10 pasos para crear una cultura basada en los datos

Para muchas empresas, una cultura sólida y basada en los datos sigue siendo difícil de alcanzar y los datos rara vez son la base universal para la toma de decisiones. ¿Por qué es tan difícil? Nuestro trabajo en varios sectores indica que los mayores obstáculos para crear negocios basados en datos no son técnicos, sino culturales. Hemos resumido 10 mandamientos de datos para ayudar a crear y mantener una cultura basada en los datos: la cultura basada en los datos comienza desde (muy) arriba; elija las métricas con cuidado y astucia; no encasille a sus científicos de datos en silos; solucione rápidamente los problemas básicos de acceso a los datos; cuantifique la incertidumbre; haga que las pruebas de concepto sean simples y sólidas; ofrezca formación especializada cuando sea necesario; utilice la analítica para ayudar a los empleados y a los clientes; esté dispuesto a negociar flexibilidad en lenguajes de programación para lograr coherencia a corto plazo; y acostumbrarse a explicar la analítica opciones.

••• La explosión de cantidades de datos tiene el potencial de impulsar una nueva era de innovación basada en hechos en las empresas, respaldando las nuevas ideas con pruebas sólidas. Impulsadas por las esperanzas de satisfacer mejor a los clientes, agilizar las operaciones y aclarar la estrategia, las empresas han acumulado datos durante la última década, han invertido en tecnologías y han pagado generosamente por el talento analítico. Sin embargo, para muchas empresas, una cultura sólida y basada en los datos sigue siendo difícil de alcanzar, y los datos rara vez son la base universal para la toma de decisiones. ¿Por qué es tan difícil? Loading...Nuestro trabajo en varios sectores indica que los mayores obstáculos para crear negocios basados en datos no son técnicos, sino culturales. Es bastante sencillo como para describir cómo inyectar datos en el proceso de toma de decisiones. Es mucho más difícil hacer que esto sea normal, incluso automático, para los empleados, un cambio de mentalidad que presenta un desafío abrumador. Por eso, hemos resumido 10 mandamientos sobre datos para ayudar a crear y mantener una cultura basada en los datos. **1. La cultura basada en los datos comienza desde (muy) arriba.** Las empresas con una sólida cultura basada en los datos suelen tener altos directivos que se fijan la expectativa de que las decisiones se basen en los datos, que esto es normal, no novedoso ni excepcional. Predican a través del ejemplo. En un banco minorista, los líderes de la alta dirección examinan juntos las pruebas de las pruebas de mercado controladas para decidir sobre el lanzamiento de los productos. En una importante empresa de tecnología, los altos ejecutivos dedican 30 minutos al principio de las reuniones a leer resúmenes detallados de las propuestas y sus datos de apoyo para poder tomar medidas basadas en pruebas. Estas prácticas se propagan a la baja, ya que los empleados que quieren que los tomen en serio tienen que comunicarse con los altos directivos según sus condiciones y en su idioma. El ejemplo que den unos pocos en la cúspide puede catalizar cambios sustanciales en las normas de toda la empresa. **2. Elija las métricas con cuidado y astucia.** Los líderes pueden ejercer un efecto poderoso en el comportamiento si eligen ingeniosamente qué medir y qué métricas esperan que utilicen los empleados. Supongamos que una empresa puede obtener beneficios anticipándose a los movimientos de los precios de la competencia. Bueno, hay una métrica para eso: la precisión predictiva a lo largo del tiempo. Por lo tanto, un equipo debería hacer predicciones explícitas de forma continua sobre la magnitud y la dirección de esos movimientos. También debería hacer un seguimiento de la calidad de esas predicciones, ¡mejorarán de forma constante! Por ejemplo, un importante operador de telecomunicaciones quería asegurarse de que su red proporcionaba a los principales clientes la mejor experiencia de usuario posible. Pero solo había recopilado estadísticas agregadas sobre el rendimiento de la red, por lo que sabía poco sobre quién recibía qué y la calidad del servicio que recibía. Al crear métricas detalladas sobre las experiencias de los clientes, el operador podría realizar un análisis cuantitativo del impacto de las actualizaciones de la red en los consumidores. Para ello, la empresa solo necesitaba controlar mucho más de lo habitual la procedencia y el consumo de sus datos, y ese es precisamente el punto. **3. No encasillen a sus científicos de datos.** Los científicos de datos suelen estar recluidos dentro de una empresa, con el resultado de que ellos y los líderes empresariales saben muy poco unos de otros. La analítica no puede sobrevivir ni ofrecer valor si funciona de forma independiente del resto de la empresa. Los que han abordado este desafío con éxito, por lo general, lo han hecho de dos maneras. La primera táctica consiste en hacer que cualquier límite entre la empresa y los científicos de datos sea muy poroso. Una aseguradora líder mundial traslada al personal de los centros de excelencia a puestos de línea, donde amplía una prueba de concepto. Entonces puede que regresen al centro. Una empresa global de comercio de materias primas ha diseñado nuevas funciones en varias áreas funcionales y líneas de negocio para aumentar la sofisticación analítica; estas funciones tienen relaciones punteadas con los centros de excelencia. En última instancia, los detalles importan menos que el principio, que consiste en encontrar formas de fusionar el conocimiento del dominio y los conocimientos técnicos. Las empresas que están a la vanguardia utilizan otra táctica. Además de acercar la ciencia de datos a la empresa, llevan a la empresa hacia la ciencia de datos, principalmente al insistir en que los empleados sepan leer códigos y dominen los temas cuantitativos desde el punto de vista conceptual. Los líderes sénior no necesitan renacer como ingenieros de aprendizaje automático. Sin embargo, los líderes de las organizaciones centradas en los datos no pueden seguir ignorando el lenguaje de los datos. **4. Solucione rápidamente los problemas básicos de acceso a los datos.