“¿Luchando para guiarse por el análisis? Uno o más de estos problemas es probablemente lo que está retrasando a su organización. ¿Qué tan confiado está de que su iniciativa de análisis está entregando el valor que se supone que debe?”
De acuerdo con los autores de este artículo, cada día es más común que las empresas utilicen estrategias de análisis de datos, creando incluso empleos a partir de esto. Las grandes corporaciones están conscientes de la creciente necesidad de adaptarse a una cultura de datos. Sin embargo, aún queda mucho por avanzar en cuanto a la analítica y quedan muchos desafíos a enfrentar. “En general, McKinsey ha observado que solo una pequeña fracción del valor que podría ser desbloqueado por los enfoques de análisis avanzado se ha liberado, tan bajo como el 10 por ciento en algunos sectores. Y el índice IA de McKinsey revela que la brecha entre los líderes y los rezagados en la adopción exitosa de analítica e inteligencia artificial, tanto dentro como entre los sectores de la industria, está creciendo.”
Gracias a la inteligencia artificial y al análisis de datos ha sido más fácil detectar las fallas que podrían tener las empresas con programas de datos. Según la experiencia de los autores, “los líderes empresariales que actúan sobre estas alertas mejorarán dramáticamente las posibilidades de éxito de sus compañías en tan solo dos o tres años.” Las “diez banderas rojas” se presentan a continuación:
1. El equipo ejecutivo no tiene una visión clara de sus programas de análisis avanzado
Es esencial que los ejecutivos tengan un conocimiento sólido sobre plataformas de inteligencia articial, del mismo modo que los empleados deben estar capacitados para poder desarrollar tareas en plataformas de análisis avanzado. Hoy en día hay muchos programas que permiten hacer esto e impartir el conocimiento de manera sencilla y didáctica. Si los empleados saben resolver problemas sencillos entonces podrán gradualmente poner soluciones a problemas de mayor magnitud.
2. Nadie ha determinado el valor que los casos de uso iniciales pueden entregar en el primer año
Los autores dicen que “muy a menudo, la inclinación entusiasta es aplicar herramientas de análisis y métodos como el papel tapiz, como algo que, con suerte, beneficie a todos los rincones de la organización a la que se aplica. Pero tal imprecisión solo conduce a desperdicios a gran escala, resultados más lentos (si los hay), y menos confianza -tanto por parte de los accionistas como de los empleados- en que las iniciativas de análisis puedan agregar valor.”
Por esta razón, “las empresas en las primeras etapas de escalar los casos de uso de análisis deben analizar detalladamente los tres a cinco casos de uso factibles más importantes que pueden crear el mayor valor rápidamente, idealmente durante el primer año. Esto generará un impulso y fomentará la aceptación de futuras inversiones analíticas.” Para esto, comentan que es necesario analizar toda la cadena de valor de la empresa.
Para considerar la viabilidad, se debe pensar en lo siguiente:
- ¿Los datos necesarios para el caso de uso son accesibles y tienen suficiente calidad y horizonte de tiempo?
- ¿Qué pasos específicos del proceso deberían cambiar para un caso de uso particular?
- ¿El equipo involucrado en ese proceso tendría que cambiar?
- ¿Qué se podría cambiar con una interrupción mínima y qué requeriría procesos paralelos hasta que se probara el nuevo enfoque analítico?
3. No hay una estrategia analítica más allá de algunos casos de uso
Según los autores “hay tres preguntas cruciales que el CDO o CAO deben formular a los líderes empresariales de la empresa:
- ¿Qué amenazas suponen para la empresa tecnologías como la inteligencia artificial y la analítica
avanzada? - ¿Cuáles son las oportunidades de usar tales tecnologías para mejorar los negocios existentes?
- ¿Cómo podemos usar datos y análisis para crear nuevas oportunidades?”
4. Los roles analíticos, del presente y futuro, están mal definidos
“Pocos ejecutivos pueden describir en detalle qué talento analítico tienen sus organizaciones, por no hablar de dónde está ubicado ese talento, cómo está organizado, y si tienen las habilidades y títulos adecuados.
La forma correcta de abordar el problema del talento es pensar en el talento analítico como una tapicería de conjuntos de habilidades y roles (interactivos). Naturalmente, muchas de estas capacidades y roles se superponen, algunas regularmente y otras dependiendo del proyecto. Cada hilo de esa tapicería debe tener su propia definición cuidadosamente elaborada, desde descripciones de trabajo detalladas hasta interacciones organizativas.” Hacer un análisis detallado de los puestos de trabajo permitirá la creación de nuevos empleos y mayor eficiencia en la empresa.
5. La organización carece de traductores analíticos
El rol del traductor de analítica es esencial para la empresa, ya que alguien especializado en el sector empresarial puede identificar las necesidades comerciales y hacerla saber a los especialistas en datos. Los traductores son una pieza clave en la empresa, gracias a sus conocimientos empresariales y matemáticos y el profundo conocimiento de la propia compañía, así como su habilidad de saber transmitir esta información a los científicos o ingenieros de datos.
