Gartner señala las principales tendencias en analítica de datos para 2025

Gartner ha celebrado esta semana en Orlando su evento Data & Analytics. La consultora lo ha destinado a identificar las principales tendencias en analítica de datos para 2025 y la amplia gama de desafíos que conlleva estos procesos, incluidos problemas organizacionales y humanos.

«La D&A está pasando de ser un dominio de unos pocos a ser omnipresente», ha asegurado Gareth Herschel, vicepresidente de análisis de Gartner, en la cumbre donde han analizado el estado actual y futuro de una gestión del dato cada vez más importante en la tecnología mundial.

«Al mismo tiempo, los líderes de D&A están bajo presión no para hacer más con menos, sino para hacer mucho más con mucho más, y eso puede ser aún más desafiante porque los riesgos están aumentando. Hay ciertas tendencias que ayudarán a los líderes a cumplir con las presiones, expectativas y demandas a las que se enfrentan», ha recalcado el ejecutivo.

Analítica de datos para 2025

El Gartner Data & Analytics Summit 2025 ha reunido durante tres días en Orlando a líderes de la industria, analistas y especialistas en gestión de datos, gobernanza y arquitecturas, para intentar definir las principales tendencias para este año que los tomadores de decisiones deben abordar e incorporar a su estrategia. La firma de análisis lo ha concretado en los siguientes apartados principales:

Productos de datos de alto consumo

Para sacar provecho de los productos de datos de alto consumo, los líderes de D&A deben centrarse en los casos de uso críticos para el negocio, correlacionar y escalar los productos para aliviar los desafíos de la entrega de datos. Es esencial priorizar la entrega de productos de datos mínimos viables reutilizables, lo que permite a los equipos mejorarlos con el tiempo. Los líderes también deben llegar a un consenso sobre los indicadores clave de rendimiento entre los equipos de producción y consumo, lo que es vital para medir el éxito de los productos de datos.

Soluciones de gestión de metadatos

Una gestión eficaz de los metadatos comienza con los metadatos técnicos y luego se amplía para incluir los comerciales para mejorar el contexto. Al incorporar varios tipos de metadatos, las organizaciones pueden habilitar catálogos de datos, linaje de datos y casos de uso impulsados por IA. Es fundamental seleccionar herramientas que faciliten el descubrimiento y el análisis automatizados de metadatos.

Tejido de datos multimodal

Para desarrollar una práctica de gestión de metadatos sólida, es necesario capturar y analizar metadatos en todo el flujo de datos. Los conocimientos y las automatizaciones de la estructura de datos respaldan las demandas de orquestación, mejoran la excelencia operativa a través de DataOps y habilitan productos de datos.

Datos sintéticos

Identificar áreas en las que faltan datos, están incompletos o son costosos de obtener es crucial para avanzar en las iniciativas de IA. Los datos sintéticos, ya sea como variaciones de los datos originales o como reemplazos de datos confidenciales, garantizan la privacidad de los datos y facilitan el desarrollo de la IA.

Analítica de agentes

La automatización de los resultados empresariales de ciclo cerrado con agentes de IA para el análisis de datos es transformadora. Se recomiendan los casos de uso piloto que conectan los conocimientos con interfaces de lenguaje natural y la evaluación de las hojas de ruta de los proveedores para la integración de aplicaciones en el lugar de trabajo digital. Establecer una gobernanza minimiza los errores y las alucinaciones, mientras que evaluar la preparación de los datos a través de principios de datos preparados para IA es esencial.

Agentes de IA

Los agentes de IA son valiosos para necesidades de automatización adaptativa ad hoc, flexible o compleja. Más allá de depender únicamente de grandes modelos de lenguaje (LLM), se necesitan otras formas de análisis e IA. Los líderes de D&A deben permitir que los agentes de IA accedan y compartan datos entre aplicaciones sin problemas.

Modelos de lenguaje pequeños

Se recomienda considerar modelos de lenguaje pequeños en lugar de modelos de lenguaje grandes para obtener resultados de IA más precisos y apropiados para el contexto dentro de dominios específicos. Se recomienda proporcionar datos para la recuperación de modelos de dominio personalizados de generación aumentada o de ajuste fino, especialmente en usos locales para manejar datos confidenciales y reducir los recursos y costes de cómputo.

IA compuesta

El aprovechamiento de múltiples técnicas de IA mejora el impacto y la confiabilidad de la IA. Los equipos de D&A deben diversificarse más allá de GenAI o LLM, incorporando ciencia de datos, aprendizaje automático, gráficos de conocimiento y optimización para soluciones de IA integrales.

Plataformas de inteligencia de decisiones

Es fundamental pasar de una visión basada en datos a una visión centrada en las decisiones. Se recomienda priorizar las decisiones empresariales urgentes para el modelado, alinear las prácticas de inteligencia de decisiones (ID) y evaluar las plataformas de ID. Para alcanzar el éxito, es esencial redescubrir las técnicas de ciencia de datos y abordar los aspectos éticos, legales y de cumplimiento de la automatización de decisiones.

Los líderes en analítica de datos pueden aprender más sobre cómo evaluar su propia efectividad utilizando el Diagnóstico de efectividad CDAO de Gartner , una herramienta exclusiva que permite a los CDAO comprender su efectividad como líderes y descubrir sus fortalezas y áreas de mejora.

Los analistas de Gartner brindarán análisis adicionales sobre el sector en sucesivas cumbres que se celebrarán este semestre en Sao Paulo, Londres, Tokio o Sidney. La consultora ofrece información adicional en su sección de Data & Analytics.