5 conceptos que ayudarán a su equipo a centrarse más en los datos

Koron/Getty Images

He dedicado mi carrera a ayudar a las empresas a aprovechar sus oportunidades de datos y calidad de los datos. En general, califico el progreso como» más lento de lo esperado.» Si bien hay muchos factores que contribuyen, uno de los más importantes es la absoluta falta de talento analítico, arriba y abajo en el organigrama. A su vez, esta falta de talento dificulta que las empresas aprovechen sus datos, aprovechen al máximo a sus científicos de datos y aborden los problemas de calidad de los datos. La falta de talento genera miedo y agrava las dificultades para adoptar una cultura basada en los datos. Y así sucesivamente, en un círculo vicioso.

Aun así, el progreso en el espacio de los datos es inexorable y las empresas inteligentes saben que deben abordar sus brechas de talento. Los sistemas de educación pública tardarán décadas en producir suficientes personas con las habilidades necesarias, demasiado tiempo como para que las empresas esperen. Afortunadamente, los gerentes, con la ayuda de un científico de datos sénior contratado unas horas a la semana, pueden introducir cinco potentes «herramientas» que ayudarán a sus equipos actuales a empezar a utilizar la analítica de forma más eficaz para resolver importantes problemas empresariales. Sin duda, estas no son las únicas herramientas que necesitará. Por ejemplo, no he incluido aquí las pruebas A/B, la comprensión de las variaciones o la visualización. Tampoco es mi intención convertir a las personas en expertas. Más bien, según mi experiencia trabajando con empresas en su estrategia de datos, estos cinco conceptos ofrecen la mayor rentabilidad a corto plazo.

La primera es aprender a piense como un científico de datos. No hablamos de esto con suficiente frecuencia, pero es muy difícil obtener datos buenos, analizarlos correctamente, seguir las pistas que ofrecen esos análisis, explorar las implicaciones y presentar los resultados de una manera justa y convincente. Esta es la esencia de la ciencia de datos. No puede leer sobre esto en un libro, simplemente tiene que vivir la obra para apreciarla. Para que su equipo practique de forma práctica, encargue que seleccionen un tema de su propio interés (por ejemplo, «si las reuniones comienzan a tiempo») y luego haga que terminen el ejercicio descrito en este artículo. El primer paso llevará a obtener una imagen similar a la de abajo y el resto del ejercicio consistirá en explorar las implicaciones de esa imagen.

¿Con qué frecuencia las reuniones comienzan tarde?

Ofrezca a los empleados experiencia práctica con los datos pidiéndoles que recopilen y tracen datos sobre un tema conocido. La hora de inicio de las reuniones es solo un ejemplo.

Fuente: Thomas C. Redman

Acuse al científico sénior con el que ha contratado ayudar a la gente a completar el ejercicio, enseñándoles a interpretar algunas estadísticas, tablas y gráficos básicos, como un diagrama de series temporales y un diagrama de Pareto. A medida que ganen experiencia, anime a su equipo a aplicar lo que han aprendido en su trabajo todos los días. Asegúrese de hacer tiempo para que la gente muestre a los demás lo que está aprendiendo, por ejemplo, dedicando quince minutos al tema en cada reunión de personal. Lo más importante es predicar con el ejemplo: haga este trabajo usted mismo, presente sus resultados y discuta libremente los desafíos a los que se enfrentó al hacer el trabajo.

A medida que usted y su equipo se sumerjan en los datos, no cabe duda de que encontrarán problemas de calidad, por eso gestionar de forma proactiva la calidad de los datos es la siguiente habilidad importante que debe aprender. Los datos deficientes son la norma, ya que ensucian las operaciones, aumentan los costes y generan desconfianza en la analítica. Afortunadamente, prácticamente todo el mundo puede tener un impacto positivo en este sentido. El primer paso es hacer una medición sencilla con el Método de medición del viernes por la tarde (la técnica adquirió este nombre porque muchos equipos la utilizan el viernes por la tarde).

Centro de información

• Ampliar las habilidades de datos de su equipo

  Patrocinado por Splunk

  Ayude a sus empleados a conocer mejor los datos.

Para ello, pida a los miembros de su equipo que recopilen entre 10 y 15 atributos de datos críticos para las últimas 100 unidades de trabajo realizadas por sus departamentos, básicamente los últimos 100 registros de datos. Luego, deberían analizar cada registro y marcar los errores obvios. Deberían entonces hacer un recuento de los registros sin errores. El número, que puede oscilar entre 0 y 100, representa el porcentaje de datos creados correctamente, su puntuación de calidad de los datos (DQ). DQ también puede interpretarse como la fracción de tiempo que la obra se completa correctamente, la primera vez. La mayoría de los directivos están sorprendidos por los resultados: esperan conseguir puntos por encima de los 90, pero DQ = 54 es la puntuación media.

FAM también puede indicar qué atributos de datos tienen las mayores tasas de error y sugerir dónde se pueden realizar mejoras, mediante el análisis de la causa principal, que se describe a continuación. Encargue a cada miembro de su equipo por hacer una de esas mejoras.

