Tres cosas están frenando su análisis, y la tecnología no es una de ellas

Durante la última década, las plataformas de análisis empresarial han pasado de soportar funciones de TI y finanzas a permitir a los usuarios empresariales de toda la empresa. Sin embargo, muchas firmas tienen dificultades para aprovechar su promesa. Hemos encontrado tres obstáculos principales para aprovechar todo el valor de la analítica, y todos ellos están relacionados con las personas, no con la tecnología: la estructura, la cultura y el enfoque de la organización para la resolución de problemas.

Estructura

Estructuralmente, los departamentos de análisis pueden oscilar entre dos extremos opuestos pero igual de desafiantes. Por un lado, están los grupos de ciencia de datos que son demasiado independientes de la empresa. Suelen producir modelos impresionantes y complejos que demuestran pocos puntos de vista procesables.

Piense en la experiencia de una empresa minorista de servicios financieros. Allí, la función de análisis estaba compuesta por empleados que utilizaban exclusivamente paquetes de software especializados y especificaban formularios funcionales complicados siempre que era posible. Al mismo tiempo, el grupo evitó las normas empresariales tradicionales, como contactar con los clientes, presentar los resultados de forma gráfica, explicar los resultados analíticos en el contexto de la empresa y conectar las conclusiones complejas con la sabiduría convencional. El resultado fue un departamento aislado que los socios comerciales consideraban que no respondía, no era confiable y no se le podía confiar las iniciativas críticas.

Centro de información

• Poner los datos a trabajar

  Patrocinado por Accenture

  La analítica es fundamental para el rendimiento de las empresas.

Por otro lado, los analistas que están demasiado arraigados en las funciones empresariales tienden a tener un sesgo hacia el status quo o la forma de pensar de los líderes. En una importante agencia de alquiler de coches, por ejemplo, vimos a los analistas del equipo de flota presentar información que supuestamente mostraba que la flota debía inclinarse hacia los coches más nuevos. Los costes de mantenimiento más bajos que compensaron con creces los mayores costes de depreciación, dijeron. Esto coincide con la preferencia del vicepresidente de flota por una flota más joven.

Pero resultó que los analistas habían seleccionado una muestra sesgada de coches antiguos con costes de mantenimiento superiores a la media entre los coches de la misma antigüedad. Un análisis de una muestra imparcial (o de toda la población) habría arrojado un resultado diferente. (Por supuesto, podría haber habido otras motivaciones para mantener una flota más joven (la satisfacción del cliente y la percepción de la marca, por nombrar dos), pero la reducción de costes no era una de ellas.

Cultura

Culturalmente, las organizaciones que se basan demasiado en los datos (sí, existen) seguirán ciegamente las implicaciones de los modelos defectuosos, incluso si desafían el sentido común o van en contra de los objetivos empresariales. Eso es lo que ocurrió en una empresa de servicios financieros en la que la dirección estaba considerando cambiar su estructura de comisiones. Querían cambiar la base de la compensación de su fuerza de ventas, de los resultados brutos al rendimiento en relación con el potencial del mercado de cada vendedor.

En respuesta, los analistas desarrollaron un modelo de envoltura de datos admirable. El modelo comparó simultáneamente las ventas de diferentes tipos de productos con las estadísticas demográficas y financieras locales para obtener una medida de eficiencia única para cada vendedor en relación con sus pares. De hecho, esto parecía haber hecho que la compensación fuera más equitativa. Pero redujo la compensación de los vendedores que eran menos eficientes pero, en última instancia, más valiosos, lo que provocó que desertaran y pasaran a la competencia.

Como alternativa, las organizaciones que se basan demasiado en el instinto se resisten a ajustar sus suposiciones, incluso cuando los datos indican claramente que esas suposiciones son erróneas. La agencia de alquiler de coches antes mencionada, por ejemplo, se mostró extremadamente reacia a cambiar de rumbo incluso después de descubrir que los datos no respaldaban sus afirmaciones de reducción de costes.

