Esta transformación es fundamental en diferentes áreas, como la política, social y económica.

Esta digitalización evolutiva de la información transformará el mundo hacia una nueva cultura de toma de decisiones.

Los desafíos técnicos del uso de big data son muy reales. Pero los desafíos gerenciales son aún mayores, comenzando con el rol de líderes en todo ámbito, que deben asumir el reto de prepararse y preparar a los demás.

En mi organización que trabajo hay muchos sistemas utilizados alrededor de 15 sistemas y hay mucha distincion entre negocios.

Reto Mayor:

-Hay varios sistemas que la reporteria no fue configurada correctamente con esto me refiero pensando en el nivel de detalla que se podria necesitar en un futuro entonces no es posible extraer los datos y no es posible diseñar los reportes hoy en dia porque son sistemas antiguos (legacy) y se esta en proceso de pasarse a un ERP, entonces la organizacion ha decidido no invertir en los mismos.

Para el almacenamiento se tiene data lakes y son accesibles para los equipos que lo requieran.

Otro problema es la falta de una estrategia clara, realmente comprometida con los datos y su valor, si bien mucho de habla de su importancia; esto pocas veces esta reflejado en el ADN de la compañía. Las personas no están comprometidas con el objetivo y muchas veces nuevas necesidades que van apareciendo desplazan a los proyectos de datos, tanto por una limitante de recursos (personas) como cambios en la parte presupuestaria.

Cuando por fin se logra poner en marcha algún avance, resulta complejo de entender, difícil de incorporar al día a día, o incluso incompleto a las verdades necesidades planteadas inicialmente. Adicional a la resistencia al cambio que no se abordo correctamente en etapas previas y que resulta un retraso muchas veces en un go live.

Aún se está trabajando en la digitalización de la información

Quiero mencionar algunas barreras a la hora de una implementación del Big Data, sin hacer énfasis a la relevancia de cada uno de ellos porque considero que una posible categorización de dichos obstáculos dependerá de factores tales como el mercado, presupuesto de la organización para dicho proceso, especialización y nivel de capacitación de sus colaboradores, cultura empresarial, entre otros.

El primer obstáculo que quiero mencionar es el presupuesto, sabemos que desde una perspectiva económica los recursos son limitados y por ende si la empresa no cuenta una liquidez financiera optima pues el proyecto de implementación se vería directamente impactado de manera negativa.

Como segunda barrera, considero que es el almacenamiento y/o migración de los datos, como bien se ha mencionado en este modulo el ideal es contar con un Data Lake donde se pueda tener a disposición los datos y que de esta manera la organización entera pueda tener acceso a todo este insumo sin que los datos se encuentren fragmentados por departamentos, por ejemplo. Lo anteriormente mencionado en este párrafo hace referencia a que de manera tradicional las empresas manejas sus bases de datos en sistemas Legacy por ejemplo.

Por ultimo y no menos importante, el cambio de cultura, roles, funciones de las personas involucradas en los procesos a modificar, esto por cuanto el recurso mas retador en cuanto a su manejo es el Humano y por ello por sí solo cabe la posibilidad de que se constituya en un obstáculo.

2- Presupuesto necesario en el ambito de almacenamiento

Primero, la recopilación de datos presentó desafíos significativos debido a la variedad y volumen de las fuentes de datos. Nos encontramos con la dificultad de integrar datos provenientes de sistemas heredados, los cuales no estaban diseñados para interoperar con tecnologías modernas de Big Data. Esto nos llevó a enfrentar problemas de compatibilidad y a dedicar un considerable esfuerzo en la normalización de datos.

En cuanto al almacenamiento, el desafío principal fue escalar nuestra infraestructura de manera coste-efectiva para manejar el crecimiento exponencial de los datos. Decidir entre soluciones en la nube y on-premise requirió un análisis detallado de costos, seguridad y accesibilidad.

El procesamiento y análisis de los datos también representó una barrera importante. La principal dificultad fue construir un equipo con las habilidades técnicas necesarias para manejar herramientas y lenguajes específicos de Big Data, como Hadoop, Spark, y herramientas de análisis avanzado. Además, garantizar la calidad y la integridad de los datos a lo largo de todo el proceso fue un desafío constante, ya que afecta directamente la precisión de los análisis realizados.

Por último, la puesta en valor de los datos no estuvo exenta de obstáculos. Convertir los insights obtenidos del análisis en acciones concretas requirió no solo una comprensión técnica, sino también una sólida comprensión del negocio y de sus objetivos estratégicos. A menudo, la resistencia al cambio por parte de algunos stakeholders y la integración de las soluciones de Big Data con los procesos de negocio existentes supusieron retos adicionales.

Hemos logrado capacitar al personal con las herramientas adecuadas.  

Pero la resistencia atrasa los proyectos de big data que tenemos en proceso. 

Hemos logrado que las herramientas se utilicen en otras áreas con éxitos.

