A menudo definido como el "hermano pequeño de Big Data", Small Data es un pequeño conjunto de datos accesibles, informativos y procesables, que se pueden entender sin el uso de sistemas y máquinas complejos para el análisis. Pero, ¿cuál es el impacto de esto en el análisis de datos comerciales? 

Small Data es la estrategia que se enfoca en la calidad de las informaciones recopiladas, no en el volumen. El objetivo es tener solo información relevante, que realmente influya en las estrategias, acciones y campañas. Ya existen muchas herramientas en el mercado capaces de manejar grandes volúmenes de datos, ya sea recopilarlos, almacenarlos o interpretarlos. Sin embargo, existe una alta probabilidad de que la mayoría de estos datos no sean útiles para la toma de decisiones. Es muy importante tener una visión más amplia de los datos de mercado, y Small Data sirve para filtrar estos datos con precisión.

Ejemplos comunes de Small Data son: datos de los sistemas de gestión de relaciones con los clientes (CRM) y ERP; Información de compras de materiales de marketing, materias primas y equipos; Información de ventas de productos y clientes; Datos sobre el comportamiento del cliente; Datos del carrito de compras online; Encuestas de satisfacción del cliente y entrevistas individuales.

Las diferencias con el Big Data es que los datos recopilados a través de esta última provienen de fuentes muy amplias, ya sean externas o internas, mientras que Small Data proviene de fuentes dentro de la propia empresa. Los datos pequeños generalmente se incluyen en los sistemas de procesamiento de transacciones y se recopilan con más cuidado antes de agregarlos a la base de datos o la capa de caché. Si se necesitan consultas analíticas inmediatas, las bases de datos tendrán réplicas de lectura. 

Los sistemas de Small Data a menudo escalan verticalmente. Esta escala aumenta la capacidad del sistema al agregar más recursos a la misma máquina. El escalado vertical es más costoso, pero más simple de administrar.

De otra parte, los algoritmos de aprendizaje automático necesitan datos de entrada correctamente codificados y bien estructurados, especialmente cuando se trata de datos de entrada que provienen de sistemas transaccionales, como un almacén de datos o un data lake. Debido a que la etapa de preparación de datos es limitada, los algoritmos que usa Small Data serán fáciles de implementar.

También, los Small Data son más humanos y se pueden aprovechar de manera efectiva para afectar la toma de decisiones importantes. El análisis de datos, incluso cuando está relacionado con el desarrollo de IA, debe basarse en datos obtenidos recientemente y en cantidades más pequeñas. Además, la recopilación de datos a gran escala, típicamente asociada con los enfoques de Big Data (incluida la recopilación de grandes cantidades de datos con fines analíticos) es un desafío para muchas organizaciones.

Incluso si Big Data está disponible, los costos, el tiempo y la energía para implementar el aprendizaje automático supervisado convencional aún pueden ser muy desafiantes. Además, la toma de decisiones por parte de los humanos y la IA se ha vuelto más compleja y exigente, y requiere una mayor variedad de datos para una mejor conciencia situacional.

Además, Small Data está siempre a mano, lo que permite una toma de decisiones rápida o incluso en tiempo real. Algunas acciones que se pueden tomar partiendo de esta estrategia son: comprender los desencadenantes que hacen que los clientes compren, mejorar el proceso de generación de leads, cambiar la forma en que comercializa sus productos y ajustar sus estrategias de marketing en tiempo real.

* Líder de arquitectura de soluciones y preventa en Semantix