Resultados de la búsqueda

CIO Las compañías son plataformas de software empresarial refrescantes para la era de la nube y unen nuevos sistemas para respaldar proyectos comerciales digitales, lo que provoca un repunte en el gasto de TI en todo el mundo. Gartner pronosticó un aumento del 2,4% en el gasto mundial de TI este año, que asciende a USD$3,5 billones, frente al anémico crecimiento del 0,3% del 2016. El gran impulsor de este crecimiento es el gasto en software empresarial, que se espera aumente un 7,6% en lo que queda del año, alcanzando los USD$351 mil millones. “Estamos llegando a los sistemas ERP postmodernos, estamos reemplazando y envolviendo los sistemas existentes con la nube, y CRM (gestión de las relaciones con los clientes) está aumentando los éxitos, porque CRM es fácil de implementar en una oferta en la nube”, dijo John- David Lovelock, vicepresidente de investigación de Gartner. Lea después: ¿Dónde encajan las aplicaciones móviles en el mundo del software empresarial? El gasto en CRM en algunos países aumentó en un 35% este año, añadió Lovelock. En general, se mantiene la expectativa de que las empresas gasten alrededor de USD$30 mil millones en ERP y USD$ 39 mil millones en sistemas CRM. Las predicciones de Gartner para el gasto de TI en 2017 subieron y bajaron en los últimos trimestres, pero la mayoría de los ajustes a sus pronósticos se debieron a las fluctuaciones en el valor del dólar. Esas fluctuaciones no están alterando las tendencias fundamentales en el gasto de TI. A medida que los usuarios se agarran a sus teléfonos móviles durante dos, tres o incluso cuatro años, en lugar de actualizarlos cada año, el principal motor para el crecimiento de TI será la transformación digital de negocios. Las tendencias comerciales digitales incluyen el uso de la infraestructura de IoT en la fabricación y la tecnología blockchain en servicios financieros y otras industrias, así como también máquinas inteligentes en el sector minorista, agregó Lovelock. Pero la tecnología para impulsar la transformación digital aún no se ha convertido en un producto básico, señaló Lovelock. “Se pueden obtener fragmentos pero se está escribiendo mucho”, afirmó. La tecnología Blockchain se usa para agregar y transmitir información sobre artículos en buques de carga, por ejemplo. “Están tratando de hacer eso en el entorno de la cadena de bloques: todo eso se está escribiendo, hay partes de él, pero la mayoría se está escribiendo desde cero”, explicó Lovelock. Lovelock argumentó que los CIO van a tener que volver a ser constructores y tendrán que combinar el software existente con piezas que no lo son, a fin de proporcionar nuevos productos y ofertas basadas en su propiedad intelectual. Los bancos, por ejemplo, pueden comenzar a ofrecer servicios que analizan los patrones de gasto de los clientes y sugerir formas de ahorrar dinero. “Los CEO dicen, ya sabes, vamos a crecer, y se centran en el crecimiento de los ingresos de primera línea y piensan que pueden hacerlo en el entorno económico actual al traer nuevos servicios al mercado, por lo que se trata menos de TI apoya el negocio, pero ahora lo permite”, expresó Lovelock. Mientras tanto, las empresas están gastando más en sistemas modernos de inteligencia empresarial que complementan el aprendizaje automático, lo que eleva los ingresos de los proveedores de estos sistemas en un 35% este año. Vea luego: 5 maneras en que cambió el software empresarial para siempre Para construir nuevos sistemas basados en máquinas de aprendizaje automático, IoT e inteligentes, las empresas también están recibiendo ayuda de grandes proveedores de servicios como IBM, lo que impulsa el crecimiento de los servicios de TI en un 3,1%, predice Gartner. En otras áreas de la tecnología, el gasto en dispositivos, incluidos teléfonos, computadoras y tabletas, está volviendo este año, aumentando USD$ 654 mil millones, ayudado en parte por las actualizaciones en los teléfonos inteligentes Samsung y Apple. Con el tiempo, sin embargo, se espera que el gasto en teléfonos móviles se aplane. Se proyecta que el gasto del sistema de centros de datos crezca un 0,3% a medida que disminuye la implementación de almacenamiento empresarial, solo parcialmente equilibrado por el gasto en tecnología de servidores en la nube. #aumento #inversión #IT #softwareempresarial