Hemos tenidos algunas dificultades, por que la información que viene desde otros lugares está incompleta, esto no ha permitido tener que conectarnos a otras fuentes externas y api público, para procesar la información y poder completar la información. Esto ha sido un reto.

No contamos con sistema legacy en la actualidad.

Seguimos avanzado y mejorando.

Algunos de los problemas que se han presentado en la empresa en la que trabajo tienen que ver con el procesamiento y con el desconocimiento de cómo operan las áreas y específicamente de donde y para qué sirven ciertos datos.

Estos problemas se han convertido en un reto para algunas de las áreas de la compañía puesto que el departamento responsable de big data no se tomó el tiempo en entender como operan ciertas áreas, los datos que se recolectan y como impactan estos día a día a nuestra operación y esta podría decirse que es la base problema ya que al ellos procesar la información han generado muchos reportes  para diferentes áreas con información errónea y ha sido un proceso de prueba y error no se han tomado la pausa para entender y modificar el error sino que tratan de corregir a poquitos  por lo que  varios departamentos actualmente no tienen información disponible para la toma de decisiones y sin datos no podemos accionar correctamente.

Este tema ha generado una poca aceptación para el proyecto de big data por que sin información las áreas no pueden operar y se ha convertido en un gran desafío a nivel centroamericano.

Una de las dificultades es principales es que exista el presupuesto para crear esa integración de las diferentes fuentes internas e incluso externas para poder producir información con mayor valor.

La reportería que se integra manualmente es igualmente valioso pero se invierte mucho tiempo y recurso humano, que puede generar más valor analizando que construyendo reportes.

La creación de grandes repositorios que consoliden las diferentes fuentes son el verdadero reto para lograr los OKRs deseados especialmente es una industria ya madura.

Como ya lo hemos visto, la transformación digital no solo se trata de la tecnológica, tiene que ver con con un verdadero cambio en la cultura organizacional y debe ser generada desde los lideres de la empresa, valorando e incluyendo dentro de la Estrategia Institucional los modelos y herramientas tecnológicas que generen valor agregado a los clientes, empleados y empresa.

La experiencia de hoy al limpiar y organizar la base de datos refleja cómo estas tareas, aunque técnicas, son esenciales para garantizar la calidad de la información y su utilidad en el negocio. Centralizar la data no solo requiere tecnología adecuada, sino también estrategias claras para integrar diferentes flujos de información de manera eficiente.

En el caso específico de nuestra organización, esta centralización no busca únicamente respaldar un servicio de reclutamiento tradicional, sino transformar la propuesta de valor hacia un modelo más integral. El objetivo es ofrecer a las empresas una plataforma robusta para la formación y captación de talento. Este enfoque no solo aumenta la competitividad de las empresas, sino que también potencia la retención y desarrollo de los colaboradores dentro de un entorno más dinámico y adaptado a sus necesidades específicas.

En la empresa que laboro, las barreras que se han presentado para la recopilación, almacenamiento y procesamiento, análisis y puesta en valor de datos se ha originado con los colaboradores de atención al cliente, los cuales no solicitaban la información completa y necesaria para la generación de documentos. Puesto que ya contamos con las herramientas de Big Data como la automatización de generar documentos y escritos, sin embargo este se vuelve inútil si no se aporta la información necesaria.

En nuestra organización la implementación de herramientas centralizadas a partir de data que se lleva a una base o repositorio centralizado, ha conllevado paralelos con los exceles que representaban la verdad absoluta y lo que hemos visto es que al final esa verdad absoluta maquilla u omite procesos mal realizados y que en lugar de modificarlos se ajustan manualmente, lo cual lejos de agregar valor genera dependencia de procesos manuales para llegar a esa "verdad absoluta"

Actualmente, estamos llevando a cabo una migración crítica de nuestros datos de ventas y financieros a un repositorio en la nube. Esto responde a la necesidad de consolidar grandes volúmenes de información dispersos en múltiples formatos, como hojas de cálculo de Excel y reportes generados por nuestro ERP. Esta dispersión no solo ha incrementado la complejidad operativa, sino que también ha limitado nuestra capacidad para obtener insights de manera ágil y precisa. Es por ello que la automatización de este proceso de integración de datos se ha convertido en una necesidad urgente, ya que de esta manera podremos minimizar errores humanos, mejorar la eficiencia operativa y garantizar la disponibilidad de los datos en tiempo real para la toma de decisiones.

En paralelo, hemos implementado un hub de visualizaciones desarrollado con herramientas de Business Intelligence (BI), el cual está conectado a nuestros archivos de Excel para proporcionar análisis y reportes interactivos que permiten a los equipos de trabajo obtener una visión más clara y detallada del desempeño de las distintas áreas de la empresa. Este hub está diseñado para facilitar el acceso a la información en tiempo real y ofrecer una plataforma centralizada donde los datos se pueden consultar y analizar de manera más eficiente.