** Con mucho, la queja más común que escuchamos es que personas de diferentes partes de una empresa se esfuerzan por obtener incluso los datos más básicos. Curiosamente, esta situación persiste a pesar de la oleada de esfuerzos por democratizar el acceso a los datos en las empresas. Hambrientos de información, los analistas no hacen muchos análisis y es imposible que una cultura basada en los datos se arraigue, y mucho menos florezca. Las principales firmas utilizan una estrategia sencilla para salir de este atasco. En lugar de programas grandiosos, pero lentos, para reorganizar todos sus datos, conceden el acceso universal a unas pocas medidas clave a la vez. Por ejemplo, un banco líder mundial, que intentaba anticipar mejor las necesidades de refinanciación de préstamos, creó una capa de datos estándar para su departamento de marketing, centrándose en las medidas más relevantes. En este caso, se trataba de datos básicos relacionados con las condiciones de los préstamos, los saldos y la información sobre la propiedad; datos de los canales de marketing sobre cómo se originaron los préstamos y datos que caracterizaron la amplia relación bancaria de los clientes. No importa la iniciativa específica, una opción astuta para que los primeros datos estén disponibles es cualquier métrica que figure en la agenda de los altos directivos. Exigir que eventualmente se vinculen otros números a esta fuente de datos puede fomentar drásticamente su uso. **5. Cuantifique la incertidumbre.** Todo el mundo acepta que la certeza absoluta es imposible. Sin embargo, la mayoría de los directivos siguen pidiendo respuestas a sus equipos sin el correspondiente grado de confianza. Les falta un truco. Exigir a los equipos que sean explícitos y cuantitativos en cuanto a sus niveles de incertidumbre tiene tres efectos poderosos. En primer lugar, obliga a los responsables de la toma de decisiones a abordar directamente las posibles fuentes de incertidumbre: ¿son fiables los datos? ¿Hay muy pocos ejemplos para un modelo fiable? ¿Cómo se pueden incorporar los factores cuando no hay datos para ellos, como las dinámicas competitivas emergentes? Un minorista descubrió que la aparente degradación de las tasas de reembolso con respecto a sus modelos de marketing directo se debía a que los datos de direcciones estaban cada vez más obsoletos. Una actualización y un proceso para mantener los datos actualizados solucionaron el problema. En segundo lugar, los analistas obtienen una comprensión más profunda de sus modelos cuando tienen que evaluar rigurosamente la incertidumbre. Por ejemplo, los principales modelos de riesgo de una aseguradora del Reino Unido no se ajustaron adecuadamente a las tendencias del mercado. Así que creó un sistema de alerta temprana para tener en cuenta estas tendencias y detectar casos que, de otro modo, se habrían pasado por alto. Como resultado, evitó pérdidas debido a los repentinos picos de las reclamaciones. Por último, el énfasis en entender la incertidumbre empuja a las organizaciones a realizar experimentos. «En la mayoría de los lugares, 'probar y aprender' en realidad significa 'jugar y esperar'», señaló una vez el principal comerciante de un minorista. En su empresa, un equipo de analistas cuantitativos se unió a directores de categoría para llevar a cabo ensayos controlados y rigurosos desde el punto de vista estadístico de sus ideas antes de realizar cambios generalizados. **6. Haga que las pruebas de concepto sean simples y robustas, no elegantes ni quebradizas.** En análisis, las ideas prometedoras superan con creces a las prácticas. A menudo, no es hasta que las empresas tratan de poner pruebas de concepto en producción que la diferencia queda clara. Una gran aseguradora organizó un hackatón interno y coronó a su ganador, una mejora elegante de un proceso en línea, solo para descartar la idea porque parecía requerir cambios costosos en los sistemas subyacentes. Acabar con las buenas ideas de esta manera puede resultar desmoralizador para las organizaciones. Un enfoque mejor consiste en diseñar pruebas de concepto en las que una parte fundamental del concepto sea su viabilidad en la producción. Una buena forma es empezar a construir algo que sea de calidad industrial, pero trivialmente simple, y más tarde aumentar el nivel de sofisticación. Por ejemplo, para implementar nuevos modelos de riesgo en un sistema informático distribuido de gran tamaño, una empresa de productos de datos comenzó por implementar un proceso extremadamente básico que funcionaba de principio a fin: un conjunto de datos pequeño fluía correctamente desde los sistemas de origen y pasaba por un modelo simple y, a continuación, se transmitía a los usuarios finales. Una vez creado, y sabiendo que todo seguía cohesionado, la empresa podría mejorar cada componente de forma independiente: mayores volúmenes de datos, modelos más exóticos y mejor rendimiento en tiempo de ejecución. **7. Debería ofrecerse formación especializada justo a tiempo.