Episodio 9. Analytics Journey: Preparando a tu empresa para Data Analytics

CompuCloud les da la bienvenida a Hablemos de tecnología en nube. ¿Preparados? Comenzamos.

Muy bien, hola a todos. En el episodio de Analytics Journey, Preparando a tu empresa para Data Analytics, exploramos el fascinante mundo de la analítica de datos y cómo puede transformar a las empresas. Te guiaremos a través de los conceptos clave, herramientas y estrategias necesarias para implementar una cultura de Data Analytics efectiva en tu organización. Yo soy el Ingeniero Carlos Esparza, actual líder de preventa, especializado en DevOps y en este episodio contaremos con la presencia de José Vanos, MBA en Big Data y Senior en Data Analytics GoMarker, especializado en el servicio de QuickSight de Amazon Web Service. Pero bueno, ¿Qué tal José? ¿Cómo estás? ¿Nos podrías compartir un poco sobre tu experiencia en AWS y Data Analytics?

Muy buenas tardes Carlos, buenas tardes a todos los que nos estén escuchando o buenos días, dependiendo de dónde nos estén escuchando. Como comentas, yo llevo actualmente un poco más de tres años trabajando con AWS. Soy originalmente de España, pero llevo seis años viviendo en Estados Unidos y estoy dentro del departamento de WWSO, que es Worldwide Specialist Organization, dentro del área de Data Analytics y más específico, dentro de este área cubro la parte de QuickSight, la herramienta de Business Intelligence de Amazon. Y mi experiencia, Bueno, con data, yo creo que cualquier persona que trabaje en la industria IT en general, trabaja con data, porque el data, como ya sabemos, está en todas partes y cada vez más. Luego, luego también os facilitaré algunos algunos datos relacionados con esto, con la data. Y dentro de estos tres años que he estado en AWS, que han sido súper fascinantes, sobre todo por el nivel de interacción con empresas, el ver cómo empresas han iniciado ese camino de adopción de una estrategia de datos orientada a datos por muchos motivos, ya sea por motivos económicos, ya sea por motivos de monetización de esos datos. Y por mi lado, lo que me enfoco es ayudar a esas empresas desde el punto de vista, desde la inteligencia de negocio, para que ese camino sea lo más sencillo posible, para incluso asesorarles a la hora de generar nuevo negocio, poder monetizar la data que tienen y al fin y al cabo eso, que tengan una buena experiencia del lado de AWS y que puedan ahorrar costos e incrementar sus ingresos.

Perfecto, gracias por esa introducción, José. Y pues nada, Gracias por acompañarnos en este episodio en el cual juntos vamos a descubrir justamente todo esto que nos comentas, el cómo vamos a poder aprovechar el poder de los datos para las tomas de decisiones más informadas y llevar las empresas de nuestros clientes al siguiente nivel. De acuerdo, dividiremos esta plática en varios puntos, así que si quieres comenzamos por el principio. Primero, sabemos lo importante que son los datos para las empresas, pero como tal, como concepto, ¿Qué es Data Analytics dentro de las empresas para ti, José?

Pues siguiendo con lo que te comentaba, la data es todo, o sea, todas las empresas. Y recientemente leía un informe de, creo que era de Forrester, donde hablaba de la cantidad de data que se había generado hasta el 2022, que eran 98 zettabytes. Y es que es una barbaridad, es una locura. Muchas veces si nos ponemos a pensarlo, realmente no somos capaces de trasladar ese, esa cantidad a la realidad, pero es que si pensamos que en dos años se va a volver a duplicar esa cantidad de data, es una locura. Detrás de esa data incluso podemos investigar y analizarlo, porque hay mucha diversidad de data, hay mucha data que se está generando hoy en día a través de bots, hay mucha data artificial. De hecho, creo que más del 50% de la data que encontramos hoy en día en Internet ha sido generada por máquinas, no es contenido humano. Y cuando hablamos de Data Analytics, pues hablamos de la capacidad de procesar esa data, ya sea para poder acceder de forma eficiente, ya sea para poder extraer información de esa data y poder tomar decisiones con una certeza mayor que lo que sería el poder tomar una decisión simplemente basada en un poco adivinando cuál va a ser mejor, la mejor opción. Entonces, resumiendo todo, para mí Data Analytics lo resumiría como el concepto de procesar toda la data que tenemos en nuestra empresa para poder tomar decisiones de la forma más eficiente y correcta posible.

Excelente, sí. Justo la siguiente pregunta que te voy a hacer es ¿Cuáles son los principales beneficios que ve sobre esto? Ya hablas de ese procesamiento de información, que es lo más importante, el que como yo lo considero es información que creemos que no es tan útil o esa información cruda que tenemos en las empresas, darles una utilidad. ¿Qué otros beneficios aparte de este podrías tú percibir, José?

