Data Analytics

Desmitificando la Ciencia Oscura de la Analítica de Datos

El conocimiento y la planificación transforman la Analítica de Datos de una «ciencia oscura» a una herramienta de primera necesidad para los negocios.

Aunque pocos lo admitan públicamente, la analítica de datos sigue siendo una especie de ciencia oscura para muchos líderes de IT, repleta de métodos místicos y prácticas aparentemente indescifrables. Sin embargo, y a pesar de su reputación un tanto enigmática, la analítica ha demostrado una y otra vez que es una ciencia probada, una poderosa herramienta que generalmente conduce a mejoras significativas en la productividad, la eficiencia, las ventas, los beneficios y otras métricas y objetivos empresariales clave.

La revolución analítica actual ha pillado a muchos responsables de IT por sorpresa. Hasta hace poco, la informática no era lo suficientemente potente como para realizar análisis de datos avanzados. De hecho, la mayoría de los altos directivos de IT se graduaron mucho antes de la revolución de la analítica de datos.

La analítica avanzada es esencialmente una habilidad de investigación, y la mayoría de los líderes y ejecutivos de IT nunca han sido investigadores profesionales. Estas habilidades son más comunes en la comunidad académica, y por esta razón la mayoría de los data scientist y managers de análisis de éxito son antiguos investigadores. Como resultado, muchos líderes de IT de la vieja escuela ven las iniciativas de análisis emergentes con una combinación de desconcierto y temor.

Aceptando y Acogiendo lo Desconocido

Los responsables de IT de las empresas deben asumir que la analítica supondrá un reto para sus departamentos estables y bien estructurados. Ha habido un cambio en los conjuntos de habilidades necesarias dentro de las grandes organizaciones para impulsar los datos y las soluciones habilitadas para la analítica. Muchos conjuntos de habilidades de IT tradicionales no funcionan con los nuevos motores de análisis, las bases de código y las estructuras de gestión de datos que evolucionan rápidamente en el mercado, alimentando la necesidad de nuevos talentos.

Muchos jefes de IT pueden sentirse inseguros sobre la mejor manera de enfocar la analítica, especialmente debido a su solapamiento con otros departamentos. Aunque la analítica tiende a ser de naturaleza técnica, en realidad es más bien una función empresarial, similar a las finanzas o la contabilidad. Aun así, este malentendido ha ocasionado guerras territoriales bastante feas en algunas empresas.

Ahora bien, si los responsables de IT invirtiesen más tiempo en aprender cómo funciona la analítica, así como las formas en que los procesos analíticos pueden utilizarse para ayudar a su empresa, aumentaría su adopción y se acabarían las luchas internas sobre las funciones y responsabilidades.

Un conocimiento más profundo de la analítica también puede ayudar a los responsables de IT a entender por qué el enfoque de la analítica a menudo puede parecer tan misterioso. La ciencia de datos o data sicence, en su mejor forma, es un esfuerzo extremadamente creativo. No es necesario que los gestores entiendan los componentes tecnológicos de cada análisis, al igual que los propietarios de un proyecto de software no tienen que entender los componentes tecnológicos subyacentes. Lo más importante, es ver el valor creado.

A diferencia de las IT, donde las soluciones suelen ser obvias y ampliamente adoptadas por las empresas de todo el mundo, los procesos de análisis suelen ser únicos e individualizados. Elegir el mejor método analítico a veces es sencillo y a veces un arte. Por ejemplo, la búsqueda de relaciones causa-efecto en los datos suele implicar algún tipo de regresión, y la búsqueda de características similares en grandes conjuntos de datos de clientes probablemente implique algoritmos de agrupación (clustering).

A la hora de optimizar un presupuesto de marketing, el experto en analítica puede seleccionar entre innumerables métodos que se pueden utilizar. En estos casos, suele ser más importante que el método elegido se utilice correctamente y con buenas suposiciones a elegir el “mejor” método de todos los posibles.

Fijando un Rumbo

Los expertos difieren en si las iniciativas de análisis empresarial deben estar centralizadas, ya sea dentro de IT o de un departamento de análisis independiente, o repartidas entre las distintas áreas de negocio. Muchos creen que el departamento de IT está mejor posicionado para servir como defensor de la analítica y apoyo tecnológico, no como base de todas las iniciativas de analítica empresarial. No hay ninguna razón para que la analítica de datos esté aislada dentro de un departamento. Se trata más bien de un conjunto de habilidades que deben fomentarse para que crezcan a lo largo de toda la empresa.

Debido a que el campo de data science evoluciona rápidamente, resulta muy ventajoso que distintos equipos colaboren y aprendan los unos de los otros, aunque haya un poco de competencia amistosa entre ellos. Dos equipos diferentes llevarán a cabo estos procesos de maneras distintas, lo que permitirá una exploración más rápida de todo el campo con la que descubrir los tipos de metodologías más adecuados para el entorno empresarial de cada equipo. Esa polinización cruzada de ideas puede fomentarse aún más rotando a las personas dentro y fuera de distintos equipos.