Además, hemos empezado a explorar el uso de algoritmos de aprendizaje automático, específicamente en Python, para llevar a cabo análisis de clusterización que nos ayuden a segmentar mercados y diseñar estrategias más personalizadas. Estos modelos nos permiten identificar patrones y comportamientos en los datos que, de otro modo, podrían pasar desapercibidos. De esta forma, no solo mejoramos la efectividad de nuestras campañas de marketing, sino que también optimizamos la asignación de recursos y la toma de decisiones a nivel estratégico.

Este proceso de digitalización no se limita solo a la automatización de procesos o la implementación de nuevas herramientas, sino que también está impulsando un cambio cultural dentro de la organización. La adopción de una mentalidad orientada a los datos está permeando en todos los niveles, desde la alta dirección hasta los operativos, lo que está creando una base sólida para una toma de decisiones más ágil y con mayor foco en resultados. Sin embargo, somos conscientes de que esta transformación es solo el comienzo y que debemos seguir avanzando para optimizar nuestras infraestructuras tecnológicas y continuar con el desarrollo de capacidades analíticas que nos permitan estar a la vanguardia en la era digital.

1. Falta de Capacitación en Analítica de Datos

La capacitación insuficiente en analítica de datos es una de las barreras más significativas.

2. Calidad de los Datos

Muchos datos pueden ser incompletos, inexactos o inconsistentes, lo que dificulta su uso efectivo para el análisis y la toma de decisiones. La falta de estandarización en la recopilación de datos.

3. Acceso a Datos

El acceso a datos del sector público y privado puede ser complicado debido a trámites administrativos excesivos y requisitos complejos. Esto limita la capacidad de las EPS para obtener la información necesaria para realizar análisis.

4. Infraestructura Tecnológica

La falta de infraestructura tecnológica adecuada para almacenar y procesar grandes volúmenes de datos representa un obstáculo considerable. Muchas EPS carecen de los sistemas necesarios para implementar soluciones efectivas de Big Data.

Tenemos una dificultad en procesar grandes volúmenes de datos en tiempo real, por cuanto se tiene baja capacidad tecnológica bien sea de hardware, software o conectividad.

Los costos de implementación también son una barrera importante, las soluciones requieren de una inversión en infraestructura, talento humano, licencias o servicios en la nube.

Saludos.

Luis B.

Estructura organizacional dividida por regiones y modelos de negocio
Fanatics opera como un conglomerado de múltiples divisiones, donde cada unidad funciona casi como una empresa independiente, con su propio enfoque comercial.

Por ejemplo, la división de EE. UU. opera principalmente bajo un modelo de e-commerce, mientras que la división de Latinoamérica se enfoca en ventas mayoristas (wholesale).
Esta diversidad genera diferencias en los procesos, prioridades y métricas clave que dificultan la estandarización de datos.

1. Falta de cultura de datos: Muchos departamentos aún toman decisiones sin basarse en datos, lo que genera resistencia al cambio y desconfianza hacia las nuevas tecnologías.

2. Infraestructura limitada: La infraestructura tecnológica no estaba preparada para soportar grandes volúmenes de datos en tiempo real, lo que ha requerido inversiones importantes en hardware, almacenamiento y conectividad.

3. Falta de talento especializado: No se contaba con perfiles técnicos como ingenieros de datos, científicos de datos o arquitectos de soluciones Big Data, lo que retrasó la adopción y desarrollo de proyectos.

4. Calidad y silo de los datos: La información está dispersa en distintos sistemas, sin integración ni estandarización, lo que dificulta su análisis y aprovechamiento. Además, la calidad de los datos es irregular, con registros incompletos o desactualizados.

5. Aspectos legales y regulatorios: Al ser una empresa que maneja información sensible (como datos personales o financieros), existen restricciones legales que dificultan el almacenamiento y procesamiento en la nube o el uso de ciertas herramientas.

1. Calidad y consistencia de datos: Uno de los mayores desafíos es asegurar que los datos recopilados sean precisos, consistentes y relevantes. Los datos de mala calidad pueden llevar a conclusiones incorrectas y decisiones erróneas, por lo que establecer procedimientos sólidos para la validación y limpieza de datos es fundamental.

2. Infraestructura tecnológica: La infraestructura necesaria para almacenar y procesar grandes volúmenes de datos puede ser costosa y compleja de implementar. Las empresas deben invertir en servidores, almacenamiento en la nube y software de procesamiento avanzado, lo que requiere recursos significativos y una planificación cuidadosa.

3. Integración de sistemas: Muchas veces, los datos provienen de diferentes fuentes y sistemas que no están diseñados para trabajar juntos. La integración de estos sistemas es un desafío técnico, especialmente en empresas grandes con múltiples departamentos y líneas de negocio.

4. Habilidades y conocimientos: La falta de personal especializado en análisis de datos y Big Data es una barrera notable. Las empresas necesitan contratar y capacitar a profesionales que puedan convertir datos en insights accionables, pero la demanda de estos expertos a menudo supera la oferta.

