grupo de gesti\u00f3n de acceso seguro y en un dominio data \u201cCliente\u201d para su consumo.<\/p>\n 2. B\u00fasqueda sem\u00e1ntica potenciada por IA<\/strong>: Al hacer referencia al historial de b\u00fasqueda, la b\u00fasqueda en el cat\u00e1logo ML data predice el activo data m\u00e1s relevante y agiliza la b\u00fasqueda para el usuario.<\/p>\n 3. Mapeo automatizado del linaje data<\/strong>: Captura autom\u00e1ticamente las transformaciones de una tabla desde el Sistema de Registro (SOR) al cuadro de mando utilizado para el consumo empresarial.<\/p>\n 4. Data mejora de la calidad<\/strong>: El cat\u00e1logo ML identifica un formato incoherente (es decir, \u201cmayo de 2023\u201d\u2019 en lugar de \u201c20230501\u201d) y ofrece sugerencias para mejorar el data.<\/p>\n 5. Perfilado automatizado data<\/strong>: Al analizar la integraci\u00f3n de la liquidez data en todo el ecosistema tecnol\u00f3gico, los equipos data de las instituciones financieras reciben alertas sobre posibles problemas de calidad data que pueden resolverse para demostrar con precisi\u00f3n su exposici\u00f3n al riesgo.<\/p>\n 6. Data Descubrimiento<\/strong>: Cuando se integra en el cat\u00e1logo una database con m\u00e9tricas de comportamiento del consumidor, las capacidades de ML clasifican autom\u00e1ticamente la data y agilizan la recuperaci\u00f3n futura.<\/p>\n Con estas capacidades a\u00f1adidas, las organizaciones pueden<\/strong> organizar, visualizar y contextualizar su data a escala<\/strong>, mejorando la calidad de los conocimientos y acelerando el plazo de entrega de los proyectos anal\u00edticos que apoyan directamente la toma de decisiones de alto nivel.<\/p>\n<\/div> La alfabetizaci\u00f3n Data, como ya se ha dicho, es el paso fundamental para convertirse en una organizaci\u00f3n data-driven. Si los consumidores de data (analistas y cient\u00edficos del data, responsables de la toma de decisiones, etc.) no comprenden el data, no es mejor que el exceso de almacenamiento, un negativo neto si se tiene en cuenta el coste de almacenar data.<\/p>\n Los cat\u00e1logos data potenciados por ML apoyan la alfabetizaci\u00f3n data no s\u00f3lo eliminando las barreras para aprender sobre el data, sino, lo que es m\u00e1s importante, explic\u00e1ndolo en el lenguaje de la empresa. Por ejemplo, las etiquetas data automatizadas pueden organizar los activos data en dominios espec\u00edficos del negocio basados en diversos elementos, proporcionando un denominador com\u00fan que tanto un ingeniero data como un ejecutivo de RRHH pueden utilizar. Adem\u00e1s, cuando las funciones no data sean capaces de aprovechar los activos data para mejorar su rendimiento, recurrir\u00e1n a data (y al cat\u00e1logo data) la pr\u00f3xima vez que se enfrenten a un reto similar<\/strong>, creando org\u00e1nicamente una organizaci\u00f3n data y data-driven.<\/p>\n<\/div> Convertirse en una organizaci\u00f3n data-driven es imperativo dada la naturaleza de r\u00e1pida evoluci\u00f3n del entorno empresarial actual. En una investigaci\u00f3n<\/a> estudio realizado por Traci Gusher, l\u00edder en data y an\u00e1lisis (D&A), 93% de las empresas indicaron que seguir\u00edan aumentando \u201cagresivamente\u201d sus inversiones en capacidades de D&A. Sin embargo, seg\u00fan Deborah Leff<\/a>, CTO de Data Ciencia e IA en IBM, 87% de los proyectos cient\u00edficos de data nunca pasan de la fase de planificaci\u00f3n, lo que repercute negativamente en las ambiciones de data.<\/p>\nSeis caracter\u00edsticas que debe buscar en un Cat\u00e1logo ML Data<\/h2><\/div>
\u00bfC\u00f3mo pueden los cat\u00e1logos ML Data acelerar la alfabetizaci\u00f3n data?<\/h2><\/div>
Por qu\u00e9 es esencial para el \u00e9xito estar alfabetizado e impulsado por el data<\/h2><\/div>
Autor<\/h2><\/div>![\"Image\"](\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27150%27%20height%3D%270%27%20viewBox%3D%270%200%20150%200%27%3E%3Crect%20width%3D%27150%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\")
John Ly<\/h3><\/div>Consultor Senior, Estrategia y Gesti\u00f3n Data, en Artefact EE.UU.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Antes de explorar los cat\u00e1logos data de aprendizaje autom\u00e1tico (ML), definamos qu\u00e9 es un cat\u00e1logo data b\u00e1sico: un repositorio central que almacena metadata como fuentes data, formatos data, bases data relacionales y linaje data, e identifica a sus respectivos propietarios. Ampliamente considerados como la base de una organizaci\u00f3n data-driven, los cat\u00e1logos data promueven la alfabetizaci\u00f3n data en toda la empresa, sirven como \u00fanica fuente de verdad sobre c\u00f3mo debe interpretarse y utilizarse la data en los an\u00e1lisis, y promueven la data como producto a trav\u00e9s de la propiedad de los activos data.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
John Ly<\/h3><\/div>Consultor Senior, Estrategia y Gesti\u00f3n Data, en Artefact EE.UU.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Antes de explorar los cat\u00e1logos data de aprendizaje autom\u00e1tico (ML), definamos qu\u00e9 es un cat\u00e1logo data b\u00e1sico: un repositorio central que almacena metadata como fuentes data, formatos data, bases data relacionales y linaje data, e identifica a sus respectivos propietarios. Ampliamente considerados como la base de una organizaci\u00f3n data-driven, los cat\u00e1logos data promueven la alfabetizaci\u00f3n data en toda la empresa, sirven como \u00fanica fuente de verdad sobre c\u00f3mo debe interpretarse y utilizarse la data en los an\u00e1lisis, y promueven la data como producto a trav\u00e9s de la propiedad de los activos data.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Consultor Senior, Estrategia y Gesti\u00f3n Data, en Artefact EE.UU.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Antes de explorar los cat\u00e1logos data de aprendizaje autom\u00e1tico (ML), definamos qu\u00e9 es un cat\u00e1logo data b\u00e1sico: un repositorio central que almacena metadata como fuentes data, formatos data, bases data relacionales y linaje data, e identifica a sus respectivos propietarios. Ampliamente considerados como la base de una organizaci\u00f3n data-driven, los cat\u00e1logos data promueven la alfabetizaci\u00f3n data en toda la empresa, sirven como \u00fanica fuente de verdad sobre c\u00f3mo debe interpretarse y utilizarse la data en los an\u00e1lisis, y promueven la data como producto a trav\u00e9s de la propiedad de los activos data.<\/p>\n<\/div><\/div><\/div><\/div><\/div>