Tendencias en el diseño de productos de análisis de datos y BI en la era de GenAI
Julian, Joy·
Como lector leal y fanático de Gartner, siempre he admirado las profundas percepciones y la experiencia que sus analistas aportan a la mesa. Estos expertos de primer nivel, con años de experiencia en la industria, destacan en el pensamiento independiente en ámbitos académicos, técnicos, de producto, industriales y de negocios. Sus análisis e informes, enriquecidos por la práctica del mundo real y frecuentes interacciones con clientes y CXOs, son conocidos por sus agudas percepciones y predicciones de tendencias precisas.
Por ejemplo, en junio de 2022, Gartner pronosticó con precisión las principales tendencias para las aplicaciones de GenAI en la industria.
En este artículo, tengo la intención de profundizar en cómo las tendencias de diseño para análisis de datos y productos de Inteligencia Empresarial (BI) se están remodelando por el auge de GenAI. Basándome en la extensa investigación de Gartner y su profunda comprensión del panorama de análisis de datos y BI, aspiro a compartir percepciones prácticas y orientación práctica para ayudar a los profesionales a navegar esta era transformadora.
Cuando se trata de esta dirección, Gartner categoriza los productos y tecnologías clave en dos campos principales: Análisis e Inteligencia Empresarial (ABI) y DSML (Ciencia de Datos y Aprendizaje Automático). Profundicemos en cada uno.
Análisis e Inteligencia Empresarial (ABI) es un término amplio que abarca aplicaciones, infraestructura, herramientas y mejores prácticas, todas diseñadas para permitir a los usuarios acceder y analizar información para mejorar y optimizar la toma de decisiones y el rendimiento.
Las interfaces tradicionales de arrastrar y soltar en las plataformas ABI ahora se complementan con interfaces conversacionales basadas en texto impulsadas por GenAI, lo que permite a los usuarios solicitar informes o tuberías en lenguaje natural.
Los principales proveedores de ERP y CRM en la nube influyen en las elecciones de plataformas ABI, generando preocupaciones sobre el bloqueo de proveedores, mientras impulsan la adopción de estrategias de "multinube" para mayor flexibilidad y apertura. Microsoft lidera el mercado con el crecimiento de Power BI impulsado por su asequible paquete con Microsoft 365 (E5) y su integración con Microsoft Teams, especialmente en la era del trabajo remoto.
Los proveedores de análisis de nicho se diferencian al ofrecer soluciones personalizadas para segmentos de mercado específicos, enfatizando la independencia de los grandes proveedores de la nube para abordar las preocupaciones sobre el bloqueo.
El mercado está adoptando rápidamente capacidades de bajo código/sin código, evolucionando de los paneles tradicionales a la entrega de percepciones contextuales que mejoran la toma de decisiones y generan valor comercial.
Las plataformas de Ciencia de Datos y Aprendizaje Automático (DSML) proporcionan soporte de extremo a extremo para todo el ciclo de vida de los modelos de IA, incluyendo GenAI. Ellas cierran la brecha entre desarrollo y producción, permitiendo a las organizaciones fortalecer las prácticas de MLOps y optimizar el despliegue de IA.
Las plataformas DSML son cada vez más vitales como activos empresariales, con una creciente demanda de GenAI que impulsa un significativo crecimiento en el gasto. Sin embargo, integrar datos, modelos e infraestructura en soluciones escalables sigue siendo complejo.
Las plataformas DSML han evolucionado en soluciones de pila completa, cubriendo infraestructura multinube, tuberías de datos, entrenamiento de modelos, despliegue y desarrollo front-end. La diferenciación reside en sus niveles de abstracción, permitiendo iteraciones rápidas sin requerir profundizaciones técnicas.
GenAI acelera la democratización de la ciencia de datos, empoderando roles alineados con el negocio a través de características de AutoML maduras como asistentes de codificación, consultas en lenguaje natural y automatización de flujos de trabajo.