5. Privacidad y seguridad: La recopilación y almacenamiento de datos, especialmente en industrias sensibles como la salud, plantea preocupaciones sobre la privacidad y la seguridad. Las empresas deben cumplir con regulaciones estrictas para proteger la información de los clientes y evitar violaciones de datos.

6. Convencer a las partes interesadas: A veces, el valor de Big Data no es evidente para todos los actores dentro de la organización. Convencer a las partes interesadas sobre la importancia de invertir en capacidades de Big Data puede ser difícil, especialmente si falta una comprensión clara de los beneficios potenciales.

Cada una de estas barreras requiere soluciones estratégicas específicas que van desde la inversión en tecnología y capacitación, hasta cambios en la cultura organizacional y en los procesos internos. Superar estos obstáculos es esencial para aprovechar todo el potencial que el Big Data ofrece

Los datos provienen de múltiples fuentes (redes, CRM, redes sociales, call center), y su calidad puede ser inconsistente.

Algunas áreas no están familiarizadas con metodologías basadas en datos, lo que genera fricción en la adopción.

A veces los equipos de TI y los líderes estratégicos no están alineados en los objetivos del proyecto.

Otro obstáculo importante ha sido la falta de estandarización en los datos. Por ejemplo, al momento de analizar reportes de comisiones, nos encontramos con diferencias en la codificación de órdenes, precios mal registrados o errores humanos que dificultan automatizar procesos o aplicar modelos de análisis avanzados.

Otro obstáculo importante ha sido la fragmentación de la información. Muchos de nuestros registros de clientes, eventos y preferencias estaban distribuidos en diferentes canales como WhatsApp, hojas de Excel, formularios físicos y redes sociales, lo que dificultaba una recopilación ordenada y centralizada.

También enfrentamos dificultades en el análisis y puesta en valor de los datos debido a la falta de personal con conocimientos técnicos en análisis de datos o herramientas de Business Analytics. Aunque nuestro equipo está comprometido con el crecimiento, ha sido necesario iniciar procesos de capacitación para poder transformar los datos en decisiones estratégicas.

Por último, como en muchas pymes, el tiempo y los recursos limitados también representan una barrera. La implementación de soluciones basadas en Big Data requiere inversión, planificación y continuidad, por lo que avanzar en este camino ha implicado ir paso a paso, priorizando acciones que generen valor a corto plazo sin descuidar nuestras operaciones diarias.

A pesar de estos obstáculos, seguimos trabajando para integrar la tecnología y los datos en nuestra estrategia, porque entendemos que el futuro de la personalización y el crecimiento está en saber interpretar lo que nuestros clientes nos dicen a través de la información que generan.

También hemos notado que la información está muy dispersa. Tenemos datos en WhatsApp, en mensajes de Instagram, en cotizaciones por correo o en formularios de Google, pero no están centralizados. Eso hace que sea difícil analizarlos o identificar patrones de comportamiento en nuestros clientes.

Otro tema importante es el tiempo. Al ser un emprendimiento pequeño, estamos enfocados en la operación diaria: atender pedidos, coordinar entregas, publicar en redes, etc. Por eso no siempre podemos dedicarle el espacio que se necesita para organizar y procesar bien los datos.

Además, aunque no manejamos grandes volúmenes de información como una gran empresa, la falta de estructura en cómo guardamos y usamos los datos nos ha hecho ver que necesitamos avanzar paso a paso: desde tener una base de clientes clara hasta identificar cuáles productos se venden mejor en ciertas épocas.

A pesar de estos retos, estamos convencidos de que aprovechar mejor los datos puede ayudarnos mucho a crecer.

He conocido organización que se se enfrentan a retos muy grandes si desean implementar  Big Data y Business Analytics por ejemplo la recopilación.

Los datos en muchas empresas están dispersos en distintos sistemas y en formatos incompatibles, dificultando su integración, el almacenamiento y procesamiento, también se pueden enfrentar a grandes volúmenes de datos lo que puede requerir una inversión considerable para migrar a mejores soluciones, se debe buscar facilitar el análisis.

Considerando lo anterior se evidencia una necesidad de fortalecer la cultura de toma de decisiones basada en datos.

• Planificación: con herramientas de forecasting para anticipar demanda.

• Ventas a retailers: análisis de sell-in, sell-out y stock in trade.

• Mercadeo: evaluando impacto en punto de venta.

• Gerencia: mediante KPIs clave como Forecast del Mes, Budget del Mes, Budget YTD, Targets y desempeño vs. año anterior.

Toda esta información se centraliza en un modelo único, se procesa mediante un ETL híbrido (Power Query para escenarios estandarizados y Python pandas para estructuras más complejas), se normaliza en CSV y se carga a SQL con SSIS. Posteriormente, se homologan los SKUs de los retailers con nuestro Master de Producto, y los datos quedan listos para ser explotados en Power BI.