Te voy a responder con porque es muy interesante lo que acabas de comentar información cruda que no pueda ser útil. En AWS hay un concepto que se denomina Working backwards, es como vamos a empezar a trabajar desde el final y vamos a ir hacia el principio. Entonces, ese concepto que comentabas es muy importante porque tenemos que saber qué es lo que necesitamos, qué queremos responder con la data, qué casos de uso queremos solucionar con la data que tenemos, porque habrá data que no necesitemos. De todos estos, imagina 98 zettabytes que tenemos, hay mucha información que realmente es basura. Es información que por lo que sea hemos estado grabando, almacenando, ya sea porque es muy barato últimamente, actualmente almacenar información suele ser muy barato, pero realmente necesitamos toda la información que estamos almacenando. Quizás podamos partir de ese punto de vista final de cuál es la pregunta, cuál es la necesidad que tienen nuestros clientes, nuestra empresa y de ahí volver hacia el principio para distinguir qué información vamos a tener que procesar, qué información vamos a tener que limpiar, que extraer, que hacer algún tipo de cambio para almacenarla y tener luego usar herramientas para extraer la información de una forma más humana, visiblemente más amigable para un humano, ya sea por realmente inteligencia de negocio u otra. Pero yo creo que ese sería el principal punto, saber qué información tenemos que almacenar. Ventajas que nos va a suponer utilizar Data Analytics y en este caso no utilizarlos en la nube. Entiendo lo que te refieres respecto a otras herramientas, yo creo que la principal es el uso de la capacidad serverless. Si nos enfocamos en metodologías tradicionales en las que tenemos que comprar fierros, necesitamos una inversión, un upfront normalmente bastante elevado. Si incluso somos startups, pequeñas empresas, en las que tenemos que ir al detalle, al mínimo centavo en los gastos, el utilizar una estrategia serverless o Data Analytics en serverless nos va a ahorrar ese costo upfront, ese desembolso inicial que tenemos que hacer. Por otro lado, si hablamos de serverless, también nos va a ayudar a enfocarnos en lo que realmente necesitamos. Como no tenemos que hacer esa configuración de servidores, esos fierros, pues nos vamos a enfocar que tenemos una base de datos relacional que vamos a necesitar para nuestra estructura de Data Analytics, pues nos enfocamos simplemente en lo importante. No tenemos que hacer ningún tipo de configuración de esas bases de datos, podemos depositar toda esa funcionalidad en el Managed Service que nos puede ofrecer una estructura serverless. Y al final todo se resume en eso, en ahorro de costes, en lo que nos podemos ahorrar económicamente utilizando Data Analytics en la nube respecto a lo que nos costaría utilizarlo en On Prem.

Y enfocarnos en lo que realmente importa, no José, o sea, enfocarnos en los datos y el manejo de los mismos y ya no preocuparnos tanto por la administración de los servers. Como bien dices, el serverless no es solo funciones lambda, por ejemplo, si ya hablamos de AWS, sino que va más allá con procesamiento de TL, como tú ya lo bien mencionas. Creo que son todos esos procesos que los clientes se van a ir dando cuenta de que no es solo hablar de Data Analytics, sino hablar de Data Analytics en la nube. La diferencia es abismal. Pero bueno.

Me gusta cuando hablo con alguno de mis clientes, tenemos una diapositiva muy interesante donde tenemos como una balanza y vemos que lo que realmente es el peso tradicional de las tareas que suponen toda la parte de security, de compliance, de realizar upgrades de software, upgrades, de todo el parcheado que suele tener cuando tiene sistemas on premise, eso consume mucho más recursos que cuando pasamos una estrategia serverless en los que, como tú comentas, te enfocas simplemente en lo que importa, en el manejo de esos datos, no en toda la infraestructura y todas esas acciones o esos procesos que requieren la infraestructura.

Sí, sí, está súper interesante y también me gusta cómo realmente mencionas que no es solo los fierros, sino es todos los gastos operativos extra, no es solo pensar en el CPU y en la RAM que te va a costar el servidor, sino también es pensar en el mantenimiento que se le tiene que dar ese server y que estamos evitando con esto de la nube.

Incluso lo que muchas veces nos olvidamos que es también el factor de costo humano de tener que tener especialistas en servidores, tener que tener especialistas en múltiples verticales, el entrenarlos es un costo que no es solo lo que se ve directo, sino también toda la parte indirecta.

Inclusive el gasto energético, ¿No?

Correcto, exacto, perfecto.

Pues bueno José, para todos los que nos escuchan o nos ven, tengo cuatro conceptos que pueden causar cierta confusión con las personas que nos escuchan. Me gustaría que tú con tus palabras, de la manera más simplificada posible, te voy a ir diciendo cada una y tú me dices cómo lo definirías a grandes rasgos. Por ejemplo, el concepto de Data Warehousing, ¿Qué es?

