María Berrocal, Data & Analytics Manager – Innovadores La Razón
Las empresas cada vez son más conscientes de la importancia de los datos en su toma de decisiones y por ello, muchas de estas compañías basan sus estrategias corporativas en los resultados del análisis de sus datos.
No obstante, muchas de estas estrategias no llegan a buen término, y los empresarios no obtienen los resultados o los beneficios esperados cuando las definieron y pusieron en marcha. ¿Por qué ocurre esto? ¿Dónde está el problema?
Fundamentalmente este problema viene causado por cómo se gestiona el dato y la forma en la que se define su análisis. El análisis debe ser parte de la cultura corporativa de una compañía, y en él deben involucrarse los responsables a todos los niveles, tanto en su utilización como en el planteamiento de los casos de uso o de negocio.
A lo largo de mi experiencia me he encontrado con empresas que tenían 40 años de antigüedad, pero que sólo han sido conscientes de la importancia del dato en los últimos años. Esto es el ejemplo claro de que hasta hace muy poco no existía, en la mayoría de las empresas, esa “cultura del dato” que tenemos hoy. Es decir, que la toma de decisiones no estaba basada en información real, sino en percepciones de sus responsables, y por ello no se estaba dando la importancia suficiente a la recolección y al tratamiento de los datos.
Sin duda, en la actualidad las nuevas tendencias tecnológicas en el mundo del big data, machine learning… están abriendo el camino para crear un nuevo planteamiento en las empresas respecto al tratamiento del dato. De esta forma estas tendencias tecnológicas se convierten en las grandes aliadas para hacer crecer su negocio y orquestar una toma de decisiones basada en información real y procesos predictivos. Sin embargo, nos encontramos con que muchas de las empresas españolas no están preparadas para implantar este tipo de soluciones de la noche a la mañana, y es necesario que las empresas tecnológicas ayuden a identificar cómo y cuándo tiene sentido implementarlo.
En este sentido, tres de los errores más comunes en estos proyectos son los siguientes:
- Falta de visión corporativa. Históricamente, los proyectos tecnológicos siempre han sido lanzados por los departamentos de IT, no involucrando en muchos casos a los usuarios de negocio de la propia compañía. Este tipo de proyectos debe dar soporte a la toma de decisiones de todas las áreas, de forma que desde la definición de los mismos es importante involucrar a responsables de las diferentes unidades y áreas de negocio de la compañía. Esto es aplicable, tanto a un proyecto de reporting clásico o de data discovery, como a proyectos de inteligencia aumentada que aportarán valor a nuestros datos. Muchas empresas siguen definiendo estos proyectos como algo aislado, de forma que cuando los usuarios reciben uno, muy probablemente echarán en falta funcionalidades o detectarán errores en el tratamiento de la información que realizan en su día a día.
- Mala calidad de los datos. Los sistemas informacionales tradicionales, están preparados para explotar la información tal y como se requería con las herramientas tradicionales de Business Intelligence, pero este tipo de proyectos requiere hacer evolucionar estos sistemas de forma que se incluya información no estructurada, más detallada o incluso con datos históricos que ayuden a las predicciones. En los casos de definición de algoritmos predictivos, hemos visto que, a pesar de que el cliente tenía muy claro su caso de uso, los datos que tenía para realizar las predicciones no eran válidos o no aportaban resultados fiables. Es muy importante contar con una muestra representativa y un conjunto de datos que permitan asegurar un alto grado de acierto en la predicción para que ésta aumente el valor para la empresa. Por ello, es recomendable realizar una fase de acercamiento, donde se comprueba si esos datos son válidos para dar respuesta a la problemática del cliente.
- Fallo en la estrategia de industrialización. Son muchas las empresas que consiguen tener éxito en la realización de Pruebas de Concepto, pero que fallan en el proceso de industrialización del proyecto. Los entornos acotados y los casos aislados de estas pruebas, permiten crear un escenario idóneo para el éxito, pero el problema viene en convertirlo en proyectos corporativos. Es importante definir una estrategia para la implantación, establecer los objetivos que se desean conseguir, y los casos de uso y preguntas a resolver, para poder dar un buen enfoque al proyecto, tanto desde la parte técnica como para la de negocio. Por ejemplo, nos hemos encontrado con proyectos en los que la tecnología aplicada previamente funcionaba para el volumen de datos de la Prueba de Concepto, pero era insuficiente para el volumen que se alcanzaría en el corto plazo, obligando a hacer una replanificación del tratamiento de los datos, proceso de escalabilidad y tecnologías empleadas.
Para asegurar el éxito de sus proyectos de análisis de datos, y basar estrategias corporativas en ellos, las organizaciones deberían ir un paso atrás en la implantación y realizar un análisis previo de su situación y hacia dónde quieren ir. Mi experiencia para que estos proyectos sean exitosos, es realizar una consultoría previa de la empresa en donde se identifique en primer lugar, en qué punto de gestión del dato se encuentra, y a partir de ahí, trazar un plan realista que permita alcanzar los objetivos planteados. En todas las empresas deberíamos dar soporte a nuestras estrategias a partir del análisis de los datos, pero debemos garantizar que el camino sea el adecuado.