Gracias a esto, los distintos usuarios pueden acceder a dashboards interactivos, responder preguntas de negocio y tomar decisiones basadas en datos. Para asegurar la adopción, realizamos capacitaciones periódicas que fortalecen la cultura de “data-driven decision making”.

🚧 Principales barreras enfrentadas

1. Fuentes heterogéneas: cada retailer entrega archivos en formatos y estructuras distintas, lo que exige flexibilidad en el ETL.

2. Impuntualidad e inconsistencia: la calidad y el tiempo de envío de la data no siempre son confiables.

3. Homologación de productos: los códigos locales requieren mapeo constante contra el SKU oficial.

4. Resistencia cultural: algunos usuarios aún prefieren depender de reportes en Excel en lugar de explotar la herramienta BI.

5. Adopción de Power BI: aunque contamos con dashboards robustos, es un reto fomentar que cada decisión esté respaldada en datos y que los usuarios naveguen correctamente en los paneles.

👉 Conclusión: la verdadera barrera no es solo tecnológica, sino cultural. Por ello, el mayor esfuerzo se centra en fortalecer la confianza de los usuarios en Power BI, mostrando que allí está la “única fuente de la verdad” y que las decisiones más acertadas se toman cuando los datos son el punto de partida.

1. Calidad y veracidad de los datos

   • Datos incompletos, duplicados o poco confiables dificultan la toma de decisiones.

   • Se requiere depuración, estandarización y validación constante.

2. Volumen, velocidad y variedad

   • Manejar grandes cantidades de datos en tiempo real exige infraestructuras potentes.

   • Los datos provienen de múltiples fuentes (estructurados, no estructurados, imágenes, sensores, redes sociales, etc.).

3. Costos de infraestructura y tecnología

   • Implementar servidores, almacenamiento, software de análisis y soluciones en la nube puede ser costoso.

   • Se debe balancear la inversión con el retorno esperado.

Recopilación de datos

·       Falta de capacitación técnica: El personal local y parte de los usuarios internacionales enfrentan dificultades para comprender plenamente las funcionalidades de Umoja, lo que genera errores y lagunas en la entrada inicial de datos.

·       Infraestructura limitada: En zonas remotas o afectadas por el conflicto, la conectividad a internet y el acceso a dispositivos adecuados puede ser insuficiente, imposibilitando la recopilación de datos en tiempo real.

·       Resistencia al cambio: Existe reticencia entre el personal a migrar procesos manuales o archivos tradicionales al sistema digital, lo que ralentiza la integración y la calidad de los datos recopilados.

Almacenamiento de datos

·       Capacidad tecnológica restringida: La falta de servidores locales robustos y de soluciones de respaldo adecuadas limita el almacenamiento seguro y eficiente de grandes volúmenes de datos.

·       Problemas de sincronización: En ocasiones, los datos capturados en campo tardan en reflejarse en el sistema central, generando inconsistencias y duplicidades.

·       Seguridad de la información: Los riesgos asociados a la protección de datos sensibles aumentan debido a la vulnerabilidad frente a amenazas cibernéticas y la insuficiencia de protocolos de seguridad.

Procesamiento y análisis de datos

·       Limitaciones en la interoperabilidad: La integración de Umoja con otros sistemas de la ONU, bases de datos locales o plataformas externas no siempre es fluida, lo que impide realizar análisis comprehensivos.

·       Calidad y consistencia de datos: Datos incompletos, mal ingresados o sin validación dificultan el procesamiento automatizado y minan la fiabilidad de los resultados.

·       Recursos humanos insuficientes: La falta de personal especializado en análisis de datos limita la capacidad para generar reportes y tomar decisiones informadas.

Puesta en valor de los datos

·       Dificultad de acceso a la información: Aunque Umoja centraliza los datos, la estructura de permisos y la complejidad del sistema dificultan que usuarios pertinentes accedan a información relevante de manera ágil.

·       Comunicación interna: Los resultados de análisis y reportes no siempre son compartidos oportunamente entre las diferentes secciones de la misión, lo que retrasa la toma de decisiones y la acción coordinada.

·       Falta de adaptación contextual: Los análisis generados por Umoja pueden no estar plenamente ajustados a las particularidades locales y operativas de MINUSCA, reduciendo la utilidad práctica de la información procesada.

Conclusión

La misión MINUSCA, a pesar de los avances tecnológicos que supone la adopción del sistema Umoja, enfrenta una serie de retos estructurales, humanos, técnicos y contextuales que limitan el aprovechamiento óptimo de los datos. Superar estas barreras requiere inversiones en formación, infraestructura, seguridad y cultura organizacional, así como una adaptación constante del sistema a las realidades sobre el terreno.

