_{^{Parte I: el diagnóstico}} 

El 2008 el Centro de Estudios de Tecnologías de la Información de la Universidad Católica (Cetiuc) sostenía que el 69% de las grandes empresas chilenas utilizaba algún sistema de Business Intelligence. O sea, un poco más del 1% de las compañías del país. 

En ese entonces, yo aún era estudiante de ingeniería civil en esa universidad y el mundo de la tecnología y los datos eran unos de mis grandes intereses.    

Cuatro años más tarde, motivado por desarrollar herramientas para gestionar adecuadamente los datos e impulsados por el trabajo que realizamos en la Fundación Mustakis, junto a tres amigos, dimos vida a MAS Analytics. 

El diagnóstico inicial estaba claro: en Chile no existían soluciones de Business Intelligence enfocadas en la pequeña y mediana empresa. Esto se reflejaba en que la gestión de información se realizaba, principalmente, mediante Excel.

Además, los pocos que accedían a estas herramientas debían destinar altas inversiones en licencias, hardware y consultoría. 

Otro problema transversal, independiente del tamaño de la empresa, era que la mayoría de las organizaciones dependían de TI para el procesamiento de datos, labor que no era su prioridad. Debido a esto, la interacción entre TI y los usuarios de datos, desencadenaba en un proceso lento y burocrático. 

Un escenario poco auspicioso, pero que nos entregaba una gran ventaja para aportar en un ámbito que, en ese entonces, aún estaba en pañales. Doble motivación para impulsar el proyecto MAS Analytics.   

_{^{Parte II: los primeros pasos de MAS}} 

Nuestra primera misión como empresa fue entregar visibilidad constante, de manera ágil y rápida a la información de los usuarios. 

En ese año (2012) estábamos situados en lo que se denomina la segunda ola del BI. Básicamente, extraíamos la data de diferentes fuentes (como ERP, CRM o WMS), modelábamos los datos y los disponibilizábamos en herramientas de visualización como Qlikview o Tableau.  

Todo lo anterior estaba montado en un sistema on premise, centralizado en equipos de TI, pero que permitían a los usuarios cierta independencia al momento de generar reportería y análisis. 

Esta primera etapa de MAS significó un gran avance: nuestros clientes accedían rápidamente a la información, monitoreaban indicadores de manera constante y detectaban oportunidades de mejora. 

Sin embargo, si un usuario quería realizar un cambio importante en el modelo de datos, tenía que solicitarlo al departamento de TI, lo que le restaba agilidad al modelo.  

El nuevo desafío que se planteaba era cómo lograr los niveles de rapidez y flexibilidad que requerían los usuarios de negocio.  

En ese periodo comienzan a tomar fuerza conceptos como Data Lakes o Self Service BI.  

_{^{Parte III: Self service BI}} 

A medida que más personas usaron estos sistemas de analítica, los modelos de BI se vieron colapsados y no fueron capaces de responder en los tiempos requeridos, pues dependían del área de soporte.  

Es aquí cuando surgen las herramientas enfocadas en self service, es decir, son los propios usuarios quienes se auto abastecen de información y gestionan la misma.    

El 2014 fue el lanzamiento oficial de Power BI, una herramienta de Microsoft montada en la nube que vino a democratizar el Business Intelligence, tanto por precio y por su facilidad de uso: el usuario crea sus propios análisis, utilizando la técnica drag and drop. 

No pasó mucho tiempo y softwares como Qlikview o Tableau hicieron lo propio con herramientas intuitivas y low code, lo que posibilitó que más empresas accedieran a trabajar los datos de manera dinámica. 

Asimismo, irrumpen otros servicios cloud, principalmente en Azure, GCP y AWS, los que facilitan el desarrollo de ecosistemas completos de analítica con herramientas de ingesta y almacenamiento de datos, orquestación y procesamiento de datos, Machine Learning, Big Data, entre otros. 

_{^{Parte IV: una nueva configuración}} 

Junto con la explosión del cloud, aparecen nuevos roles en las empresas: gerentes de datos, data lead, data engineer, responsables de data governance o data scientists. 

Cargos que surgen bajo estos nuevos ecosistemas de analítica y que permiten que las organizaciones funcionen de manera más orgánica en términos de datos.   

Si bien son varias compañías que han incorporado estos puestos, en MAS hemos detectado que existen empresas con un excelente ecosistema de datos, pero carecen de una estructura organizacional responsable de ejecutar correctamente la gestión de la información. Sin una definición clara de roles, contar con una estructura tecnológica potente, no sirve de mucho.  

Respondiendo a esta realidad, en MAS creamos un servicio de asesoría que consiste en diseñar un framework para trabajar con datos. Con este modelo, además de crear la arquitectura tecnológica, entregamos orientación sobre los roles, responsabilidades y flujos de trabajo que debe haber en torno a este ecosistema de datos.  

En la actualidad uno de los desafíos en torno a la analítica de datos consiste precisamente en estructurar el data governance, para asegurar la correcta gestión, disponibilidad, integridad, usabilidad y seguridad de los datos utilizados en una empresa.  

En MAS hemos asumido este desafío y una de nuestras tareas es acompañar y orientar a las empresas en ese camino y en los próximos retos que se avecinen.