Pues para definirlo de una manera sencilla, yo te diría que el Data Warhammer sería como un almacén muy grande donde vas guardar o almacenar una gran cantidad de información, pero la diferencia puede decir, bueno, eso puede ser cualquier tipo de base de datos. En este caso la diferencia con otras bases de datos, otros sistemas de almacenamiento, es que un Data Warehouse nos va a permitir el que podamos acceder a toda esa información de una forma rápida y a escala. En comparación, por un ejemplo, un Data Warehouse entraría dentro de los sistemas allá comparado con base de datos relacionales, en las que vamos a estar escribiendo mucho y rápido, pero es mucho más pesado el extraer información. En un Data Warehouse vamos a dar una gran cantidad de información a la cual vamos a poder acceder de forma rápida y escalable para consumir esa información, ya sea a través de una herramienta de inteligencia de negocio o cualquier otra herramienta, pero nos enfocamos más en la extracción de información.

Excelente, muy buen resumen. Y la verdad es que yo siempre que me lo preguntan también lo veo como una biblioteca digital, obviamente en una escala de datos exagerada comparativa de una base de datos tradicional y lo veo como unificar, como unificar ciertos datos de origen en una sola, en un solo repositorio por así decirlo. Pero aquí entramos dentro de un concepto también muy famoso y muy usado últimamente que es el concepto de Data Lake. ¿Cuáles serían esos diferenciales entonces, José?

Claro, cuando hablábamos del Data Warehouse, estamos hablando que tenemos data estructurado, es un gran almacén como tú comentabas, pero la data tiene que estar estructurada. Entonces, ¿Qué ocurre? Que existen muchos casos en los que tenemos diferentes fuentes de datos, cada uno con su formato diferente, con con su propia arquitectura o su propia definición de tablas, con lo cual ya no cuadra dentro de esta estructura de datos que sería un dato Warehouse. Y ahí es donde aparece el Data Lake, donde vamos a seguir contando con un repositorio centralizado, pero vamos a poder tener, imagínate, volviendo al caso de uso de AWS, podemos tener una serie de buckets de NS, podemos tener archivos en un Data Warehouse, podemos tener base de datos relacionales, todas ellas van a poder estar dentro de ese dato lago de datos y vamos a poder establecer una gobernanza única, lo cual es muy importante porque en lugar de tener gobernanza por cada uno de los sistemas, que aún así vas a poder establecerlo, pero lo ideal es establecer esa capa superior de gobernanza para todas esas almacenes que tenemos dentro del lago de datos. Y aparte vamos a poder acceder también de forma notificada a cada uno de esos almacenes que tenemos dentro del lago de datos.

Excelente, creo que es una muy buena forma de verlo y resume bastante bien lo que en concepto es un Data Lake. Tercera definición, y lo mencionaste un poco hace un momento, todo el tema de la transformación, qué es el concepto de ETL, que se escucha mucho.

Cuando hablamos y es interesante porque hoy en día, por ejemplo también cuando hablamos de Inteligencia artificial Generativa, cuando hablamos de todo, que está tan de moda ahora mismo, al final necesitamos que los datos no lleguen a estos almacenes, ya sean a un lago de datos, ya sea a un data warehouse, a cualquier sistema que estemos utilizando para almacenar, necesitamos que esos datos tengan alguna estructura. Es como si nosotros simplemente tenemos palabras sueltas y no sabemos ordenarla para construir frases, pues al final no podemos comunicarnos, pues viene a ser algo parecido. Necesitamos de la información que podemos tener en bruto en cualquier sistema que estemos utilizando para recolectar los datos desde la fuente, ya sea datos que vengan directamente introducido por personas, etcétera. Necesitamos que ese data sea inteligible por los diferentes sistemas que vamos a utilizar al final para extraer información, para interpretarlos, etcétera. Entonces, esa parte DTL nos va a ayudar a eso, eliminar la data que no necesitamos porque no queremos pagar por esa data y almacenarla no va a tener ningún uso, poder transformarla para que pueda ser consumida para otros sistemas dentro de nuestra organización, ya sea sistemas que construyan algoritmos de Machine Learning, ya sea sistemas de visualización de data o cualquier otro. Entonces ETL nos va a ayudar a eso, a eliminar la información que no necesitamos y a transformarla para que pueda ser legible por otros sistemas dentro de la empresa.

Perfecto, gracias por ese concepto, José. Y el cuarto concepto, y yo creo que no hay mejor persona que lo pueda escribir, ya que eres especialista en la herramienta, que se centre en eso, ¿Qué es Business Intelligence? ¿Qué es Business Intelligence ahora sí? No sé.