Carla LOPEZ

En nuestra organización, la implementación de Big Data en el sector inmobiliario ha presentado varias barreras u obstáculos en las distintas etapas del manejo de datos:
Uno de los principales desafíos ha sido la integración de datos provenientes de diversas fuentes, tanto internas como externas. La información de ventas, clientes, propiedades y transacciones se encuentra en formatos heterogéneos (archivos Excel, bases de datos tradicionales, portales web, redes sociales), lo que dificulta su estandarización y captura eficiente. Además, la falta de una cultura de registro consistente por parte de algunos colaboradores limita la calidad de los datos recopilados.
La cantidad creciente de información ha generado retos para almacenarla de manera segura y escalable. Contar con infraestructura adecuada que soporte grandes volúmenes de datos históricos y en tiempo real ha requerido inversión en tecnologías como Data Lakes y soluciones de procesamiento distribuido. Asimismo, garantizar la seguridad y privacidad de los datos de clientes es un factor crítico que requiere controles adicionales.
Aunque contamos con herramientas de análisis, la complejidad de los datos y la necesidad de insights precisos sobre tendencias del mercado, segmentación de clientes y predicción de precios representa un reto constante. La falta de personal capacitado en análisis avanzado y Big Data limita nuestra capacidad de extraer valor rápidamente de los datos disponibles.
Otro obstáculo importante es la resistencia al cambio dentro de la organización. Integrar decisiones basadas en datos en procesos tradicionales de compra y venta de inmuebles requiere tiempo y capacitación, especialmente en equipos acostumbrados a métodos convencionales de gestión y evaluación.

Primero, en la República de Panamá no se ha implementado la IA en el sector publico (servicio público-gubernamental), pero sería una excelente iniciativa la integración de esta herramienta.

Vale recordar que para que sea eficiente esta herramienta, se debe aplicar los siguientes pasos:

1. ​Captura de datos: Es uno de los primeros pasos. Se centra en dónde se encuentran los datos (redes sociales, webs, etc.), cómo capturarlos, qué tipo de datos (estructurados, no estructurados, semiestructurados) y con qué frecuencia. Esta incorporación también se denomina "ingesta". Si la ingesta es constante y en tiempo real, se habla de big data streaming.

2. ​Almacenamiento y procesamiento de datos: Esta etapa analiza qué hacer con los datos capturados y dónde almacenarlos. Implica definir la arquitectura de big data y la tecnología de base de datos adecuada. El procesamiento puede ser en tiempo real (streaming) o por lotes (batch), siendo esta una decisión tecnológica crucial.

3. ​Análisis de los datos: Esta es una fase compleja donde se aplican métodos para identificar patrones y comportamientos en los datos almacenados. Es común implementar algoritmos de inteligencia artificial para realizar análisis descriptivos (qué ocurrió), predictivos (tendencias futuras) o prescriptivos (sugerencias).

4. ​Puesta en valor: Es el proceso final y esencial, ya que sin él, lo anterior carece de sentido. Su objetivo es presentar los datos convertidos en información para que sirva de apoyo a la toma de decisiones en la organización, permitiendo que las decisiones estén respaldadas por datos fidedignos. Es aquí donde las organizaciones pueden generar ventaja competitiva.

Todos estos 4 puntos en cuanto, enfatizándonos en el primero donde se realiza la captura de datos se debe implementar la estrategia de análisis.

Saludos.

Jorge Vargas

Abogado

En cuanto al almacenamiento y procesamiento, se presentan desafíos relacionados con la infraestructura tecnológica limitada, los altos costos de inversión y la necesidad de garantizar altos niveles de seguridad y confidencialidad. Esto complica la adopción de tecnologías Big Data modernas y el procesamiento de datos en tiempo real.

Respecto a la etapa de análisis y puesta en valor, existen barreras asociadas a la falta de talento especializado, una cultura organizacional poco orientada a datos y la dificultad para transformar los análisis en decisiones estratégicas concretas que generen valor para el negocio sin comprometer el cumplimiento normativo y legal.

Interoperabilidad con otras instituciones homologas: Sumado a esto al ser una entidad gubernamental nos encontramos con comportamiento de isla y celos por la data que cada institución genera, lo que dificultad que se pueda crear un data lekes alimentado con las informaciones que se requieren desde otras intetituciones.

Falta de visión: La areas misionales tienen comportamientos tradicionales con lo que evitan sumar nuevas tecnologias o metodos en el procemiento de los datos.

Entiendo que con un programa de concientización y consultoria se podria cambiar este estado.

Víctor Pérez Escotto

Por ejemplo, en una organización de medios digitales, los datos están dispersos: tráfico web, app, OTT, CRM, redes sociales, herramientas publicitarias, bases históricas internas. Integrar todo eso en un repositorio común no es inmediato. Los formatos son distintos, hay duplicidad de usuarios, inconsistencias en campos clave y, muchas veces, ausencia de estándares definidos desde el origen.

Otra barrera fuerte ha sido la calidad del dato. Antes de pensar en modelos predictivos o segmentación avanzada, hay que limpiar, normalizar y validar. En más de una ocasión nos encontramos con registros incompletos, campos mal estructurados o métricas que no estaban alineadas entre plataformas. Si el dato no es confiable, el análisis pierde valor.

