{"id":11289,"date":"2021-07-01T01:40:27","date_gmt":"2021-07-01T08:40:27","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=11289"},"modified":"2024-08-30T02:57:33","modified_gmt":"2024-08-30T09:57:33","slug":"real-time-data-analytics-operational-data","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/real-time-data-analytics-operational-data\/","title":{"rendered":"C\u00f3mo aprovechar el an\u00e1lisis de datos en tiempo real mediante datos operativos"},"content":{"rendered":"

Las organizaciones actuales generan datos a escala masiva<\/strong> y vol\u00famenes.<\/p>\n

Las aplicaciones que se ejecutan en servidores en la nube, centros de datos y dispositivos perif\u00e9ricos producen m\u00e1s datos, de m\u00e1s fuentes de datos, que nunca. Con este crecimiento, las empresas se enfrentan constantemente a un uso eficiente de sus datos operativos para recopilar informaci\u00f3n empresarial mediante una variedad de an\u00e1lisis de datos.<\/p>\n

Lamentablemente, los enfoques tradicionales de la anal\u00edtica reparten los datos operativos entre m\u00faltiples sistemas dispares. Estos sistemas tienen estructuras de datos variadas y presentan propiedades transaccionales diferentes, lo que dificulta su an\u00e1lisis por parte de los usuarios finales. Los desarrolladores suelen afrontar este reto creando arquitecturas y canalizaciones de an\u00e1lisis de datos no est\u00e1ndar que, invariablemente, afectan a las aplicaciones operativas (transaccionales).<\/p>\n

Las organizaciones se encuentran con que tienen que lidiar con procesos y sistemas no compartidos entre equipos. Esto agrava el problema y, en \u00faltima instancia, provoca un aumento de los costes de administraci\u00f3n, fugas de datos y obst\u00e1culos a la gobernanza.<\/p>\n

Como los datos y transacciones<\/a> surgen de las aplicaciones modernas, hay una mayor necesidad de enriquecer la experiencia del usuario. Por ejemplo, ahora es posible entrelazar cargas de trabajo operativas y anal\u00edticas mientras se ingieren y procesan datos en tiempo real.<\/strong> Las empresas quieren ofrecer productos de datos s\u00f3lidos que les ayuden a comprender mejor el comportamiento de los usuarios. Del mismo modo, los desarrolladores quieren analizar los datos con facilidad y sin incurrir en enormes costes de infraestructura.<\/p>\n

\"Traditional<\/a>

Las canalizaciones de datos tradicionales utilizan sistemas OLTP y OLAP interconectados mediante procesos ETL.<\/p><\/div>\n

<\/div>\n

An\u00e1lisis de datos JSON para ganar... \u00a1pero espere!<\/h2>\n

En las aplicaciones modernas, JSON se ha convertido en un est\u00e1ndar de facto para almacenar datos que requieren flexibilidad de esquema<\/a>.<\/p>\n

Ampliar los datos almacenados en formato JSON es relativamente sencillo, lo que permite a las aplicaciones evolucionar con rapidez y satisfacer las necesidades empresariales. Pero las arquitecturas y herramientas tradicionales de an\u00e1lisis de datos imponen otra restricci\u00f3n: Se encuentran en separar las cargas de trabajo transaccionales (OLTP) y anal\u00edticas (OLAP)<\/strong>. Las herramientas de an\u00e1lisis de datos tienen que esperar a que se modifiquen los conductos de datos cuando cambian los esquemas subyacentes.<\/p>\n

Los procesos Extract-Transform-Load (ETL) conllevan elevados costes s\u00f3lo para que los datos est\u00e9n disponibles para su posterior procesamiento anal\u00edtico cuando sea necesario. Este planteamiento en varios pasos dificulta la gesti\u00f3n de los datos debido a la complejidad de utilizar sistemas separados. Como resultado, los retrasos inherentes entre los sistemas OLTP y OLAP ralentizan la toma de decisiones y paralizan un negocio que, de otro modo, ser\u00eda \u00e1gil.<\/p>\n

Naturalmente, los datos en tiempo real son esenciales para mejorar los resultados de las aplicaciones avanzadas de an\u00e1lisis de datos e inteligencia empresarial. Esto repercute en la capacidad de identificar tendencias, de aplicar el aprendizaje autom\u00e1tico<\/a>o para aprovechar a tiempo cualquier otro tipo de an\u00e1lisis prescriptivo.<\/p>\n

