Los objetivos de las iniciativas de gestión de la información temprana eran informar sobre los resultados financieros y las ventas pero el problema que se tenia era que estos objetivos demandaban un alto grado de precisión y no se lograba la confianza.
Vamos a dar un ejemplo mas concreto para analizarlo:
Un director financiero que no tiene la “confianza“, (la primera C de Big Data) en cifras de rendimiento financiero (de un informe) se ve obligado a buscar lo mismo en otra parte.
Este escenario es diferente en el caso de otro rol como el de un CMO (ejecutivo de una organización que es responsable de las actividades de Marketing) , que está mirando para ofrecer una promoción a un cliente individual en un punto en el tiempo. Tal acción se basa en los datos de muchos sistemas y fuentes de datos externas, seguramente también incluyendo los medios de comunicación social.
Las organizaciones reúnen datos en una visión única y completa de un determinado cliente para que puedan maximizar la oportunidad de comprometerse con el mismo, por ejemplo, para el aumento de las ventas o para dar un servicio mejorado al cliente.
La combinación de datos desde múltiples sistemas requiere registros coincidentes, algo que es impreciso debido a problemas de calidad de datos, variando los formatos de datos y otras características sobre la forma en que los datos se almacenan y gestionan desde los sistemas.
Como consecuencia de lo anterior, el juego de registros de múltiples sistemas en una única vista para un cliente no se puede lograr con certeza.
Para un CMO que está llevando a cabo las decisiones de marketing puede ser suficiente con tener un menor grado de confianza en los datos que los que seguramente requiere un director financiero para informar resultados financieros.
El nivel de confianza que es “aceptable” es un juicio que una empresa necesita establecer esta basado en el riesgo y el efecto que pueden conllevar esas acciones. Y también tener en claro que el juicio es un equilibrio entre lo que podría ser el resultado de malas decisiones que se derivan de los datos inexactos y el costo de hacer mejoras en el suministro de datos.
Las mediciones de confianza no se limitan solo a la fusión de datos, sino que también se aplican a las mismas fuentes de datos. Por ejemplo, los edificios de una ciudad pueden distorsionar los datos de posición (GPS) de los sensores. Los sensores de temperatura que funcionan con niveles de tolerancia definidos y la utilización de datos de medios sociales requieren precaución. Por lo tanto la comprensión de la procedencia de los datos que se utiliza para tomar decisiones es importante.
Por el creciente deseo de explotar los datos es cada vez mayor el uso de estadísticas. Las técnicas de las ciencias de datos incluyendo el análisis predictivo y aprendizaje de las máquinas son todos los resultados que producen a partir de análisis de datos con un grado de exactitud que no es absoluta. Existe un nivel medible de confianza. Los consumidores de estos resultados tienen que asegurarse de que entienden lo que significa nivel de confianza, ya que los utilizan para tomar decisiones.