CIO “Está la tendencia moderna de desarrollo de DevOps, pero cada vez más personas inyectan algún tipo de funciones de ciencia de datos en las áreas de desarrollo y sistemas, por eso necesitas a alguien en el equipo de DevOps que tenga la mentalidad que se adquiere trabajando con datos”, dijo Ted Dunning, arquitecto jefe de aplicaciones en MapR Technologies y coautor de Machine Learning Logistics: Model Management In the Real World. Principios de la DataOps Al igual que la DevOps, el enfoque DataOps siguió la senda de la metodología ágil. Este enfoque prioriza la entrega continua de perspectivas analíticas con el objetivo principal de satisfacer al cliente. Los equipos de DataOps valoran análisis que funcionan; miden el rendimiento de los análisis de datos según la información que entregan. Los equipos de DataOps aceptan el cambio y buscan comprender constantemente las necesidades cambiantes de los clientes. Los equipos de DataOps son equipos. Se auto-organizan alrededor de objetivos y buscan reducir el “heroísmo” en función de equipos y procesos sostenibles y escalables. Los equipos de DataOps buscan orquestar datos, herramientas, códigos y entornos de principio a fin. Es esencial que los resultados sean reproducibles. Los equipos de DataOps tienden a ver las tuberías analíticas como si fueran análogas a las líneas de manufactura. ¿Dónde es adecuada la DataOps? Las empresas de hoy en día están inyectando cada vez más el aprendizaje automático a una amplia gama de productos y servicios. Y la DataOps es un enfoque orientado a apoyar las necesidades integrales del aprendizaje automático. “Por ejemplo, este estilo hace más factible para los científicos de datos contar con el apoyo de la ingeniería de software para proporcionar lo que se necesita cuando se entregan los modelos al departamento de operaciones durante el despliegue”, escriben Dunning y la coautora Ellen Friedman, tecnóloga principal de MapR. “El enfoque de DataOps no se limita al aprendizaje automático. Este estilo de organización es útil para cualquier trabajo orientado a datos, lo cual facilita aprovechar los beneficios que ofrece la creación de un tejido de datos global”, añadió. También agregan que la DataOps encaja bien con las arquitecturas de microservicios. Ver  más: ¿Cómo aprovechar el aprendizaje de las máquinas para el retail? DataOps en la práctica A medida que las empresas adoptan tecnologías de datos emergentes como estas, Dunning y Friedman dicen que es imperativo que éstas desarrollen su perspectiva para que mejoren su capacidad de trabajar con datos a escala y responder a los eventos del mundo real a medida que ocurren. “Los roles tradicionalmente aislados pueden resultar demasiado rígidos y lentos para adaptarse bien a las organizaciones de big data que están pasando por una transformación digital”, escriben. “Ahí es donde un estilo de trabajo DataOps puede ayudar”. El enfoque DevOps reúne a especialistas en desarrollo de software y en operaciones para alinear más estrechamente el desarrollo con los objetivos comerciales, acortar los ciclos de desarrollo y aumentar la frecuencia de despliegue. Hace mucho énfasis en tener equipos inter-funcionales que posean habilidades transversales a gremios como operaciones, ingeniería de software, arquitectura y planificación, y gestión de productos. La DataOps agrega funciones de ciencia de datos e ingeniería de datos a esta mezcla con el objetivo de aumentar la colaboración y la comunicación entre desarrolladores, profesionales de operaciones y expertos en datos. Dunning subraya que para alcanzar la coordinación que promete la DataOps es necesario integrar científicos de datos en el equipo de DataOps. “No hagas diferencias entre ellos”, agrega. “Necesitan escuchar los comentarios de primera línea, recomendar las mismas soluciones, someterse a los mismos retos. Esa integración es el paso clave a seguir”. Cómo construir un equipo de DataOps Crear un equipo de DataOps no significa necesariamente que debas contratar nuevos especialistas. Friedman señala que muchas empresas ya tienen el núcleo de lo que es un equipo de DataOps en los equipos de DevOps existentes. El siguiente paso es identificar los proyectos que requieren un desarrollo intensivo de datos y a alguien con capacitación en datos. Esa persona puede incluso ser un ingeniero de datos en lugar de un científico de datos completo. “Cuando estás buscando cubrir estas habilidades diferentes y juntarlas para lograr el objetivo común, eso no significa necesariamente que tengas que contratar un montón de personas para que llenen estos roles.Probablemente ya tienes a estas personas con las habilidades clave. Solo requieres una realineación para comprender cuáles son los roles clave”, reflexionó. La parte importante, dice, es mejorar la colaboración entre los conjuntos de habilidades en pro de  la eficiencia y de un mejor uso del tiempo y la experiencia de las personas. Dunning y Friedman coinciden que también es clave que los equipos de DataOps compartan un objetivo común: las necesidades impulsadas por datos de los servicios que respaldan. #dataops #machinelearning