El modelo de Centro de Excelencia Analítica (COE) – un grupo o equipo que dirige y coordina las iniciativas analíticas en toda la empresa – se ha debatido durante muchos años, y ha conseguido poco apoyo frente a la integración del talento analítico en las áreas de negocio. Dentro del IT tradicional, suele haber un modelo centralizado para consolidar y gestionar los datos operativos, al tiempo que se proporciona acceso a esos datos a los recursos de análisis dentro de la empresa. Sin embargo, salvo algunas excepciones, este enfoque no encaja bien con las necesidades analíticas únicas y especializadas de las unidades de negocio individuales.

La decisión de centralizar la analítica es más conveniente si se dan unos de estos escenarios: cuando los datos o las sinergias de habilidades están muy repartidos entre las diferentes funciones de negocio, o cuando las funciones de negocio menos maduras podrían beneficiarse de la experiencia que un equipo central puede proporcionar. Hay casos en los que un equipo central de analítica puede ser un catalizador temporal para el crecimiento de la analítica funcional, en cuyo caso el equipo central podría ser mejor para necesidades muy especializadas, como el aprendizaje automático o la inteligencia artificial.

Afirmando el Liderazgo

Independientemente de cómo o dónde se originen dentro de la empresa, todos los proyectos de análisis requieren un liderazgo fuerte y bien informado. La clave es tener un buen líder al mando. También es conveniente que el jefe del equipo tenga una gran experiencia demostrada, porque ese es, en definitiva, el baremo de un buen analista.

La decisión de quién liderará un proyecto específico de análisis depende del nivel de madurez analítica de una empresa, de su sector y su herencia, de su fuerza de liderazgo y de las áreas de negocio específicas que impulsan su estrategia y crecimiento. Por ejemplo, en una empresa impulsada principalmente por sus ventas, un líder senior de análisis de marketing podrá tomar más y mejores decisiones basadas en datos que cualquier empleado de otro área. Sin embargo, en las empresas con una fuerte función central de gestión de datos, un líder de IT podría estar mejor posicionado para elevar las capacidades de análisis.

La competencia por el talento analítico es intensa. La mayoría de las empresas han renunciado sensatamente a la idea de contratar al científico de datos estrella con tres doctorados para que haga magia y, en su lugar, han creado equipos de personas más jóvenes pero competentes. Esta estrategia puede tener éxito en casi cualquier lugar si se siguen ciertos principios: Hay que darles poder para que tengan éxito. Dales datos, computación en la nube y cualquier herramienta que necesiten.

La dirección debe mantener un control flexible sobre los equipos de análisis. Un equipo eficaz con un alto nivel de productividad no necesita que un grupo más pequeño de personas imponga su autoridad sobre los demás. Naturalmente, las personas más veteranas asumirán funciones de mayor responsabilidad, simplemente porque tienen más experiencia y probablemente más conocimientos sobre cómo realizar la tarea en cuestión.

Los representantes de las áreas de negocio deben participar en la planificación de los proyectos de análisis desde el principio, desde la identificación de las métricas que se van a seguir hasta la revisión de los paneles de visualización de datos. Por otro lado, formar a los directivos y al personal para que interpreten los datos no debería ser una preocupación importante. Si un grupo de análisis está funcionando de forma óptima, no sería necesario formar a las personas para interpretar los resultados. Las herramientas deberían estar diseñadas con la idea de ser intuitivas para el área de negocio que digiere la información.

Desvelando el Misterio

Los responsables de IT deben dejar de lado el miedo y el escepticismo a la analítica para centrarse en el reto que tienen entre manos: poner a disposición de los responsables de la toma de decisiones información procesable. Los expertos de marketing, los profesionales de la cadena de suministro, los líderes financieros y los ejecutivos operativos tienen un interés y una inversión en la analítica, y esto crea una nueva complejidad y política en relación con este espacio. El papel de IT es ayudar, en la medida de lo posible, a la creación de datos limpios y disponibles, y a la obtención de información para alimentar e impulsar las decisiones empresariales.

En lugar de descartar la analítica como un misterio inescrutable, los responsables de IT deberían colaborar para ayudar a los expertos en datos a acceder a los datos y las herramientas que necesitan para tener éxito. A menudo, vemos que la falta de éxito se debe a las restricciones burocráticas impuestas a un equipo de data science y no a la falta de talento. No es raro, por ejemplo, que las empresas hagan que el acceso a los datos sea demasiado difícil para que merezca la pena y que pongan límites estrictos a las herramientas que se ponen a su disposición. Estas limitaciones pueden reducir fácilmente la productividad.

El tipo de personas ambiciosas que quieres conservar no permanecerán mucho tiempo en un entorno así y la selección natural te dejará con un equipo de analistas formado por personas dóciles y poco creativas que no aportarán el valor que se espera de ellas.

Referencias: Todos los derechos reservados a CIO

Deja un comentario

A %d blogueros les gusta esto: