¿Qué son los datos oscuros?

Hoy en día, la mayoría de las empresas almacenan grandes cantidades de datos oscuros. En la encuesta de investigación global de Splunk a más de 1300 responsables de la toma de decisiones empresariales y de TI, el 60 % de los encuestados informó que la mitad o más de los datos de su organización se consideran oscuros. Un tercio de los encuestados informó que esta cantidad es del 75 % o más.¹

Los datos oscuros se acumulan porque las organizaciones han adoptado la idea de que es valioso almacenar toda la información que puedan capturar en grandes data lakes. Esto se debe en parte a la llegada de almacenamiento económico, que ha facilitado la justificación de almacenar tantos datos, en caso de que algún día se vuelvan valiosos.

Al final, la mayoría de las empresas nunca usan ni siquiera una fracción de lo que almacenan porque el depósito de almacenamiento no documenta las etiquetas de metadatos adecuadamente, y algunos de los datos están en un formato que las herramientas integradas no pueden leer o los datos no son recuperables a través de una consulta.

Los datos oscuros son un factor limitante importante para producir un buen análisis de datos porque la calidad de cualquier análisis de datos depende del cuerpo de información accesible para las herramientas de analytics, tanto de forma rápida como con todo detalle.

Otros problemas con los datos oscuros son que crean responsabilidades, costos de almacenamiento significativos y oportunidades perdidas debido a que los equipos no se dan cuenta de qué datos están potencialmente disponibles para ellos.

Existen numerosas causas para que los datos de una organización se oscurezcan, entre ellas:

• Falta de concientización: los datos obtenidos durante las operaciones comerciales normales a menudo se oscurecen porque las organizaciones desconocen su existencia o no entienden su valor o relevancia.
  
  
• Datos atrapados en silos: cuando diferentes departamentos dentro de una organización recopilan y almacenan datos de forma independiente, esto puede provocar la fragmentación y el aislamiento de los datos. Estos silos de datos podrían no ser accesibles o visibles para otros equipos, quienes potencialmente encontrarían los datos valiosos.
  
  
• Falta de gobernanza de datos: sin un marco robusto de gobernanza de datos, las organizaciones pueden tener dificultades para gestionar y rastrear los datos en todo su ecosistema de manera efectiva. Esto hace que los datos se desorganicen, se pierdan y queden inutilizables.
  
  
• Sistemas heredados: a medida que las organizaciones actualizan su software y hardware, los sistemas más antiguos pueden retirarse o volverse menos relevantes. Los datos almacenados en estos sistemas heredados se oscurecen si no se pueden integrar con las herramientas de analytics modernas de la organización.
  
  
• Integración de datos incompleta: los procesos de integración de datos incompletos o ineficaces pueden generar lagunas e inconsistencias en los datos. Esto puede dejar ciertos conjuntos de datos inaccesibles o no vinculados correctamente a otras fuentes de datos.
  
  
• Cambio de las prioridades empresariales: a medida que evolucionan las prioridades empresariales, ciertos conjuntos de datos pueden volverse menos relevantes o quedar fuera de foco. Los datos que alguna vez se utilizaron activamente pueden quedar en la oscuridad a medida que cambian los objetivos de la organización.
  
  
• Recursos limitados y alfabetización: las organizaciones con recursos limitados pueden priorizar la recopilación y el almacenamiento de datos sobre el análisis de datos. Además, la falta de alfabetización en datos entre los empleados puede dificultar la identificación y el aprovechamiento de datos valiosos.
  
  
• Problemas de calidad de los datos: una mala calidad de los datos, como datos inexactos o incompletos, puede hacer que se descarten o ignoren. Los datos percibidos como poco confiables tienen menos probabilidades de usarse, lo que los convierte en oscuros.
  
  
• Propósitos de cumplimiento normativo: muchas normas de cumplimiento y gobernanza obligan a las organizaciones a seguir regulaciones estrictas sobre cuánto tiempo deben almacenar datos confidenciales. A menudo terminan almacenándolos mucho después del periodo obligatorio porque no pueden realizar un seguimiento de los datos confidenciales que deben destruir.
  
  
• Datos redundantes, obsoletos y triviales (ROT): el ROT se crea cuando los empleados almacenan varias copias de la misma información, información obsoleta e información superflua que no ayuda a la organización a cumplir sus objetivos.

En términos de su detectabilidad para iniciativas de analytics de datos oportunas y completas, los datos oscuros pueden ser datos estructurados, datos no estructurados o datos semiestructurados.

Los datos estructurados son información que se agrega a campos claramente definidos de una hoja de cálculo o una base de datos antes de almacenarlos.

Los archivos de registro del servidor, los datos de sensores de Internet de las cosas (IoT), las bases de datos de gestión de relaciones con los clientes y los sistemas de planificación de recursos empresariales (ERP) son ejemplos de datos oscuros creados a partir de fuentes de datos estructuradas.