Aunque los principales proveedores de la nube dominan la adopción de DSML debido a su robusta infraestructura, quedan oportunidades para que los actores independientes innoven, especialmente en fomentar la colaboración del equipo.
En medio de la ola de GenAI, los casos de uso fundamentales de ciencia de datos que impulsan decisiones basadas en percepciones deben ser tenidos en cuenta. Las plataformas DSML son particularmente adecuadas para unificar análisis avanzados y desarrollo de IA.
Para 2026, el 50% de las organizaciones evaluarán plataformas ABI y DSML como soluciones unificadas debido a la convergencia del mercado. La integración de ABI y DSML se está convirtiendo en una tendencia significativa, impulsando un enfoque holístico hacia el análisis y el aprendizaje automático.
Al diseñar un producto, es crucial considerar dos aspectos clave:
Capacidades del Producto
Estas son las características y funcionalidades esenciales que un producto debe tener para operar efectivamente dentro de su dominio.
Casos de Uso
Los principales personas usuarias y sus escenarios de aplicación, cada uno con prioridades únicas y un énfasis variable en capacidades específicas del producto.
Mapear casos de uso a las capacidades de producto correspondientes es fundamental para guiar el diseño del producto, asegurando que la plataforma satisfaga las necesidades de los usuarios mientras se alinea con los objetivos centrales.
Las capacidades del producto ABI pueden clasificarse en 12 categorías:
Catálogo de Análisis: Habilita la exhibición de contenido analítico, facilitando que los usuarios descubran y utilicen recursos. Soporta funcionalidad de búsqueda y proporciona recomendaciones.
Percepciones Automatizadas: Aprovecha el ML para generar automáticamente percepciones, como la identificación de los atributos más importantes en un conjunto de datos.
Colaboración: Facilita el trabajo en equipo al integrar la colaboración en flujos de trabajo analíticos, permitiendo que una amplia gama de usuarios trabajen juntos en proyectos.
Componibilidad: Ofrece herramientas de bajo código y sin código (p. ej., API/SDK) para construir interfaces de usuario modulares y flexibles e integrar análisis en flujos de trabajo. A menudo integra GenAI para una funcionalidad mejorada.
Preparación de Datos: Soporta operaciones de arrastrar y soltar, combinaciones de fuentes de datos impulsadas por los usuarios y la creación de modelos analíticos como métricas personalizadas, colecciones, agrupaciones y jerarquías.
Integración de Ciencia de Datos: Mejora el prototipado y desarrollo, permitiendo a los científicos de datos crear modelos de ML componibles e integrarlos con ecosistemas más amplios.
Narrativa de Datos: Combina visualizaciones interactivas con técnicas narrativas para ofrecer percepciones de manera convincente y fácil de entender para las personas que toman decisiones.
Visualización de Datos: Proporciona paneles interactivos y exploración de datos a través de varias visualizaciones, como mapas de calor, mapas de árbol, mapas geográficos, gráficos de dispersión y más.
Gobernanza: Rastrear el uso de datos y gestionar cómo se comparte y promueve la información para asegurar calidad, cumplimiento y control.
Capa de Métricas: Ofrece una capa de virtualización para definir métricas como activos reutilizables, gestionarlas desde almacenes de datos y apoyar análisis descendentes, ciencia de datos y aplicaciones empresariales. Incluye funcionalidad de gestión de objetivos.
NLQ: Permite a los usuarios hacer preguntas sobre datos utilizando comandos de texto o voz, simplificando la interacción con el análisis.
Informes: Ofrece informes paginados y perfectos en píxeles que pueden ser programados y distribuidos a grandes grupos de usuarios para la entrega consistente y confiable de percepciones.
Aquí hay cuatro casos de uso principales de ABI: Desarrollador de Análisis, Analista de Negocios, Consumidor Aumentado, Científico de Datos.
Los desarrolladores de análisis son profesionales dentro de los equipos de datos que son responsables de crear y distribuir contenido analítico a una gran base de usuarios en toda la organización.
Capacidades críticas en este caso de uso:
Capa de Métricas
Componibilidad
Gobernanza
Informes
Visualización de Datos
Catálogo de Análisis
Colaboración
Consulta en Lenguaje Natural
Las percepciones automatizadas, la integración de ciencia de datos y la narrativa de datos son menos relevantes en este caso de uso.
Los analistas de negocios se refieren a profesionales que integran diversas fuentes de datos para análisis visual con mínima dependencia de los departamentos de TI.
Capacidades críticas en este caso de uso:
Visualización de Datos
Percepciones Automatizadas
Preparación de Datos
Catálogo de Análisis
Narrativa de Datos
Capa de Métricas
Colaboración
Componibilidad
Gobernanza
Consulta en Lenguaje Natural
La integración de ciencia de datos y los informes son menos relevantes en este caso de uso.
Este caso de uso se centra en organizaciones que buscan empoderar a los consumidores de contenido analítico, como los equipos de RRHH, ventas y operaciones, que consumen directamente contenido analítico para apoyar las operaciones comerciales y la toma de decisiones.
Capacidades críticas en este caso de uso:
Consulta en Lenguaje Natural
Narrativa de Datos
Percepciones Automatizadas
Catálogo de Análisis
Visualización de Datos
Colaboración
Capa de Métricas
Gobernanza
La componibilidad, la preparación de datos, la integración de ciencia de datos y los informes son menos relevantes en este caso de uso.
Este caso de uso se centra principalmente en permitir a los usuarios probar hipótesis y construir modelos de no producción que pueden ser entregados a científicos de datos o equipos de MLOps para su despliegue.
Capacidades críticas en este caso de uso:
Integración de Ciencia de Datos
Preparación de Datos
Capa de Métricas
Percepciones Automatizadas
Colaboración
Componibilidad
Visualización de DatosGobernanza
El catálogo de análisis, la narrativa de datos y los informes son menos relevantes en este caso de uso.
GenAI ha impactado profundamente las capacidades del producto ABI, los casos de uso y las experiencias generales de muchas maneras. Los siguientes puntos destacan los cambios clave traídos por GenAI:
Ejemplos de capacidades:
Asignar, vincular, analizar, etiquetar y anotar datos automáticamente para prepararlos para la transformación.
Identificar atributos sensibles en conjuntos de datos.
Automatizar transformaciones e integraciones repetitivas.
Proporcionar recomendaciones para mejorar la calidad y riqueza de los datos.
Generar, depurar y convertir código (Python, R, SQL, DAX) automáticamente, junto con la generación de documentación.
Ejemplos de experiencias de usuario:
Permitir operaciones de arrastrar y soltar, permitiendo a los usuarios combinar datos de diversas fuentes sin problemas.
Apoyar la creación de modelos analíticos, como métricas personalizadas, colecciones, agrupaciones y jerarquías.
Generar descripciones en lenguaje natural para código e interfaces.
Crear código para interactuar con bases de datos, scripts o APIs utilizando comandos en lenguaje natural.
Identificar errores en el código y realizar conversiones sin problemas entre diferentes lenguajes de programación.
Utilizar IA generativa (LLMs) para escribir documentación interpretativa del código.
Automatizar y acelerar procesos DSML e IA, como perfilado de datos, controles de calidad, armonización, modelado, manipulación, enriquecimiento/inferencia, generación de datos sintéticos, desarrollo de metadatos y catalogación de datos.
Ejemplos de capacidades:
Analizar factores clave para identificar los factores significativos que afectan los resultados.
Detectar automáticamente anomalías y valores atípicos en conjuntos de datos.
Realizar agrupamiento y segmentación inteligente de datos.
Realizar análisis predictivo para prever tendencias y patrones futuros.
Ejemplos de experiencias de usuario:
Generar automáticamente percepciones para los usuarios finales al identificar los atributos más críticos en los conjuntos de datos.
Proporcionar notificaciones en tiempo real de anomalías o valores atípicos según los roles y flujos de trabajo empresariales del usuario.
Descubrir automáticamente agrupaciones dentro de conjuntos de datos para una mejor segmentación.
Utilizar métodos fundamentales como ARIMA para generar pronósticos para variables continuas en conjuntos de datos.
Mostrar errores de predicción para mejorar la interpretabilidad y fiabilidad de los pronósticos.
Ejemplos de capacidades:
Automatizar la narrativa de las percepciones de datos.
Generar narrativas utilizando lenguaje natural (automatización de narrativas).
Ejemplos de experiencias de usuario:
Crear historias de datos al estilo de noticias que combinan titulares, texto narrativo, visualizaciones de datos y contenido de audio/video basado en monitoreo continuo.
Generar automáticamente y resumir narrativas escritas o habladas para presentar una serie de percepciones analíticas.
Todas estas funcionalidades pueden ser mejoradas mediante la integración de modelos de lenguaje grandes (LLMs) y ofreciendo interacción en lenguaje natural para una experiencia más intuitiva.
Ejemplos de capacidades:
Visualización de datos mejorada para un análisis más perspicaz e interactivo.
Interfaces de usuario multidimensionales que se adaptan a varios dispositivos y casos de uso.
Planificación de escenarios "¿qué pasaría si?" para explorar posibles resultados.
Análisis de correlación y gráficos para descubrir relaciones dentro de los datos.
Análisis geoespacial para percepciones basadas en la ubicación.
Ejemplos de experiencias de usuario:
Permitir paneles altamente interactivos y exploración de datos a través de la manipulación directa de visuales de gráficos.
Optimizar las interfaces de usuario, modos de interacción y características analíticas para análisis multidimensionales, mejorando el consumo de contenido.
Ofrecer experiencias analíticas inmersivas con interfaces de visualización colaborativa y 3D para satisfacer las demandas de casos de uso en evolución.
Aprovechar las percepciones impulsadas por datos a través de tecnologías de realidad aumentada (AR), realidad mixta (MR) y realidad virtual (VR) para una mejor toma de decisiones.
Ejemplos de capacidades:
Funcionalidad de pregunta y respuesta para una exploración de datos intuitiva.
Razonamiento lógico para proporcionar percepciones analíticas más profundas.
Sugerencias y autocompletado para ayudar a los usuarios a formular consultas o acciones.
Reconocimiento de sinónimos y aprendizaje adaptativo para mejorar la comprensión de las consultas.
Chatbots para análisis interactivos.
Integración con modelos de lenguaje grandes (LLMs) para mejorar el manejo e interpretación de consultas.
Ejemplos de experiencias de usuario:
La Consulta en Lenguaje Natural (NLQ) permite a los usuarios empresariales consultar datos escribiendo o hablando términos comerciales a través de una interfaz de búsqueda o chatbot.
Algunos proveedores de ABI utilizan búsqueda por palabras clave, otros emplean procesamiento de lenguaje natural para traducir términos en preguntas en lenguaje natural, mientras que algunos combinan ambos enfoques.
Ciertos casos de uso permiten consultar datos estructurados, mientras que otros apoyan búsquedas semánticas a través de información multidimensional.
Ejemplos de capacidades:
Facilitar la comunicación sin problemas entre los usuarios.
Construir un ecosistema colaborativo para compartir percepciones.
Apoyar entornos de múltiples roles para satisfacer diversas necesidades de usuarios.
Permitir un desarrollo ágil para iteraciones rápidas y adaptabilidad.
Ejemplos de experiencias de usuario:
La colaboración en plataformas ABI implica fomentar un ecosistema cooperativo donde los usuarios puedan anotar y compartir contenido analítico dentro de una experiencia nativa similar a las redes sociales. Recoger diversas perspectivas sobre los datos es esencial para construir consenso y dirigir procesos de toma de decisiones complejos.
Ejemplos de capacidades:
Construcción de modelos guiada para agilizar el proceso de desarrollo.
Generación, integración y exploración de funcionalidades DSML.
Selección automatizada de algoritmos para un rendimiento óptimo del modelo.
Ajuste automatizado de modelos para mejorar la precisión y eficiencia.
