La mayoría de las organizaciones ya sabe que el uso inteligente de la analítica puede tener un impacto clave para mejorar la calidad de sus productos y servicios, comprender mejor a sus clientes e interactuar con ellos y aumentar la eficiencia operativa y la productividad del personal. No obstante, una cosa es comprender el valor potencial que tienen los grandes datos, y otra muy distinta es poder extraer ese valor de manera efectiva y consistente.
Convertirse en una organización guiada por datos (data-driven) no pasa únicamente por implementar nuevas tecnologías. Requiere una transformación integral que involucra nuevas habilidades y competencias, y exige un cambio cultural.
Pero el premio es ostensible: un estudio de Cloudreach sobre los 6 pasos para la madurez de datos en la nube, evidenció que en nuestros días las organizaciones de mejor desempeño son las que incorporan datos en su toma de decisiones.
El 53% de estas organizaciones toman decisiones basadas en datos "con mucha frecuencia", y el 41% lo hace "mucho más rápido" que sus pares del mercado (cuando en el resto de las empresas esos índices apenas llegan al 28% y al 6% respectivamente).
Además el 47% de las compañías de mejor desempeño logra ejecutar decisiones según lo previsto "la mayor parte del tiempo". En cambio, en el grupo restante, solo lo consigue el 15%.
Definitivamente, la mayoría de las organizaciones aún no están listas para aprovechar el valor total de los datos en las áreas operativas y las unidades comerciales: el 81% de los consultados en una encuesta de la consultora EY dijo que comprende la importancia de big data para mejorar la eficiencia y el rendimiento empresarial, pero el 32% admite estar abrumado por la cantidad de datos que tiene, el 50% dice que la calidad de sus datos es demasiado pobre para ser utilizable y el 77% aún tiene que implementar una estrategia de datos y se ve obstaculizado por los silos.
De cualquier forma, lo cierto es que hacer un mejor uso de los datos para optimizar la toma de decisiones y crear valor es un objetivo alcanzable para casi todas las organizaciones. Para lograrlo es necesario crear una estrategia de datos: un plan coherente para organizar, gobernar, analizar y desplegar los activos de información. Y en tal sentido el primer paso es efectuar una autoevaluación honesta y precisa.
Para convertirse en una organización madura impulsada por datos hay que construir una arquitectura de datos fundamental que pueda recopilar y almacenar los datos correctos, pero también se debe contar con herramientas adecuadas para limpiarlos y prepararlos para su uso, y disponer de habilidades para verificar que su calidad y cantidad sean adecuadas.
En tal sentido, este proceso se puede comparar con la construcción de una pirámide: para avanzar con éxito hacia las siguientes etapas de madurez, las organizaciones primero deberán desarrollar los fundamentos esenciales.
De todas formas este proceso no tiene por qué demandar largos años: las mejoras pueden comenzar con un solo producto o una pequeña unidad comercial y expandirse a partir de ahí a medida que se adquiere experiencia y competencia.
Dentro de la pirámide de evolución que se plantea en el reporte, se detallan seis etapas que deben transitarse en el camino hacia la madurez de los datos. Las sintetizaremos a continuación.
En la primera etapa hay que establecer la base enfocándose en recopilar la cantidad y el tipo de datos correctos para efectuar los análisis avanzados. En tal sentido lo primero será realizar un inventario completo de los activos de información.
Por otra parte, habrá que asegurarse de disponer de un flujo de datos confiable y procurar que estos últimos estén almacenados en una plataforma centralizada para mejorar su accesibilidad.
En la segunda etapa se deben refinar los datos para hacerlos utilizables. Además de evaluar si es preciso transformar los datos, y de qué manera, esta etapa exige reformar las canalizaciones de los mismos (si son grandes o complejas) y asegurarse de que la arquitectura de almacenamiento y recopilación sea confiable y escalable, y que pueda automatizar la aplicación de las políticas para el gobierno de los datos.
La tercera etapa se centra en enriquecer y limpiar los datos. Para que estos últimos se conviertan en un activo valioso y motoricen las decisiones de manera positiva –habilitando a efectuar análisis predictivos y prescriptivos– es clave detectar anomalías y asegurar su calidad.
Pero tampoco se sostiene que los científicos de datos dediquen la mayor parte de su tiempo a preparar la "materia prima". Con lo cual habrá que establecer procesos automatizados para garantizar que los datos tengan la calidad adecuada.
La cuarta etapa consiste en agregar y etiquetar datos. En esta instancia, la organización podrá implementar soluciones de inteligencia empresarial (BI) simples o herramientas analíticas básicas, que le permitirán generar informes, resúmenes, gráficos y tablas.
Esto le ayudará a comprender tendencias en sus datos. Podrá empezar a rastrear métricas y comparar segmentos. También comenzará a etiquetar y preparar datos para su uso en conjuntos de entrenamiento de aprendizaje automático.
La quinta etapa se enfoca en el aprendizaje automático simple y el análisis de diagnóstico. La organización comenzará a implementar los algoritmos de machine learning más simples y querrá establecer un marco experimental dentro del cual pueda probar sus sistemas para determinar si están funcionando como deberían.
Para verificar la precisión de estos modelos, podrá efectuar análisis estadísticos. Si encuentra demasiada variación, podrár ajustar lo que está ingresando en los conjuntos de entrenamiento. La incorporación de fuentes de datos adicionales a veces puede mejorar el rendimiento drásticamente; otras veces puede requerirse un ajuste fino del código. Al invertir tiempo y esfuerzo en esta fase tendrá mayor confianza en los algoritmos una vez que estén en producción.
La sexta etapa se enfoca en la implementación del análisis predictivo o prescriptivo a gran escala. Una vez que se transitaron todas las etapas anteriores de la jerarquía, la empresa estará lista para comenzar a implementar los sistemas que crearán valor real para su negocio.
Si es fabricante, por ejemplo, podrá anticipar el tiempo de inactividad de las máquinas con el mantenimiento predictivo; y si es minorista podrá ofrecer promociones a los consumidores más proclives a aceptarlas.
Como se ve, para maximizar el valor de los datos y los análisis hay que transitar una transformación cultural y contar con las herramientas, tecnologías, procesos e infraestructura correctas.
Por otra parte, hoy existen tecnologías y kits de soluciones Cloud que pueden suavizar el camino en cada etapa del viaje, como por ejemplo esquemas de almacenamiento accesibles y fácilmente escalables, soluciones para refinar los datos, sistemas de almacenamiento que ofrecen visibilidad y eficiencia, herramientas analíticas avanzadas basadas en machine learning, etcétera.
Lograr la madurez de los datos es un proceso complejo. Pero al contar con la vocación de cambio, los recursos y el socio adecuado este viaje puede recorrerse en tiempos muy razonables.
*Pablo Vittori es VP Regional de Cloud Services de BGH Tech Partner