Couchbase Analytics: An\u00e1lisis, procesamiento y gesti\u00f3n de datos simplificados<\/h2>\n

Entra en la era de an\u00e1lisis h\u00edbrido<\/strong> con An\u00e1lisis de Couchbase<\/a>.<\/p>\n

Intentamos reimaginar un mundo en el que nuestros clientes ganan y la anal\u00edtica est\u00e1 disponible a la velocidad de las transacciones. Se trata de un mundo en el que los procesos ETL son inexistentes y un \u00fanico sistema h\u00edbrido derriba el muro entre las cargas de trabajo transaccionales y anal\u00edticas.<\/p>\n

En esencia, Couchbase Analytics evita mover datos<\/em> de bases de datos a almacenes de datos y proporciona acceso al tratamiento de datos en tiempo real con facilidad.<\/p>\n

Couchbase Analytics tambi\u00e9n procesa informaci\u00f3n de otros sistemas adem\u00e1s de los presentes en un Couchbase<\/a> cl\u00faster. Esta innovaci\u00f3n permite mejorar la experiencia del cliente y comprender mejor el rendimiento de la empresa, lo que conduce a tomar decisiones m\u00e1s basadas en datos.<\/p>\n

Ahora, los desarrolladores pueden realizar complejas peticiones anal\u00edticas ad hoc -joins de gran tama\u00f1o, agregaciones, agrupaciones- utilizando motores de procesamiento de consultas en paralelo con manejo de datos masivos.<\/p>\n

\"Couchbase<\/a>

Couchbase Analytics potencia las aplicaciones modernas basadas en informaci\u00f3n.<\/p><\/div>\n

<\/div>\n

Deje que los datos impulsen sus decisiones empresariales para obtener ventajas competitivas<\/h2>\n

Gracias a los an\u00e1lisis de datos en tiempo real, ahora dispondr\u00e1 de informaci\u00f3n m\u00e1s r\u00e1pidamente.<\/p>\n

Puede realizar m\u00e1s experimentos para comprender mejor a sus clientes, ya que no hay una laboriosa ETL implicada. El bucle de retroalimentaci\u00f3n tambi\u00e9n es m\u00e1s corto entre los sistemas transaccionales y anal\u00edticos sin una capa ETL.<\/p>\n

El desglose a partir de agregados anal\u00edticos siempre conduce a nuevos datos de aplicaci\u00f3n. Como resultado, los desarrolladores y administradores de bases de datos evitan la proliferaci\u00f3n de bases de datos y dejan de gestionar sistemas anal\u00edticos independientes.<\/p>\n

Couchbase Analytics tambi\u00e9n ofrece un rico lenguaje de consulta de base de datos similar a SQL que hace que explorar y analizar datos JSON sea pan comido. (M\u00e1s informaci\u00f3n sobre N1QL<\/a>.)<\/p>\n

Por \u00faltimo, es un planteamiento m\u00e1s barato: un \u00fanico sistema h\u00edbrido consume menos infraestructura y necesita menos copias de datos, lo que se traduce en un menor coste total de propiedad<\/strong>. Al separar la carga de trabajo entre las consultas operativas y las cargas de trabajo anal\u00edticas, la utilizaci\u00f3n de los recursos es m\u00e1s eficaz sin el riesgo de afectar al sistema transaccional. (Explorar\u00e9 m\u00e1s a fondo las ventajas del aislamiento de la carga de trabajo en nuestro pr\u00f3ximo post de esta serie).<\/p>\n

Aplicaciones basadas en la informaci\u00f3n para la empresa moderna<\/h2>\n

Las empresas utilizan Couchbase Analytics en numerosos sectores, entre ellos:<\/p>\n

    \n
  • \n
      \n
    • Las fintech y las aseguradoras detectan el fraude y punt\u00faan los riesgos en tiempo real a trav\u00e9s de transacciones, p\u00f3lizas y reclamaciones.<\/li>\n
    • Las aplicaciones de comercio electr\u00f3nico y B2C generan recomendaciones personalizadas basadas en la actividad de la sesi\u00f3n.<\/li>\n
    • Empresas de todos los sectores optimizan sus campa\u00f1as de marketing y publicidad para evitar los retrasos habituales en los sistemas por lotes actuales.<\/li>\n
    • Las plataformas IoT detectan los problemas de los dispositivos y optimizan los procesos en tiempo real, sin esperar a las actividades peri\u00f3dicas de mantenimiento.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n

      V\u00e9alo en acci\u00f3n<\/h2>\n