5 PASOS PARA IMPACTAR LOS RESULTADOS CON LA ANALÍTICA

Las organizaciones deben maximizar el potencial de los datos para definir estrategias que las mantengan competitivas tanto a nivel interno como externo.

No hay duda de que, gracias al Business Intelligence (BI), la ciencia de datos y el machine learning se pueden tomar mejores y más certeras decisiones en los negocios. Estos temas se han vuelto tan relevantes que no puedes dejar pasar la oportunidad de crecer tu negocio y resultados con la analítica, lo que implica seguir cinco acciones para sacar el mejor provecho de dichas herramientas.

1. Definir una estrategia basada en datos

Primero debes identificar casos de uso donde puedas sacar ventaja y mejorar los resultados con la analítica; para ello, es necesario tener muy claro un plan para definir proyectos relevantes de gran impacto, así como el desarrollo del personal clave en sus habilidades informáticas y proveer los medios, recursos y entrenamiento. Durante esta etapa, resulta imprescindible establecer el enfoque “Data Driven” que privilegia las decisiones basadas en datos.

2. Construir una arquitectura de BI

Crear esta infraestructura requiere de cumplir con ciertos requisitos. Primero está un tema de gobernanza, ¿cómo se adquieren y gestionan los datos de forma correcta? Segundo, deben definirse procesos y herramientas de transformación que establezcan cómo se extraen, limpian, estructuran y cargan para “llenar” las bases de datos.

Como tercer punto, es importante contar con repositorios para organizar tanto los datos como metadatos, al igual que el sistema de nube. Cuarto, seleccionar la plataforma más adecuada, no necesariamente la de moda, para organizar las herramientas y aplicaciones. Por último, definir cómo los analistas accederán, mostrarán y manipularán los datos.

3.Trabajar las analíticas de forma integral

Es muy importante tener un balance en el portafolio de proyectos considerando tanto los KPIs interna como la externa. La primera, de corto plazo, está más orientada a la eficiencia, trabaja para mejorar la productividad, reducir costos y optimizar recursos. Por otra parte, la segunda, de largo plazo, va más enfocada a cambiar la experiencia del cliente, dar valor agregado o modificar el modelo de negocio.

4. Establecer un procedimiento de trabajo

La metodología Cross-Industry Standard Process for Data Mining (CRISPDM) de IBM es muy buena para esta clase de proyectos. Ayuda a orientar trabajos de ciencias de datos, analítica, machine learning, además posee descripciones de las fases, las tareas necesarias para llevar a cabo en cada una, así como una explicación de las relaciones entre cada una de las tareas.

5. Impactar la toma de decisiones diarias en la empresa

La ciencia de datos, las analíticas y el machine learning, deben ser promovidos y usados por los actores principales del negocio.

Incluso el equipo directivo se debe preparar en estas temáticas, siempre privilegiando las decisiones basadas en hechos y datos, además de hacer las preguntas correctas y desarrollar la cultura “Data Driven”, puede que este paso sea el más importante y difícil de implementar.

Por otro lado, los especialistas en datos deberán ser muy cuidadosos en el manejo de las expectativas al democratizar este tema. Es decir, tratar de llevarlo a toda la organización, por supuesto en distintos niveles de profundidad, pero abarcando todo el negocio. Para la toma de decisiones asertiva es muy relevante comprender qué tipo de analíticas deben aplicarse, así como su taxonomía. Existen cuatro clases que se pueden desarrollar dentro de una empresa:

1. Descriptiva: tiene como objetivo detallar un aspecto del negocio, usa datos y estadística representativa para entender el pasado y presente. Su enfoque es muy visual y todos los empleados la entienden. Típicamente se refleja en los dashboards. La pregunta para responder es: ¿qué sucede?
2. Diagnóstica: su función es encontrar la causa de un efecto, usa información y estadística descriptiva e inferencial, bajo un enfoque técnico y orientado a la acción. Por lo regular se ve en proyectos destinados a solucionar problemas. Aquí se trata de responder al cuestionamiento: ¿por qué ocurre?
3. Prescriptiva: su finalidad es optimizar una variable mediante el uso de datos. Se centra en informar acerca de lo que debería pasar buscando mejorar el resultado esperado. Se apoya en la simulación, la estadística inferencial, matemáticas e investigación de operaciones, su enfoque es muy técnico y está encaminado a la acción. Por lo general, esto se ve en proyectos de optimización y/o simulación. Es fundamental contestar: ¿qué hacer?
4. Predictiva: su intención es pronosticar eventos, tendencias y patrones de comportamiento mediante un proceso que permite extraer conclusiones confiables sobre eventos futuros, a través de una variedad de técnicas de modelado y aprendizaje automático que analizan los hechos históricos y actuales. La Industria 4.0 presenta una gran cantidad de iniciativas que requieren su uso. La pregunta por responder es: ¿qué podría suceder?

Hacia la transformación de la empresa

Una vez aclarada la taxonomía de la analítica y lo que podría responder, es importante establecer los desafíos intrínsecos a la organización. Algunos retos incluso podrían ser dirigidos a personal externo (por ejemplo, universidades, centros de investigación en machine learning e inteligencia artificial), pero siempre acompañado por personal interno.

Al seguir los pasos mencionados, se podrá consolidar una organización basada en datos. Una vez puestos en práctica estos conceptos, se tomarán decisiones más asertivas y sobre todo tendrán beneficios económicos e intangibles para la empresa.

Te puede interesar también:

“Inteligencia de negocios para mayor competitividad de la empresa”

“El poder de los mapas de datos para vender más”