El pensamiento de datos es una palabra de moda para el "patrón mental" genérico observado durante los procesos de elegir un tema para comenzar, identificar sus partes o componentes, organizarlos y describirlos de una manera informativa que sea relevante para lo que motivó e inició todos los procesos.
En el contexto del desarrollo e innovación de nuevos productos, Data Thinking se puede describir de la siguiente manera: Data Thinking es un marco para explorar, diseñar, desarrollar y validar soluciones y negocios basados en datos con un enfoque orientado al usuario, a los datos y al futuro. Data Thinking combina la ciencia de datos con el pensamiento de diseño y, por lo tanto, el enfoque de este enfoque no se encuentra solo en las tecnologías de análisis de datos y la recopilación de datos, sino también en el diseño de soluciones centradas en el uso con un alto potencial comercial. [1] [2] [3] [4]
El término fue creado por Mario Faria y Rogerio Panigassi en 2013 cuando estaban escribiendo un libro sobre ciencia de datos , análisis de datos , gestión de datos y cómo los profesionales de datos podían lograr sus objetivos.
Fases principales del pensamiento de datos
Aunque todavía no existe un proceso estandarizado para Data Thinking, las principales fases del proceso son similares en muchas publicaciones y podrían resumirse de la siguiente manera:
Aclaración del contexto estratégico y definición de áreas de enfoque de riesgos y oportunidades basados en datos
Durante esta fase se analiza el contexto más amplio de la estrategia digital. Antes de comenzar con un proyecto de datos concreto, es esencial comprender cómo las nuevas tecnologías impulsadas por datos e inteligencia artificial están afectando el panorama empresarial y las implicaciones que esto tiene en el futuro de una organización. El análisis de tendencias / pronóstico de tecnología y la planificación / análisis de escenarios, así como las evaluaciones internas de capacidad de datos, son las principales técnicas que se aplican típicamente en esta etapa. [5] [3]
Ideación / Exploración
El resultado de la etapa anterior es una definición de las áreas de enfoque que son más prometedoras o están en mayor riesgo debido a la transformación basada en datos. En la fase de ideación / exploración, los casos de uso concretos se definen para las áreas de enfoque seleccionadas. Para una ideación exitosa, es importante combinar información sobre los objetivos organizacionales (comerciales), las necesidades de uso interno / externo, las necesidades de datos e infraestructura, así como el conocimiento del dominio sobre las últimas tecnologías y tendencias basadas en datos. [6] [2]
Los principios de Design Thinking en el contexto de Data Thinking se pueden interpretar de la siguiente manera: al desarrollar ideas basadas en datos, es crucial considerar la intersección de la viabilidad técnica, el impacto comercial y la disponibilidad de datos. Los instrumentos típicos de Design Thinking (por ejemplo, investigación de usuarios, personas , customer journey ) se aplican ampliamente en esta etapa. [7]
Pero aquí no solo se deben considerar las necesidades estratégicas, del usuario y del cliente de una organización. Las necesidades de datos y el análisis de la disponibilidad de datos, así como la investigación sobre las tecnologías de inteligencia artificial adecuadas para la solución basada en datos, son elementos esenciales del proceso de desarrollo exitoso. [8]
Para determinar el alcance de los datos y la base tecnológica de la solución, las prácticas del proceso estándar entre industrias para la minería de datos ( CRISP-DM ) se utilizan normalmente en esta etapa. [9]
Prototipos / Prueba de concepto
Durante las etapas anteriores se desarrolló el concepto principal de la solución de datos. En el paso actual, se lleva a cabo la prueba de concepto para comprobar su viabilidad. Esta etapa también explota el marco prototipo de Design Thinking e incluye prueba, evaluación, iteración y refinamiento. [10] Los principios del pensamiento de diseño de prototipos también se combinan durante esta fase con modelos de proceso que se aplican en proyectos de ciencia de datos (por ejemplo, CRISP-DM). [5]
Medir el impacto empresarial
No solo la viabilidad de la solución, sino también su rentabilidad se comprueba durante el proceso de Data Thinking. El análisis de costo-beneficio y el cálculo de casos de negocios se aplican comúnmente durante este paso. [11]
Implementación y mejora
Si la solución desarrollada demuestra su viabilidad y rentabilidad durante esta fase, será implementada y operativa. [1] [3]
Referencias
- ^ a b "¿Por qué las empresas necesitan Data Thinking?" . 2020-07-02.
- ^ a b "Pensamiento de datos - Mit neuer Innovationsmethode zum datengetriebenen Unternehmen" [Con nuevos métodos de innovación para la empresa basada en datos] (en alemán).
- ^ a b c "Data Thinking: una guía para el éxito en la era digital" .
- ^ Herrera, Sara (21/02/2019). "Data-Thinking como Werkzeug für KI-Innovation" [Pensamiento de datos como herramienta para la innovación KI]. Handelskraft (en alemán).
- ^ a b Schnakenburg, Igor; Kuhn, Steffen. "Pensamiento de datos: Daten schnell produktiv nutzen können". LÜNENDONK-Magazin "Künstliche Intelligenz" (en alemán). 20/05/20: 42–46.
- ^ Nalchigar, Soroosh; Yu, Eric (1 de septiembre de 2018). "Análisis de datos impulsados por negocios: un marco de modelado conceptual" . Ingeniería de datos y conocimiento . 117 : 359–372. doi : 10.1016 / j.datak.2018.04.006 . ISSN 0169-023X .
- ^ Woods, Rachel (22 de marzo de 2019). "Una mentalidad de pensamiento de diseño para la ciencia de datos" . Medio . Consultado el 8 de julio de 2020 .
- ^ Fomenko, Elena; Mattgey, Annette (12 de mayo de 2020). "¿Macht eigentlich ... ein Data Thinker?" . W & V . Alemán.
- ^ Marbán, Óscar; Mariscal, Gonzalo; Menasalvas, Ernestina; Segovia, Javier (2007). Yin, Hujun; Tino, Peter; Corchado, Emilio; Byrne, Will; Yao, Xin (eds.). "Un enfoque de ingeniería para proyectos de minería de datos" . Ingeniería de datos inteligente y aprendizaje automatizado - IDEAL 2007 . Apuntes de conferencias en informática. Berlín, Heidelberg: Springer. 4881 : 578–588. doi : 10.1007 / 978-3-540-77226-2_59 . ISBN 978-3-540-77226-2.
- ^ Brown, Tim Wyatt, Jocelyn (1 de julio de 2010). "Design Thinking para la Innovación Social" . Alcance del desarrollo . 12 (1): 29–43. doi : 10.1596 / 1020-797X_12_1_29 . ISSN 1020-797X .
- ^ "Pensamiento de datos - das Potenzial von Daten richtig nutzen" . t3n Magazin (en alemán). 2018-09-08 . Consultado el 8 de julio de 2020 .