La tercera habilidad es realizar un análisis de la causa raíz (RCA) y es un requisito previo, entender la distinción entre correlación y causalidad. Estudiar los números puede indicar dónde se producen la mayoría de los errores o demostrar que dos (o más) variables suben y bajan en conjunto, pero no puede describir completamente por qué esto es. Por ejemplo, los estudios muestran que el número de nacidos vivos y cigüeñas en el campo estaba altamente correlacionado. ¡Pero las cigüeñas no traen bebés!

Por lo tanto, consulte los números para entender la correlación y los fenómenos del mundo real para entender la causalidad. El análisis de las causas fundamentales es un enfoque estructurado para llegar a las verdaderas razones por las que las cosas van mal: las causas fundamentales. Es importante porque, con demasiada frecuencia, los directivos y los equipos suelen aceptar explicaciones fáciles y no profundizan lo suficiente. Y los problemas persisten. La RCA puede permitirles tener una imagen más clara y tomar medidas que tengan más probabilidades de resolver el problema.

Para desarrollar esta habilidad con su equipo, empiece por hablar «cómo explorar la causa y el efecto como un científico de datos» con su personal. Entonces, la próxima vez que se sienta tentado a aceptar el razonamiento intuitivo de alguien sobre por qué algo salió mal, aproveche la oportunidad para realizar un análisis sólido de la causa raíz. Hay muchos medios formales para hacerlo. «Los cinco porqués», lo que lo obliga a asegurarse de que ha llegado a la causa principal, y diagramas de espina de pescado, que representan gráficamente múltiples causas, son probablemente las más conocidas. ¡Haga que su científico de datos elija uno y lo siga! Con el tiempo, trate de hacer del análisis de la causa raíz su estándar para todos los temas importantes.

La cuarta habilidad proviene del deseo de todos los directivos de «tener el control». Mi definición práctica de control es «el acto gerencial de comparar el proceso con los estándares y actuar en función de la diferencia». Pero incluso el proceso más simple varía. ¿Cómo se puede distinguir la variación normal día tras día de las situaciones que están realmente fuera de control? Afortunadamente, entender y aplicar las gráficas de control proporciona una forma poderosa de hacerlo.

Las gráficas de control incluyen un gráfico de los datos, el promedio y dos «límites de control» (un límite de control superior y un límite de control inferior). Por muy básicos que sean, ¡revelan mucho! Por ejemplo, en la siguiente figura:

1. Como el día 9 está fuera de los límites de control, el gerente puede estar seguro de que este proceso está fuera de control. Deberían iniciar un análisis de la causa raíz para averiguar por qué.
2. Hay un repunte en el cuarto día que parece alentador. Pero un gerente no debería entusiasmarse demasiado; lo más probable es que el repunte se debió a una variación aleatoria y no se mantuvo.
3. Está bastante claro que este proceso solo tiene éxito el 60% de las veces. Si esto no es suficiente, el gerente debe hacer cambios fundamentales.

Contrate a su científico de datos para que lo ayude a usted y a su equipo a probar las gráficas de control en algunos procesos importantes. Aprenda sobre la marcha, comprenda los términos clave, determine qué tablas de control utilizar y esforzarse primero por controlar los procesos: su confianza aumentará, al igual que su capacidad para gestionar su equipo.

Por último, todos los directivos y sus equipos deberían aprender a entender y aplicar el análisis de regresión . La regresión proporciona un medio poderoso para explorar las relaciones numéricas entre las variables. Para ayudar a ilustrar esto, piense en «ventas generales». Hay docenas de factores que podrían aumentar las ventas (por ejemplo, la lluvia) o reducir las ventas (por ejemplo, la reducción de precios de la competencia). La regresión proporciona una forma de determinar qué variables son las más importantes y su impacto en las ventas. Por ejemplo, un análisis puede arrojar:

Ventas mensuales = 200 + 5* (días de lluvia) — 10* (precio de la competencia reducido en $) + término de error

Lo que significa que:

• Sin otros factores, las ventas mensuales son de unas 200 unidades.
• Un día de lluvia se asocia a la venta de cinco sombrillas más,
• Que un competidor reduzca su precio en un dólar se asocia a que se vendan diez paraguas menos

El modelo no es perfecto, de ahí el término de error. Por ejemplo, supongamos que vendió 250 sombrillas en un mes cuando había 15 días de lluvia y un competidor redujo su precio en 2 dólares. Según la fórmula, cabría esperar que la venta de sombrillas fuera de 200 + 5*15 — 10*2 = 255 unidades. Así que el término de error en ese caso es 5 paraguas.

Como todos los análisis, cuantas más variables, más complejo es el análisis, así que empiece por centrarse en una variable independiente (por ejemplo, explicativa). Paralelamente, lea «Un repaso del análisis de regresión», que utiliza la venta global como ejemplo para explicar los términos y los conceptos subyacentes. Acuse a su científico de datos de ayudar a su equipo a hacer el trabajo y de asegurarse de que los miembros del equipo no se queden atascados en los detalles. Solo entonces debería pasar a dos, tres o más variables y modelos de regresión más complejos.

Estas cinco herramientas son poderosas, incluso elegantes, a su manera. Proporcionan capacidades mucho mayores que las de los pasos aquí descritos, cuyo único objetivo es ayudarle a empezar. Seguro que dará algunos pasos en falso en el camino, pero siga adelante. Trabaje con su científico de datos para obtener aún más información. A medida que su equipo adquiera más confianza en el uso de la analítica, los beneficios empresariales que obtenga justificarán con creces el esfuerzo.