Business Intelligence es la capacidad que nos aportan herramientas como QuickSight para poder extraer información que no es visible a la simple vista, digamos, nosotros podemos tener muchísima información, pero como humanos no somos capaces de procesar esa cantidad de información. Lo que te comentaba antes, si tenemos 98 zettabytes de información procesada, imagina en nuestra empresa, muchas empresas de tamaño medio, ya estamos hablando de terabytes de información que tienen a simple vista, incluso utilizando herramientas como Excel es muy difícil que podamos procesar esa información o nos va a tomar mucho tiempo. La inteligencia de negocio lo que nos ayuda es extraer de cualquier fuente de datos, y esto es muy importante porque estamos hablando de cualquier fuente de datos, poder extraer información sensible para nuestra empresa o para nosotros mismos a la hora de tomar decisiones, como un traductor, digamos que tenemos información diversa en muchos idiomas y las herramientas o la inteligencia de negocio nos va a traducir esa información extrayendo la información clave, keywords que se utilizan en inglés para ser como una especie de de paralelismo. Pero básicamente resumiendo y me extiendo mucho, ser capaces de extraer información que nos sea útil para tomar decisiones y volverla.

Digerible para que los que se encargan de tomar esas decisiones puedan verlo en un solo tablero, cuestión de segundos, información clara y precisa, creo que es lo más importante, que tal vez no se necesita ser un experto, pero con una simple vista de nuestro ojo humano podemos darnos cuenta de mucha información importante de las empresas.

Correcto, de hecho hay un caso muy claro, imagínate, y vuelvo a nombrar Excel, una tabla gigantesca en Excel donde tienes muchísimos números datos, no sé ustedes, pero para mí me pierdo, cuando empiezas a ver muchos números celdas, es muy difícil de consumir y de enfocarte en el dato clave. Por ejemplo, hay un cliente en un mes específico en una región donde han subido las ventas o han bajado, y ahí es donde te tienes que enfocar con la herramienta de inteligencia de negocio, ese detalle se te va a resaltar, vas a ser capaz de extraer o ver ese valor, esa data de una forma más rápida y sencilla. Y estamos hablando todavía de una forma de consumir inteligencia de negocio de forma tradicional, con todas las ayudas que nos agrega la inteligencia artificial generativa, especialmente en QuickSight, se convierte incluso más sencillo para personas sin ningún tipo de conocimiento o inteligencia de negocio, desde utilizar herramientas de inteligencia de negocio.

Claro, excelente José. Entonces digo, ya tenemos los conceptos claros, creo que con esto ya la plática puede fluir un poquito mejor, que los conceptos ya están asentados, pero ahora yo como tomador de decisiones dentro de mi empresa, ¿Cómo sé cuando mi empresa ya está lista para esta tecnología de Data Analytics? ¿Cuándo puedo identificar que ya podemos entrar o que tal vez nos falta un poco de tiempo y conocimiento? No lo sé. ¿Cómo identificamos eso?

Es una pregunta interesante para saber si estás listo para empezar este camino dentro de la analítica, yo comenzaría por analizar la cantidad de data que estás procesando, porque si al final es una pequeña empresa que está generando, no sé, 10 megas de data y los puedes procesar con un Excel, volvemos a nombrar al amigo Excel, pues realmente puede que no te sea necesario implementar una estrategia de datos. Yo creo que cuando el volumen de data se hace difícil de procesar de forma manual o incluso observamos, empezamos a observar discrepancias entre la data, de que quizás hay mucha, hay mucha manipulación humana y eso crea o genera errores, ahí es un momento en el que deberíamos empezar a pensar, quizás es momento de tener una estrategia de la data, empezar a utilizar data analíticos, automatizar algunos de estos procesos y que no haya tanta intervención manual que al final genera más errores.

¿Y justamente esto José, entonces qué recomendarías como primer paso? Cuando ya me comienzo a enfrentar estos problemas, ¿Cómo hago que mi journey de analítica no sea tan doloroso, que sea de la forma más natural posible? No lo sé. ¿Si primero tengo que estructurar mis datos, almacenarlos donde tienen que estar almacenados, qué recomendación darías?

Siempre como comentaba al principio, sin tener una, esto es como si su casa no está ordenada, es imposible encontrar nada. ¿Yo tengo aquí mi discusión con mi esposa, cuando se te pierden las llaves, tú sabes dónde siempre están las llaves? Si siempre las dejas en el mismo sitio, si sabes dónde siempre deja el monedero, siempre lo vas a encontrar y lo vas a encontrar muy rápido. Entonces esa tarea de tenerlo todo organizado, de estructurar la data, de ese proceso de ETL para saber necesito un lago de datos o quizás necesito un dato warehouse, o incluso quizás por la, por el tipo de data que yo tengo y por las preguntas que van a realizar los usuarios finales, quizás incluso no necesito un data warehouse con una base de datos relacional es suficiente y puedo extraer la información directamente de una base de datos relacional. Entonces preguntarnos primero cuáles son las preguntas que nuestros usuarios nos van a hacer, saber qué data tenemos que recolectar o almacenar para responder a esas preguntas, sabemos qué data vamos a recolectar, limpiarlo, quedarnos solo con lo que necesitamos para luego poder analizarlo y finalmente visualizarlo y darle esa información al usuario final. Es lo que te he contestado al revés, pero incluyendo lo que comentabas al final es clave estructurar la data, limpiarla y solo almacenar lo que realmente necesitamos.