Las empresas han optado en varios casos por capacitar a sus traductores de datos. “En McKinsey, hemos creado nuestra propia academia, capacitando a 1,000 traductores en los últimos años”, aseguran los autores.
6. Las capacidades analíticas están aisladas del negocio, lo que resulta en una estructura de organización analítica ineficaz
Los autores han “observado que las organizaciones con iniciativas de análisis exitosas incorporan capacidades de análisis en sus negocios principales. Aquellas organizaciones que luchan por crear valor a través de la analítica tienden a desarrollar capacidades analíticas de forma aislada, ya sea centralizadas y alejadas del negocio o en bolsas esporádicas de silos mal coordinados. Ninguno de los modelos organizativos es efectivo. La sobrecentralización crea cuellos de botella y conduce a una falta de compromiso comercial. Y la descentralización conlleva el riesgo de diferentes modelos de datos que no se conectan.”
“Una bandera roja definitiva de que el modelo organizativo actual no funciona es la queja de un científico de datos de que su trabajo tiene poco o ningún impacto y que la empresa sigue haciendo lo que ha estado haciendo. Los ejecutivos deben prestar atención a ese tipo de quejas.” En las empresas debe haber profesionales con talento tanto del lado de negocios como del lado de análisis. “Un modelo híbrido conservará algunos derechos de decisión y capacidad centralizados (especialmente en relación con el gobierno de datos y otros estándares), pero los equipos de análisis aún están integrados en el negocio y son responsables de generar impacto.” Al iniciar el proceso analítico es bueno que al principio la responsabilidad sea centralizada, pero con el tiempo los esfuerzos pueden ir adquiriendo autonomía dentro de la empresa.
7. Los esfuerzos costosos de limpieza de datos se inician en masa
“McKinsey estima que las compañías pueden estar desperdiciando hasta el 70 por ciento de sus esfuerzos de limpieza de datos. No hace mucho, una gran organización gastó cientos de millones de dólares y más de dos años en una iniciativa de limpieza de datos en toda la empresa y desarrollo de lagos de datos. El objetivo era tener un metamodelo de datos, esencialmente una fuente de verdad y un lugar común para la gestión de datos. El esfuerzo fue un desperdicio. La empresa no realizó un seguimiento apropiado de los datos y tenía poca idea de qué datos podrían funcionar mejor para qué casos de uso. E incluso cuando se había limpiado los datos, había muchos otros problemas -como la incapacidad de realizar un seguimiento completo de los datos o comprender su contexto.”
La solución sería que el encargado del área de datos organice la limpieza de datos en función de los datos alimentan los casos de uso más valiosos. “Paralelamente, debe trabajar para crear una ontología de datos empresariales y un modelo de datos maestro a medida que los casos de uso sean completamente operativos”, agregan los autores.
8. Las plataformas de análisis no están diseñadas para un propósito específico
Muchas empresas cometen errores costoso a la hora de diseñar una arquitectura moderna que les permita tener un mejor análisis de datos y producen pocos beneficios para la empresa, en algunos casos hay incluso graves pérdidas para la empresa. Según los autores, “un error común es pensar que los sistemas de TI heredados deben integrarse primero. Otro error es crear un lago de datos antes de descubrir las mejores maneras de llenarlo y estructurarlo; a menudo, las empresas diseñan el lago de datos como una entidad, sin entender que se debe dividir para abordar diferentes tipos de casos de uso.”
Una buena solución es combinar el uso de sistemas heredados con una nueva plataforma de datos. “Con el aporte apropiado del director de información (CIO), el CDO debe garantizar que, por cada caso de uso, la ingesta de datos puede ocurrir desde múltiples fuentes y que se puede realizar la limpieza de datos y realizar análisis en la plataforma, todo mientras los sistemas de TI heredados continúan atendiendo las necesidades de datos transaccionales de la organización.”
9. Nadie sabe el impacto cuantitativo que está proporcionando el análisis
Tanto los líderes comerciales como los traductores de datos deben identificar casos de uso específicos que puedan aportar valor y comprometerse a medir el impacto financiero de esos casos de uso cada cierto periodo de tiempo. “Las finanzas pueden ayudar a desarrollar métricas apropiadas; la función también actúa como árbitro independiente de la ejecución de los casos de uso.”
10. Nadie está demasiado enfocado en identificar posibles implicaciones éticas, sociales y regulatorias de las iniciativas de análisis
Es importante cuidar la ética al trabajar con datos, ya que aunque se obre con buena intención, se pueden presentar situaciones de discriminación racial, etc. Las máquinas y los algoritmos no están exentos de esto (una máquina no tomará criterios racistas pero puede estar programada para “discriminar” de alguna forma al personal de una empresa).
Los encargados del área de datos y recursos humanos se tienen que poner de acuerdo con los expertos en ética empresarial y el consejo legal de la empresa para establecer servicios de pruebas de resiliencia que “puedan exponer e interpretar rápidamente los efectos secundarios de los programas analíticos de la empresa. Los traductores también serán cruciales para este esfuerzo.”