Despliegue y monitoreo automatizados de modelos para agilizar la operacionalización.
IA explicativa para mejorar la transparencia y confianza en las salidas del modelo.
Integración con R y Python para flujos de trabajo avanzados de ciencia de datos.
Ejemplos de experiencias de usuario:
Estas capacidades empoderan tanto a científicos de datos ciudadanos como profesionales para mejorar el desarrollo y prototipado de modelos DSML componibles. Ellas permiten una profunda integración con herramientas DSML más amplias, creando un ecosistema fluido y eficiente para análisis avanzados y aprendizaje automático.
Ejemplos de capacidades:
Mapear métricas a procesos empresariales y metas organizacionales.
Publicar, compartir y enviar métricas a audiencias más amplias para apoyar resultados accionables.
Utilizar IA generativa (GenAI) para conectar aplicaciones ABI, DSML y SaaS, proporcionando percepciones de datos a través de plataformas.
Ejemplos de experiencias de usuario:
Esta capacidad introduce una capa de virtualización que permite a los usuarios:
Definir métricas empresariales como código.
Gestionar estas métricas directamente desde almacenes de datos.
Apoyar análisis descendentes, ciencia de datos y aplicaciones empresariales.
Con GenAI, más plataformas se construyen sobre capas semánticas, proporcionando percepciones de datos a través de interacciones en lenguaje natural para una experiencia de usuario fluida e intuitiva.
Ejemplos de capacidades:
Análisis embebido para una integración sin problemas en flujos de trabajo empresariales.
Soporte de API y SDK para personalización y extensibilidad.
Marcos operativos para automatizar y agilizar flujos de trabajo impulsados por decisiones.
Interfaces de usuario centradas en decisiones para modelar, catalogar y auditar decisiones utilizando metadatos.
Analítica codificada aprovechando lenguajes de dominio específico (DSL) para representación de flujos de trabajo y lógica.
Ejemplos de experiencias de usuario:
Esta funcionalidad se centra en ensamblar características ABI flexibles, modulares y amigables con el usuario embebiendo análisis mejorados, utilizando API/SDK y realizando arquitecturas de microservicios o contenerizadas:
Analítica Embebida: Contextualizar análisis prescriptivos dentro de escenarios empresariales para obtener percepciones accionables.
Marcos Operativos: Permitir a los usuarios construir y automatizar flujos de trabajo de decisiones basados en datos, desencadenando operaciones comerciales en tiempo real.
Interfaces de Usuario Centradas en Decisiones: Facilitar modelar, catalogar y auditar decisiones utilizando metadatos de decisiones.
Analítica Codificada: Representar flujos de trabajo analíticos y lógica como código o archivos de configuración utilizando DSL, permitiendo a los usuarios gestionarlos con prácticas ágiles como cualquier otro código de software.
GenAI se está convirtiendo rápidamente en un acelerador clave para la analítica aumentada. Empodera a los usuarios con experiencia técnica limitada para hacer preguntas empresariales complejas, impulsando así una mayor adopción de la analítica. Gartner destaca la tendencia de "los consumidores convirtiéndose en creadores", reflejando el papel cambiante de los usuarios empresariales en datos y analítica moderna (D&A): pasando de consumidores pasivos de percepciones a creadores activos de percepciones. Este cambio está impulsando una rápida evolución e iteración en el diseño de productos.
Los productos de IDE impulsados por IA como Cursor, Windsurf y Bolt.New están revolucionando el panorama mundial del desarrollo de software. Sin embargo, la transformación de la analítica de datos por IA es inherentemente más desafiante debido a la tolerancia cero por errores en las etapas finales de la toma de decisiones empresariales. A pesar de esta complejidad, la tendencia se está desarrollando y, una vez logrados los avances, se espera que el impacto disruptivo en las industrias de todo el mundo supere con creces el de la desarrollo de software.
Este artículo es un resumen de percepciones recopiladas de numerosos informes de Gartner. Un agradecimiento especial a los analistas de Gartner por sus increíbles trabajos.