Excelente. Cuando dabas la definición de Business Intelligence decías que podíamos conectar con literalmente cualquier tipo de origen de datos, ¿Esto es así? ¿Y cuáles son las principales fuentes de datos a las cuales tú te has enfrentado, o sea, a dónde suelen ir estas conexiones.

Realmente? En el caso, vuelvo a la herramienta que conozco que es quicksight, evidentemente los casos más comunes de fuentes de datos a la que nos vamos a conectar pues van a ser Data Warehouse, evidentemente. Data Warehouse surge como quizás el almacenamiento tipo para consumir data desde herramientas de inteligencia de negocio, ya que como comentaba, una de las fortalezas del Data Warehouse es que se puede leer mucho y la forma que tiene ese dato nos permite leer muchas cantidades de data, que al final lo que hace una herramienta de inteligencia de negocio acceder a mucha data y estar consumiéndolo de forma continua, porque un tablero no accede una persona o dos, pueden estar accediendo miles de usuarios, de hecho en Amazon los tableros que tenemos de QuickSight tenemos en épocas pico que acceden más de 200.000 usuarios, eso es una locura, más de 200.000 Usuarios es una barbaridad. Pero no sólo nos limitamos ya a Data Warehouse, podemos acceder a base de datos relacionales, quizás quieres consumir la data o quieres consumir o generar insights near real timing, casi tiempo real, eso no lo facilita una base de datos relacional, porque ahí podemos ingresar la data de forma más con una period mayor, pero igualmente podemos consumir esa data. En QuickSight podríamos acceder también a un lago de datos, podríamos acceder directamente back DS, o sea como te digo los tipos de fuente de datos son innumerables, resaltaría estos que acabo de comentar ahora mismo, pero bueno, pero podría haber más.

Excelente, José. Ya mencionaste por ejemplo, QuickSight como una herramienta más poderosa. No sé si tú tengas algún otro top 3 de servicios de Data Analytics dentro de AWS que son imprescindibles el aprender cuáles serían esos servicios principales dentro de AWS en cuestiones de analítica.

Obviamente, pues como hablábamos de ETL, hemos hablado antes, Glue es uno de esos servicios en AWS que nos va a ayudar a hacer esa transformación de los datos. Hemos hablado de Data Warehouse, la herramienta de Data Warehouse de AWS, Redshift. Evidentemente estos dos servicios sí que los recomendaría sin duda, por lo que comentaba anteriormente, pero, y quizás no sé si lo clasificaría dentro de data analytics, pero SageMaker nos va a ayudar en los casos de poder generar, en los casos en los que necesitemos generar predicciones o aplicar algoritmo de Machine Learning, también lo resaltaría como alguno de los servicios a considerar cuando hablamos de Data Analytics. Aparte de esto, hemos hablado de Data Lakes, pero sí, yo me quedaría con eso. Bueno, Amazon Athena nos va a ayudar a poder, utilizando Query SQL, poder extraer data. Hablábamos antes que podíamos tener un lago de datos, podemos utilizar queries a estos lagos de datos o hacer queries a cualquier otra fuente de datos externa que requiera un lenguaje SQL.

Perfecto, muy buenas recomendaciones. Creo que son muy buenos servicios base para construir un lago de datos, tener una estructura, un Data pipeline dentro de AWS, bastante, bastante sólido. Obviamente me gusta también que incorpore SageMaker, porque ya habla de servicios de IA que no son directamente servicios de analítica, pero vienen muy bien integrarlos, ¿No? Esa sinergia que hay como modular entre los servicios de AWS. Está súper padre que lo hayas mencionado y honestamente no lo esperaba, así que qué bueno que lo mencionas. Y justamente entre la.

Y perdón, te interrumpo. De hecho, como en caso la intervención interoperabilidad que existe entre servicios, simplemente resaltarte con SageMaker Canvas, además que es la opción que te permite crear de una forma gráfica un flujo de Machine Learning, vas a poder integrar con QuickSight, en este caso, con un clic, es una integración directa, o sea, el resultado de un flujo de SageMaker Canvas, puedes exportar ese resultado a QuickSight para visualizarlo o incluso contenido que has generado en QuickSight, una tabla que se haya podido generar, pues pasar el contenido de esa tabla a SageMaker Canvas para pasarla en un flujo de un proceso de Machine Learning también.

OK, entonces, por ejemplo, José, esto de SageMaker es IA directamente y vamos a poder generar, por ejemplo, todos esos insights o predicciones con los datos que ya tenemos. ¿Cómo funciona ese tema de predicción gracias a este tipo de servicios?