También está el reto de la arquitectura adecuada. No siempre es claro desde el inicio si necesitamos procesamiento batch (por lotes), streaming en tiempo real o una combinación de ambos. Tomar esa decisión sin tener completamente definido el caso de uso puede generar sobrecostos o soluciones poco escalables.

Pero si tuviera que señalar la barrera más compleja, diría que es la cultura organizacional. Tener un Data Lake o dashboards avanzados no garantiza decisiones basadas en datos. Muchas veces las áreas siguen tomando decisiones por intuición o experiencia previa, aunque exista información disponible. La transformación real ocurre cuando el dato se convierte en parte del proceso decisional.

Finalmente, está la puesta en valor. No basta con almacenar grandes volúmenes de información. El desafío es convertir esos datos en insights accionables que impacten en ingresos, eficiencia operativa o retención de clientes. Si el proyecto se queda en reportes descriptivos, el potencial de Big Data no se aprovecha.

En conclusión, implementar Big Data no es solo una cuestión tecnológica. Es un proceso de madurez que involucra gobierno del dato, alineación estratégica y desarrollo de talento interno. La tecnología habilita, pero el valor lo genera la capacidad de interpretarla y aplicarla al negocio.

No hay duda que la presión de la competencia y la rentabilidad operativa empujan a las empresas a ser más eficientes y acelerar la toma de decisiones, pero debe de realizarse de una forma ordenada y con un norte fijo en el horizonte.

La falta de estandarización en los datos dificulta su recopilación y análisis. También existen retos relacionados con la infraestructura tecnológica necesaria para almacenar y procesar grandes volúmenes de información, así como la escasez de profesionales especializados en ciencia de datos.

En mi organización, la implementación de Big Data ha puesto en evidencia barreras que van mucho más allá de la tecnología. El primer obstáculo apareció en la recopilación de datos: descubrimos que la información estaba dispersa entre múltiples sistemas, formatos y áreas, sin una estructura común que facilitara la ingesta. Esto nos obligó a cuestionarnos qué datos realmente necesitábamos y cuáles solo generaban ruido. También enfrentamos desafíos de calidad: datos incompletos, duplicados o desactualizados que dificultaban construir una base confiable para cualquier análisis posterior.

A medida que avanzamos hacia el almacenamiento, el procesamiento y la puesta en valor, surgieron nuevas complejidades. La infraestructura existente no estaba preparada para manejar grandes volúmenes ni para integrar datos estructurados y no estructurados, lo que nos llevó a evaluar arquitecturas más flexibles como los data lakes. En la fase analítica, la falta de modelos maduros y de perfiles especializados ralentizó la capacidad de extraer patrones útiles. Y, quizás el reto más grande, fue la puesta en valor: traducir los insights en decisiones. La cultura organizacional aún está en transición hacia un enfoque verdaderamente data-driven, y eso implica trabajar en la adopción, la confianza en los datos y la capacidad de los equipos para interpretar la información con claridad y propósito.

Esto genera varios retos. Por un lado, la necesidad de asegurar el cumplimiento de normativas de protección de datos implica procesos más rigurosos, controles adicionales y validaciones constantes, lo que puede ralentizar la implementación de proyectos. Por otro lado, existe una barrera cultural y de conocimiento: no todos los colaboradores están plenamente capacitados para manejar datos sensibles de forma adecuada, lo que incrementa el riesgo de uso indebido o de incumplimientos.

En este contexto, considero que la clave está en fortalecer la capacitación continua, establecer lineamientos claros de gobierno de datos y promover una cultura organizacional basada en el uso responsable de la información. Esto no solo permite mitigar riesgos legales, sino también generar confianza y aprovechar de manera sostenible el valor del Big Data.

En la organización, uno de los principales obstáculos ha sido la fragmentación de los datos, ya que provienen de distintas fuentes y no están integrados. Asimismo, existen limitaciones en el almacenamiento y la infraestructura, lo que dificulta gestionar grandes volúmenes de información.

A nivel de procesamiento y análisis, se evidencia una falta de capacidades técnicas y herramientas especializadas, lo que complica transformar los datos en información útil. Finalmente, uno de los mayores retos es la puesta en valor de los datos, ya que aún no existe una cultura organizacional completamente orientada a la toma de decisiones basada en datos.

1. Recopilación de los datos:  Integrarlos de múltiples fuentes de información internas (sistema operativo o reservas, atención al cliente). Estos sistemas no siempre están unificados y lo que puede generar inconsistencias o duplicidad de datos

2. Almacenamiento de dato: el manejo de grandes volúmenes de información requiere infraestructuras. Robustas y escalables. Implica inversión tecnológica importante y decisiones estratégicas sobre el uso de soluciones en la nube o en sistemas propios.

3. Procesamiento de análisis: Otro obstáculo relevante es la disponibilidad de talento especializado. Como lo vimos en charlas anteriores, ingenieros de datos, analistas científicos de datos que permitan transformar los datos en información útil. La calidad de los datos influye directamente en la de precisión del análisis.

