Implementar una vista unificada de datos relevantes en todos los departamentos para cualquier caso de uso singular nunca ha sido tan fácil ni tan necesario como lo es hoy. Por ejemplo, los equipos de ventas pueden beneficiarse de los contactos de marketing anteriores o de la información histórica de precios que una organización ya tiene sobre sus prospectos. Las implementaciones de aprendizaje automático son más precisas (y útiles) cuando los modelos se entrenan con datos en todas las unidades de negocio. Sin embargo, con las mejores aplicaciones cada vez más populares que nunca, la unificación de estas diversas aplicaciones puntuales en todos los dominios, incluidos sus diversos modelos de datos, esquemas y terminología, para una vista unificada se ha vuelto demasiado intensiva en recursos para ser práctica.
Esto significa que TI está reconfigurando constantemente el esquema subyacente para estos modelos, recodificando la lógica empresarial y encontrando retrasos costosos cuando cambian los requisitos o las fuentes de datos. La agilidad se ve comprometida y con frecuencia se producen sobrecostos. Los equipos de ventas y asuntos médicos de la industria farmacéutica, por ejemplo, se quedan esperando los informes correctos o son mucho menos efectivos para interactuar con proveedores y pacientes de lo que deberían.
Estos esfuerzos de ingeniería temporales y que agotan los recursos se eliminan con un Modelo de datos común (CDM) especialmente diseñado en toda la empresa que asigna automáticamente los datos de origen con IA. Los equipos comerciales pueden definir su propia lógica sobre el CDM de forma declarativa, sin código. Con la capacidad de los departamentos respectivos para extender ese modelo y sus conceptos para su uso individual y al mismo tiempo otorgar una vista unificada en toda la organización, este método moderno aumenta la eficiencia operativa mientras produce consistentemente los resultados comerciales deseados.
Configuraciones sin código y creación de un modelo de datos común
Implícito a los beneficios de este enfoque sin código para crear una vista compartida de datos en toda la empresa está la eliminación de las canalizaciones de datos, ETL o ELT, y las secuencias de comandos manuales que requieren que los datos se orquestren para un caso de uso común. En la industria farmacéutica, por ejemplo, los equipos de asuntos médicos a menudo hablan con médicos y proveedores que a menudo tratan a pacientes para que sus medicamentos puedan ayudar. Equipar a esos equipos con información sobre los conocimientos obtenidos de conversaciones pasadas y encuestas detalladas les permite concentrarse en la información más importante que se necesita para obtener los mejores resultados. Desafortunadamente, y en la mayoría de los casos, estos equipos suelen hacer malabarismos entre Medical CRM, MIRF y herramientas de encuestas, lo que tradicionalmente crea la necesidad de codificar canalizaciones para integrarlas.
Al capitalizar un enfoque de modelo de datos común, estos equipos aún pueden usar sus respectivas herramientas mientras aprovechan fácilmente un sistema automatizado para mapear los datos de todas las herramientas en el modelo de datos común. Las capacidades de IA antes mencionadas aceleran aún más la asignación de estos datos de origen al modelo para que también puedan adaptar ese modelo para satisfacer sus propios requisitos sin escribir código. Por ejemplo, los equipos de ventas pueden priorizar las cifras de ingresos o los ingresos totales, mientras que los departamentos de finanzas pueden analizar los márgenes de diferentes maneras. Cada uno de ellos puede hacerlo ampliando el modelo para sus propias métricas, fuentes de datos y usuarios, sin código y sin dejar de admitir una vista unificada en toda la organización.
El marco de gobierno que respalda el modelo de datos común permite que los departamentos lo personalicen, mientras se extiende a toda la empresa. Los modelos semánticos evolucionan para incluir nuevas fuentes de datos y requisitos en su esquema. Otros métodos requieren un tiempo de recalibración significativo para adaptarse a los nuevos requisitos comerciales, pero los gráficos de conocimiento que sustentan la automatización permiten que la IA se adapte rápidamente a las nuevas fuentes sin mucho tiempo y esfuerzo. Esto es fundamental para unificar conceptos provenientes de diferentes departamentos en un modelo unificado simple
Más importante aún, la extensibilidad de estos modelos permite que diferentes usuarios aprovechen los mismos conceptos o terminología mientras los construyen, en capas, para sus propias necesidades. Por lo tanto, no tienen que recrear esta lógica empresarial desde cero, disipan la cultura del silo existente entre las unidades de negocio utilizando diferentes herramientas y lo hacen sin código. Este enfoque en capas de la lógica empresarial permite a las personas aprovechar el trabajo de los demás y, al mismo tiempo, permitir que cada equipo cree un modelo de datos profundo para su caso de uso o vertical específico.
Beneficios de establecer una lógica comercial declarativa
La principal ventaja de este método de modelo de datos común para los usuarios comerciales son los medios sin código mediante los cuales pueden definir su propia lógica comercial. En lugar de codificar la lógica, simplemente la declaran en un lenguaje más natural mientras se refieren a conceptos que se entienden en toda la organización por cortesía del modelo. El quid de la creación de una vista unificada de los datos en todas las organizaciones es la capacidad de codificar la lógica del dominio en un lenguaje común en lugar de en el lenguaje que cada una de las fuentes demanda. Esto permite el mapeo automático de datos de origen dispares al modelo y la lógica asociada con un esfuerzo mínimo. El mapeo de origen se abstrae de manera efectiva de las reglas comerciales, que se ejecutan sobre el modelo.
Otro beneficio es que los usuarios ya no tienen que escribir reglas haciendo referencia directamente a los datos de origen. Cuando las fuentes cambian o evolucionan, las reglas de negocio no tienen que cambiar o reescribirse, lo que suele ser el caso cuando se utilizan otros enfoques o cuando esta lógica se escribe de acuerdo con herramientas específicas. Este hecho es una de las razones por las que las fuentes cambian en los entornos relacionales. Por ejemplo, lleva mucho tiempo reconfigurar los modelos de datos y las reglas comerciales basadas en ellos. Este problema de larga data se alivia con un modelo de datos común y permite a los diferentes departamentos adaptar fácilmente tanto el modelo como las reglas comerciales a sus propias necesidades sin tener que administrar los sistemas de origen. También permite a los equipos comerciales autoservicio de sus necesidades con menos dependencia de los equipos que están implementando su CRM, ERP y otros sistemas de origen.
Las capacidades sin código en el núcleo del enfoque del modelo de datos común son igualmente importantes y notables por muchas razones. Permiten a las organizaciones abandonar las canalizaciones de datos y los esfuerzos de orquestación de datos que requieren mucho tiempo y mucho código. También permiten que los equipos de negocios hagan autoservicio de la declaración de la lógica de negocios y hacen que la información compartida en ese modelo de datos común sea procesable para cualquier variedad de casos de uso.
Aún así, el mayor valor de un modelo de datos unificados para la empresa se basa en el intercambio de conocimientos que permite, lo que permite a los profesionales contar con los datos necesarios para optimizar su productividad. Como es común en la mayoría de las industrias, todos los datos, o incluso los datos más relevantes, para lograr los objetivos organizacionales no siempre se encuentran en el mismo dominio o herramienta. Una vista unificada de estos datos es necesaria para que los equipos comerciales obtengan información real.