Metodología

La dicotomía continúa en lo que respecta a la metodología. En un extremo, vemos grupos de análisis que crean modelos demasiado complejos con plazos de entrega prolongados y una adaptabilidad limitada a los cambios de entrada.

Un ejemplo de ello fue el equipo de ciencia de datos, formado por actuarios reutilizados, de una compañía nacional de seguros de automóviles. Este equipo creó un modelo impresionante para predecir si un coche sufriría una pérdida total o parcial tras el primer informe del accidente. El modelo de conjuntos consistía en un bosque aleatorio, un análisis de componentes principales y un clasificador de Bayes.

Por desgracia, la empresa carecía de la infraestructura necesaria para implementar directamente el modelo entrenado en un entorno de producción. El modelo también era demasiado complejo para que el equipo de TI lo reprodujera. Resultó que una simple regresión logística era casi igual de eficaz.

Por otra parte, algunos equipos crean modelos que son demasiado simplistas y no captan los matices de los problemas que intentan resolver. Una gran tienda de moda encontró este número. La empresa se dio cuenta de que ciertos ascensos estaban altamente correlacionados con el aumento del tráfico peatonal. No se dieron cuenta de que solían hacer esas promociones los viernes y sábados, cuando el tráfico peatonal era considerablemente más alto que otros días de la semana, para empezar.

Elementos de una organización de análisis eficaz

A la luz de estos obstáculos, creemos que una organización de análisis empresarial eficaz equilibra el conocimiento funcional, el instinto empresarial y el análisis de datos, con una filosofía operativa que añade complejidad solo cuando la información adicional lo justifica. Este tipo de organización incluye:

Un centro neurálgico de la analítica. Lo ideal sería que un equipo pequeño de científicos de datos independientes y altamente cualificados (normalmente con títulos avanzados en estadística, matemáticas, informática y similares) fuera el centro neurálgico de la analítica de una organización. Además, en este centro neurálgico trabajan generalistas de análisis integrados en cada función empresarial importante.

En esta configuración, los generalistas integrados adquieren los profundos conocimientos funcionales que necesitan para iniciar y desarrollar análisis procesables. Dependen del centro neurálgico como apoyo adicional, validación del modelo y entrenamiento. Conociendo los lenguajes de la analítica y los negocios, los generalistas integrados también sirven de enlace entre los científicos de datos independientes y los socios comerciales en sus funciones.

Representación en la cúspide. ¿Se dirige al centro neurálgico? Un director de análisis que lleva la voz de la analítica directamente a la alta dirección, donde el instinto tiende a gobernar. Cuando la analítica y el instinto se unen, la estrategia se hace más poderosa. Cuando los dos no están de acuerdo, la investigación puede revelar si lo que es defectuoso es el modelo o la suposición empresarial.

Un enfoque de campeón y retador. Para gestionar el equilibrio entre complejidad y visión en esta estructura ideal, los analistas se centran inicialmente en crear un tipo de producto mínimo viable, o MVP. En este caso, un MVP es un modelo que resuelve el problema hasta un nivel mínimo aceptable de la forma más sencilla posible. Este MVP se convierte en el «campeón» e inicia desafíos para añadir complejidad y derrocarlo. Un retador puede reemplazar al campeón, pero solo si todas las partes interesadas están de acuerdo en que sus beneficios valen la pena el aumento de la complejidad. Un subproducto interesante de este enfoque es que casi siempre produce algo utilizable, incluso si el proceso se interrumpe.

La analítica empresarial moderna ha permitido extraer nuevos tipos de información de enormes volúmenes de datos. El resultado es que la analítica se ha convertido en algo crucial para la capacidad de cualquier organización grande de tomar decisiones. Hacer bien esta capacidad significa crear una organización de análisis con la estructura, la cultura y la metodología de resolución de problemas necesarias para revelar la información práctica que los líderes empresariales necesitan para competir.