Exacto, quickset de forma nativa ya proporciona una funcionalidad de Machine Learning, bueno, en este caso son más de una, pero una es el poder generar una predicción temporal, por ejemplo, tenías una línea, un gráfico de línea temporal y poder añadirle la predicción a X meses futuro de ventas, por ejemplo, eso ya viene de forma nativa en quicksight, pero para aquellos casos en los que queramos tener algoritmos más complejos, podríamos generar ese algoritmo en SageMaker utilizando SageMaker Canvas, que nos permite generar ese algoritmo sin código, con cajitas, de forma visual y el resultado de ese algoritmo que hemos creado exportarlo a QuickSet para visualizar los posibles insight. Por ejemplo, que se detecte que en cinco meses las ventas van a subir en esta determinada región un x por ciento. Eso vamos a poder visualizarlo directamente en QuickSight con la información que nos ha generado el modelo predictivo de SageMaker Canvas. Pero adicionalmente en QuickSight también tenemos la opción, que también está producida por AI, que es la opción de detectar anomalías e interactuar con esas anomalías. Por ejemplo, si se detecta que las ventas han caído en un determinado, Imagínense que las ventas han caído en Jalisco un 50 % en el último mes, poder averiguar qué factores han influenciado en que hayan caído esas ventas, no simplemente ver que las ventas han caído, sino poder analizar qué factores han contribuido a ese descenso en las ventas. Eso también se puede se puede realizar de forma nativa en quicksight.

Sí, y me gusta mucho ese enfoque que le estás dando porque no solo estamos hablando de esa parte prescriptiva del futuro, sino también de las anomalías del pasado con los datos. Hablamos de pasado y futuro de los datos gracias a potenciarlo con inteligencia artificial. Y aquí mi siguiente pregunta José, sería ¿Consideras que todo este tema de IA dentro de AWS realmente es un diferenciador, por ejemplo, de QuickSight comparándolo con otras herramientas del mercado?

Absolutamente. Mucha gente habla de que es como la nueva, la nueva ola de innovación comparada con Internet. No sé si llega a ese nivel, pero sí que la capacidad de facilitar el uso de herramientas que nos trae la inteligencia artificial es brutal. En este caso, volviendo a QuickSight, imagina que vas a poder crear tableros sin tener ningún tipo de conocimiento de la herramienta, simplemente utilizando el lenguaje natural, escribiendo quiero que me creas un diagrama o un gráfico de Donat con el porcentaje de ventas por cada estado escribiéndolo, y te va a generar eso, va a generar tu gráfico. Está buscando eso como desarrollador, como autor.

Futuro de los datos, gracias a potenciarlo con inteligencia artificial. Y aquí mi siguiente pregunta, José, sería, ¿Consideras que todo este tema de IA dentro de AWS realmente es un diferenciador, por ejemplo, de QuickSight, comparándolo con otras herramientas del mercado?

Absolutamente. Mucha gente habla de que es como la nueva. La nueva ola de innovación comparada con Internet. No sé si llega a ese nivel, pero sí que la capacidad de facilitar el uso de herramientas que nos trae la inteligencia artificial es brutal. En este caso, volviendo a QuickSight, imagina que vas a poder crear tableros sin tener ningún tipo de conocimiento de la herramienta, simplemente utilizando el lenguaje natural, escribiendo quiero que me creas un diagrama o un gráfico de Downad con el porcentaje de ventas por cada estado escribiéndolo, y te va a generar el eso, va a generar tu gráfico que está buscando eso como desarrollador, como autor, con lo cual te facilita la creación de tableros. En lugar de tardar, no sé, pongamos un ejemplo, x horas, vas a tardar el 20% de esas x horas en crear un tablero. Y eso está muy bien desde el punto de vista de desarrollo, porque optimizas la generación de contenido dentro de una empresa. Pero si nos pasamos a la parte de visualización de contenido, lo que serían los usuarios finales buscando insight, buscando información dentro de tableros, el poder también utilizar el lenguaje natural para hacer preguntas, nos está facilitando la vida muchísimo. Porque ya no tenemos que ir a un tablero, buscar la información que estamos. La información específica para nuestro caso de uso, sino que simplemente hacemos preguntas. Y más allá de eso, podemos hacer preguntas incluso a data que no es visible a nuestros ojos dentro del tablero, sino que está por detrás. Con lo cual aquí entra o se enlaza un poco con el concepto de democratización de la data. Porque cualquier persona, sin ser técnica va a poder acceder a la data que tenemos ya estructurada. Incluso hay sistemas también como Amazon Cubusiness que nos va a permitir también acceder a la información no estructurada que tengamos dentro de la empresa, como sea, documentos o cualquier tipo de información, se vuelven.

Prácticamente un colaborador más de nuestras empresas, un brazo extendido para resolver esas preguntas de nuestra data estructurada de una forma increíble. Ya lo decías tú, tanto como autor, como lector, en todos los ámbitos. Lo cubre al 100% Amazon QuickSight, por ejemplo.