Aunque la mayoría de las formas de datos sensibles, como los estados de cuenta bancarios electrónicos, los registros médicos y los datos cifrados de los clientes, suelen estar en forma estructurada, es difícil verlos y categorizarlos debido a problemas de permisos.

A diferencia de los datos estructurados, los datos no estructurados incluyen información que no se puede organizar en bases de datos o hojas de cálculo para su análisis sin conversión, codificación, organización en niveles y estructuración.

Las correspondencias por correo electrónico, los archivos PDF, los documentos de texto, las publicaciones en redes sociales, las grabaciones de centros de atención telefónica, los registros de chat y las imágenes de video de vigilancia son ejemplos de datos oscuros creados a partir de fuentes de datos no estructuradas.

Los datos semiestructurados son datos no estructurados que contienen cierta información en campos de datos definidos. Aunque no tiene la misma facilidad de descubrimiento de datos oscuros que los datos estructurados, se pueden buscar o catalogar.

Algunos ejemplos son el código HTML, las facturas, los gráficos, las tablas y los documentos XML.

Los costos de almacenar datos oscuros pueden ser significativos y van mucho más allá del costo financiero directo del almacenamiento de datos oscuros. Los costos directos e indirectos incluyen:

A veces, los datos oscuros se crean debido a problemas de calidad de los datos.

Por ejemplo, una transcripción de una grabación de audio se genera automáticamente, pero la IA que creó la transcripción comete algunos errores en la transcripción. Sin embargo, alguien se queda con la transcripción, pensando que la resolverá en algún momento, cosa que no hace.

Cuando las organizaciones intentan limpiar datos de mala calidad, a veces pasan por alto lo que está causando el problema. Sin la comprensión adecuada, es imposible garantizar que el problema de la calidad de los datos no continúe ocurriendo en el futuro.

Esta situación se vuelve cíclica, porque en lugar de simplemente emplear políticas de eliminación para datos oscuros que se quedan sin usar, las organizaciones dejan que continúen ahí y contribuyan a un creciente problema de calidad de los datos.

Afortunadamente, hay tres pasos para la gestión de la calidad de los datos que las organizaciones pueden tomar para ayudar a aliviar este problema:

1. Analizar e identificar la situación actual: para poder priorizar los problemas, primero hay que identificar todos los problemas actuales, los estándares de datos existentes y el impacto en el negocio.
   
   
2. Prevenir que los datos malos se repitan: a continuación, evalúe la causa principal de cada problema y aplique recursos para abordar el problema de manera sostenible para que no vuelva a suceder.
   
   
3. Comuníquese a menudo en el camino: comparta lo que está sucediendo, lo que está haciendo el equipo, el impacto de ese trabajo y cómo esos esfuerzos se conectan con los objetivos del negocio.

A pesar de los costos y los problemas de calidad de los datos oscuros, hay aspectos positivos. Como dice Splunk, “los datos oscuros pueden ser uno de los mayores recursos sin explotar de una organización”.²

Al adoptar un enfoque proactivo para gestionar los datos oscuros, las organizaciones pueden arrojar luz sobre los datos oscuros. Esto no solo reduce las responsabilidades y los costos, sino que también brinda a los equipos los recursos que necesitan para descubrir insights a partir de datos ocultos.

Al manejar datos oscuros y potencialmente utilizarlos para tomar mejores decisiones basadas en datos, hay varias mejores prácticas a seguir:

Los datos oscuros a menudo se deben a los silos dentro de la organización. Un equipo crea datos que podrían ser útiles para otro, pero ese otro equipo no lo sabe. Al descomponer esos silos, esos datos están disponibles para el equipo que los necesita. Pasa de quedarse sin uso a proporcionar un valor inmenso.

Es importante comprender qué datos existen dentro de la organización. Este esfuerzo comienza clasificando todos los datos dentro de la organización para obtener una visión completa y precisa. Desde allí, los equipos pueden comenzar a organizar mejor sus datos con el objetivo de que sea más fácil para las personas de los equipos encontrar y usar lo que necesitan.

La introducción de una política de gobernanza de datos puede ayudar a mejorar el desafío a largo plazo. Esta política debe cubrir cómo se revisan todos los datos que ingresan y ofrecer pautas claras sobre lo que debe conservar (y organizar para mantener una gestión de datos clara), archivar o destruir. Una parte importante de esta política es ser estricto sobre qué datos deben destruirse y cuándo. Hacer cumplir la gobernanza de datos y revisar periódicamente las prácticas puede ayudar a minimizar la cantidad de datos oscuros que no se utilizarán.

Para ayudar a descubrir los datos oscuros, el machine learning (ML) y la inteligencia artificial (IA) pueden hacer el trabajo pesado de categorizar los datos oscuros mediante análisis de datos que pueden contener insights valiosos. Además, la automatización de ML puede ayudar con las regulaciones de cumplimiento de privacidad de datos mediante la redacción automática de información confidencial de los datos almacenados.