** Muchas empresas invierten en esfuerzos de formación «a lo grande», solo para que los empleados olviden rápidamente lo que han aprendido si no lo utilizan de inmediato. Así que, si bien las habilidades básicas, como la programación, deberían formar parte de la formación fundamental, es más eficaz capacitar al personal en conceptos y herramientas analíticos especializados justo antes de que se necesiten, por ejemplo, para una prueba de concepto. Un minorista esperó hasta poco antes de una primera prueba de mercado para formar a sus analistas de soporte en los puntos más sutiles del diseño experimental. El conocimiento se quedó y conceptos que alguna vez fueron desconocidos, como la confianza estadística, ahora forman parte de la lengua vernácula de los analistas. **8. Utilice la analítica para ayudar a los empleados, no solo a los clientes.** Es fácil olvidar el posible papel de la fluidez de los datos para hacer más felices a los empleados. Pero permitir que los empleados gestionen los datos por sí mismos sí puede funcionar, ya que les permite seguir los consejos de un libro sobre programación titulado memorablemente: _Automatice lo aburrido con Python_. Si la idea de aprender nuevas habilidades para gestionar mejor los datos se presenta en resumen, pocos empleados se entusiasmarán lo suficiente como para perseverar y renovar su trabajo. Pero si los objetivos inmediatos los benefician directamente (ya que ahorran tiempo, ayudan a evitar tener que volver a trabajar o buscan la información que necesitan con frecuencia), entonces la tarea pasa a ser una elección. Hace años, el equipo de análisis de una importante aseguradora aprendió por sí mismo los fundamentos de la computación en nube de forma sencilla para poder experimentar con nuevos modelos en grandes conjuntos de datos sin esperar a que el departamento de TI se pusiera al día con sus necesidades. Esa experiencia demostró ser fundamental cuando, por fin, la TI recreó la infraestructura técnica de la empresa. Cuando llegara el momento de esbozar los requisitos de la plataforma para la analítica avanzada, el equipo podría hacer algo más que describir una respuesta. Podrían demostrar una solución que funcione. **9. Esté dispuesto a cambiar la flexibilidad por la coherencia, al menos a corto plazo.** Muchas empresas que dependen de los datos albergan diferentes «tribus de datos». Cada uno puede tener sus propias fuentes de información preferidas, métricas personalizadas y lenguajes de programación favoritos. En toda la organización, esto puede ser un desastre. Las empresas pueden perder incontables horas intentando conciliar versiones sutilmente diferentes de una métrica que debería ser universal. Las inconsistencias en la forma en que los modeladores hacen su trabajo también pasan factura. Si los estándares y los idiomas de codificación varían según la empresa, cada movimiento del talento analítico implica volver a capacitarse, lo que dificulta su circulación. También puede resultar prohibitivo compartir ideas internamente si siempre hay que traducirlas. En cambio, las empresas deberían elegir métricas y lenguajes de programación canónicos. Uno de los principales bancos mundiales lo hizo insistiendo en que sus nuevos empleados en la banca de inversión y la gestión de activos sabían programar en Python. **10. Adquiera el hábito de explicar las opciones analíticas.** Para la mayoría de los problemas analíticos, rara vez hay un enfoque único y correcto. En cambio, los científicos de datos deben tomar decisiones con diferentes compensaciones. Así que es una buena idea preguntar a los equipos cómo abordaron un problema, qué alternativas consideraron, qué entendieron que eran las compensaciones y por qué eligieron un enfoque en lugar de otro. Hacerlo de forma natural permite a los equipos entender mejor los enfoques y, a menudo, les lleva a considerar un conjunto más amplio de alternativas o a replantearse las suposiciones fundamentales. Al principio, una empresa global de servicios financieros supuso que un modelo de aprendizaje automático bastante convencional para detectar el fraude no podía funcionar con la suficiente rapidez como para utilizarlo en la producción. Pero más tarde se dio cuenta de que el modelo se podía hacer increíblemente rápido con unos sencillos ajustes. Cuando la empresa empezó a utilizar el modelo, logró mejoras asombrosas en la identificación precisa del fraude. Las empresas —y las divisiones y las personas que las componen— suelen volver a caer en el hábito, porque las alternativas parecen demasiado arriesgadas. Los datos pueden proporcionar una forma de prueba para respaldar las hipótesis, lo que da a los gerentes la confianza necesaria para entrar en nuevas áreas y procesos sin dar un salto a ciegas. Pero no basta con aspirar a basarse en los datos. Para dejarse llevar por los datos, las empresas necesitan desarrollar culturas en las que esta mentalidad pueda prosperar. Los líderes pueden promover este cambio con el ejemplo, practicando nuevos hábitos y creando expectativas sobre lo que realmente significa basar las decisiones en los datos.