Exacto. Al final, como tú comentas, es una herramienta que igual que estamos tan acostumbrados a utilizar cuando accedemos a Internet, ir a motores de búsqueda, pues nuestro día a día de trabajo va a ser una herramienta más. El utilizar nuestro servidor de correo, el utilizar nuestra herramienta inteligencia de negocio para tomar decisiones, es una herramienta más por resaltar. En AWS, por ejemplo, cualquier decisión, cualquier asunto que tratamos internamente, siempre necesitamos métricas. No vale simplemente con decir, pues no sé, el resultado ha sido muy bueno. Tienes que aportar métricas cada frase o cada afirmación que compartas con tus compañeros. Y eso simplemente se consigue teniendo una herramienta inteligente de negocio que te dé esas métricas que necesita para soportar o apoyar tu argumento.

Claro, muy bien, excelente respuestas José. Pasamos ya al trayecto final de esta plática con un par de preguntas adicionales. ¿Tú consideras José, que es realmente costoso el uso de Data Analytics en la nube? ¿Ya lo mencionábamos, el tema serverless sin duda ayuda, pero las empresas pueden adoptar una parte de Data Analytics, de Business Intelligence sin que le sea tan costoso?

Yo realmente creo que sí hay bastantes estudios que lo que lo demuestran. Uno por ejemplo que leía hace poco, creo que era de quién era, que hablaba de un 31% de ahorros migrando al mirando a la nube. Quizás el costo más alto percibible inicialmente sea el de la expertise humano, el buscar, el encontrar, el encontrar esas personas con la capacitación necesaria para manejar los servicios en cloud. Pero a partir de ahí, si analizamos el costo de mantener una infraestructura, tú lo comentabas anteriormente, ya sea el costo de electricidad, el costo de esos fierros, el tener que hacer actualizaciones de esos fierros y que esos fierros se vuelven obsoletos al cabo de años, ya nos van a ser inútiles, tenemos que comprar nuevo fierro en el caso de pasarnos a la nube, no estamos pagando esa obsolescencia que va a ocurrir en algún momento, no estamos pagando esos upgrade de software que son necesarios cuando tenemos servicios on prem, con lo cual, sin duda, sí que existe ese ahorro. ¿Tenía alguna métrica más? A ver si la encuentro por aquí. Estaba aquí mirándola. Es tal el crecimiento actual que tiene el mercado de Cloud computing, de la migración al cloud, que susvergue para 2028 llegar a un trillón de dólares a nivel global y 2020 el mercado creció un 635%, pasando de 26 billones a casi 160 billones. Con lo cual el mercado, cuando el mercado crece a esa magnitud, las empresas no son estúpidas. Si una empresa emigra a cloud, al final es porque sabe que se está ahorrando plata, sabe que le sale más eficiente esa migración.

Sí, sí. Y yo creo que, digo, los datos siempre han existido, ¿No? Pero el ya darse cuenta, todas las empresas, ahora sí, todas, lo importante que son almacenarlos y usarlos correctamente, creo que es justo lo que está haciendo este boom, ¿No? Esta diferencia. Correcto. José, ¿Tú crees que las empresas necesitan realmente un equipo dedicado y especializado, Data Analytics, o pueden tener tal vez ese brazo extendido, utilizando, por ejemplo, nosotros como CompuCloud, podemos llegar a ser ese brazo extendido, expertos en data analytics en la nube y ya? ¿Crees que eso pueda suplir, obviamente, el tener un equipo dedicado?

Absolutamente. No todas las empresas tienen la misma necesidad. Habrá empresas que por el tamaño que tengan, por el tipo de negocio que desarrollen, no necesiten tener un equipo dedicado y les interesa más hacer ese outsourcing, en este caso a empresas como Uds. Como Compluc, que ya tienen ese expertise. Y al final esto funciona un poco como el cloud, porque ustedes pueden dar servicio a múltiples empresas al mismo tiempo. Ese know how que tienen lo pueden, sirve como es interoperable entre múltiples empresas. Imagínense que ustedes pues tienen una experiencia con un caso de uso específico y en el cual aprenden muchísimo sobre QuickSight con un determinado cliente. Ese conocimiento lo pueden extrapolar a cualquier otro cliente que tengan. Lo mismo con Redshift. Imagínense que tiene muchísima experiencia un equipo suyo con Redshift, eso lo pueden extrapolar a otros clientes también que tengan ustedes. Pero una empresa, llamámosla X, el tener expertise en QuickSight, Redshift, en Afina, etcétera, es más complicado que puedan llegar a tener ese conocimiento, porque al final ellos solo manejan su caso de uso típico, pero ustedes interoperan con múltiples clientes, con múltiples verticales, con múltiples casos de uso. Entonces, esa capacidad, yo creo que un partner como ustedes aporta un valor agregado y para eso, para empresas más pequeñas que realmente no les sale económicamente, no es sostenible para ellos es perfecto. Claso de uso.