4. La puesta en valor de los datos. Una barrera importante, es la cultura organizacional. Si bien es cierto la aerolínea a la que represento hace mucho énfasis en la cultura organizacional. no siempre todas las áreas están preparadas para tomar decisiones basadas en datos. Lo que puede limitar el impacto de estas iniciativas.

5. Aspectos de seguridad y regulación: en organizaciones que manejan datos personales, como de las aerolíneas, existen restricciones legales y de confidencialidad que condicionan el uso de la información, lo cual puede dificultar su explotación.

El material indica que antes de pensar en tecnología se debe conocer el negocio, entender el problema y definir objetivos claros. Esto es clave, porque comprar una solución costosa sin saber qué problema se quiere resolver puede llevar a una implementación cara y poco útil.

Otra barrera importante es la ingesta y almacenamiento de datos. No basta con capturar información; hay que definir de dónde vendrán los datos, con qué frecuencia se actualizarán, si el proceso será batch o streaming, y dónde se almacenarán, por ejemplo, en un Data Lake.

Finalmente, considero que la mayor dificultad está en la puesta en valor: convertir los datos en conocimiento accionable. Si los dashboards, modelos o reportes no ayudan a responder preguntas como qué vender, a quién venderle, cuánto cobrar o cómo retener clientes, entonces el proyecto de Big Data pierde sentido.

En conclusión, Big Data no es solo acumular datos ni comprar tecnología. Es construir una estrategia donde negocio, tecnología, análisis y toma de decisiones trabajen juntos.

Las barreras es la maduración del sistema y que realmente permita solucionar los problemas del negocio y tomar decisiones basadas en estos datos. Es importante establecer un modelo de gestión basado en los datos.

1. Barreras Organizacionales y Estratégicas (Antes de la Tecnología)

Uno de los mayores obstáculos no es técnico, sino conceptual y de planificación:

• Enfoque erróneo en la tecnología: Muchas organizaciones cometen el error de centrarse en el software o hardware antes de analizar y entender el problema de negocio que pretenden resolver.

• Resistencia al cambio organizacional: Implementar Big Data no es solo instalar un sistema; implica cambios en los trabajos, habilidades, administración y cultura de la organización.

• Objetivos poco realistas: A menudo se plantean metas excesivamente ambiciosas o difíciles de cumplir que resultan inviables a largo plazo.

• Falta de respaldo: Es un obstáculo no contar con el apoyo de los stakeholders (interesados) o no haberlos identificado correctamente al inicio del proyecto.

2. Obstáculos en la Recopilación (Captura) de Datos

• Dispersión y heterogeneidad: Los datos suelen estar dispersos en múltiples fuentes (redes sociales, archivos PDF, videos, sistemas internos) y en formatos muy variados (estructurados, no estructurados y semiestructurados).

• Accesibilidad de la información: En ocasiones, los datos necesarios no son factibles de encontrar o utilizar, o requieren el desarrollo de programas complejos de captura automática, como técnicas de web scraping.

• Definición de frecuencia: Determinar si la ingesta debe ser constante (streaming) o por lotes (batch) cambia radicalmente la complejidad técnica necesaria.

3. Obstáculos en el Almacenamiento y Procesamiento

• Capacidad de las máquinas: Los grandes volúmenes de datos superan rápidamente la capacidad de una sola máquina, lo que obliga a implementar sistemas de archivos distribuidos complejos de gestionar.

• Decisión de infraestructura: La organización debe enfrentar la difícil elección técnica entre modelos OnPremise (servidores propios), Cloud (nube) o modelos híbridos, cada uno con sus propias implicaciones de costo y seguridad.

• Necesidad de equipos expertos: El tratamiento de datos implica cuestiones informáticas de alta complejidad que requieren profesionales técnicos especializados.

4. Barreras en el Análisis de Datos

• Complejidad algorítmica: El análisis requiere métodos complejos de inteligencia artificial y machine learning para identificar patrones y segmentar información, lo cual es una de las fases más difíciles del proyecto.

• Incertidumbre en los resultados: Dependiendo de la calidad del modelo y de los datos recopilados, existe el riesgo de que los resultados no sean los esperados.

5. Obstáculos en la Puesta en Valor

• Dificultad en la interpretación: A veces los reportes son visualmente "elegantes" pero poco entendibles para quienes deben tomar las decisiones, lo que requiere un esfuerzo adicional de traducción y simplicidad.

• Cambio de paradigma en la toma de decisiones: Existe la barrera cultural de pasar de decisiones basadas en la intuición o experiencia personal a decisiones estrictamente respaldadas por datos fidedignos.

• Control de modelos autónomos: Cuando se implementan decisiones automáticas (como el otorgamiento de créditos), se requiere un seguimiento constante y humano para evitar errores de los modelos autónomos

Mi empresa tiene un obstaculo importante, y es que tiene demasiada información y no sabe que hacer con ella, aunn no se consolida para ser tratada de manera correcta.