Sí, sí, sí. Y al ser una tecnología tan reciente, me gusta porque vamos creciendo con nuestros clientes, saben como tú dices, vamos adquiriendo ese conocimiento de distintas industrias, distintas verticales y esto nos da un plus, un diferenciador para que nuestros clientes se sientan más cómodos por el conocimiento que ya hemos adquirido para crear tableros de BI, para generar procesos DTL, para generar un almacenamiento adecuado de datos estructurados o no estructurados. Así que sí, también ya hemos llegado a esa conclusión de este lado, que partners como nosotros como CompuCloud, realmente facilitamos todo este journey analítico al tener justamente esa interoperabilidad que menciona su cámara. Última pregunta, José. Tú en tu experiencia como experto en quicksight, ¿Cuáles crees que son esos casos más interesantes o exitosos que tú hayas vivido en carne propia de Data Analytics, de Business Intelligence? ¿Que nos puedes contar un poco?

Mira, os voy a contar por ejemplo uno. Evidentemente son casos públicos, que por eso puedo contarlos y están disponibles en la web, pueden ir a la página de AWS de quicksight. Hay un caso muy interesante de monetización. Es un proveedor de ERP chileno, pero bueno, se expandió colaborando con QuickSight, se ha expandido por todo América, por toda Hispanoamérica y se dieron cuenta que podían ofrecer diferentes versiones de QuickSight. Ellos ofrecían una versión de QuickSight conjuntamente con su ERP y simplemente el cliente final pues pagaba por su licencia de ERP y el visualizador QuickSight era como un valor agregado, pero sin costo adicional para el cliente. Pero se dieron cuenta que podían monetizar parte de la data que tenían agregándole nuevas funcionalidades. Como por ejemplo, ahora tenemos la capacidad de utilizar lenguaje natural que comentaba anteriormente, poder crear una licencia adicional para que los clientes finales que quisieran tener esas funcionalidades adicionales, pues pagaran un poco más por esa licencia. Con lo cual estamos hablando de un caso de uso de monetizar esa data que tenemos a través de QuickSight. Casos de uso también en FinOps es muy común utilizar en este caso por ejemplo, los tableros que nosotros llamamos Cost Usage Report, que nos ayudan a visualizar todo el consumo que tenemos interno dentro de AWS, ya sea por consumo en backstage de s, ya sea bases de datos, cualquier uso que tenemos interno con estos tableros vamos a poder visualizarlo. Y aquí viene lo importante, nos va a dar sugerencias de cómo optimizar esos gastos. Cómo optimizar esos gastos de manera que nos está diciendo, hey, aquí puedes reducir tus gastos porque parece que estás utilizando este servicio de forma incorrecta, parece que estás utilizando estas EC que no son las más apropiadas en base a la usabilidad que estás teniendo. Podría seguir con más casos de uso. Casos de uso en los que, no sé, si os gusta el fútbol americano, la National Football League, más de fútbol tradicional digamos, ellos utilizan en su página pública, en la de se llama Next Gen Stats. Si van a la página de NFL Next Gen Stats, van a poder ver que tienen embebidos en sus tableros tablas y otros grafos de quicksight donde informan de los pases, las yardas que hizo este jugador, cuántos, no sé cómo se dice realmente el concepto, pero utilizan esas métricas para dar también un valor agregado a su a su web. Casos de uso también como un cliente de una cadena hotelera muy grande en EEUU que nos comentaba, y también lo pueden buscar porque es público y al pasar de una herramienta que tenían anteriormente, en la cual solamente el upgrade de software cada dos, tres años le suponía 700.000 dólares, como QuickSight de upgrade de software, porque al ser todo nativo en cloud, no hay necesidad de hacer ningún upgrade de software por parte del cliente. Todos los upgrades se van haciendo de forma continua por parte del equipo de AWS, pero son completamente transparentes y gratuitos para el usuario final.

Excelente. Me encanta cómo literal tocaste muchas verticales porque casos de uso hay infinitos. Entre los que más me llama la atención que mencionas es el tema de usar AWS para analizar AWS, ¿No? Porque no solamente nuestros datos, sino realmente el que podemos los datos de nuestra misma infraestructura que ya tenemos en AWS, analizarlos y poner mejoras.

Perfecto.

Muy bien José. Primero que nada, muchas Gracias. En verdad ha sido un placer tenerte por aquí. Eres un experto en el área y se nota los años de experiencia que tienes y el conocimiento. Es un placer escucharte. No sé si quieras despedirte de nuestra audiencia con algún comentario adicional.

Muchísimas gracias a vosotros por invitarme. Espero también que la audiencia disfrute del podcast. Y nada, simplemente agradeceros a vosotros por este tiempo y por la iniciativa de estos podcast.

Perfecto, pues esperamos tenerte nuevamente por aquí para que nos sigas compartiendo estas actualizaciones y nuevas noticias que tiene tanto AWS como CompuCloud. Y los invitamos a que nos sigan escuchando con tips y conversaciones como esta a través de las distintas plataformas. Nos despedimos, ha sido un placer y nos vemos en el próximo episodio. Gracias.

Muchas gracias por escuchar este episodio de Hablemos de Tecnología en Nube. Contáctanos al o como CompuCloud en redes sociales. Hasta la próxima.