¿Cuál es el mejor enfoque para el análisis de datos?

Al practicar análisis de datos durante más de 30 años, y liderar, asesorar, entrevistar y enseñar a ejecutivos en muchas industrias sobre análisis de datos durante cinco años, he observado que sus enfoques generalmente caen en uno de los cinco escenarios: dos que normalmente fallan, dos que a veces funcionan parcialmente, y uno que ha surgido como mejor. Echemos un vistazo a cada uno:

1. Estamos aquí para ayudarte, ¿tienes algún problema que resolver?

Este escenario a menudo comienza con el CEO (a veces impulsado por la junta) decidiendo contratar a un científico de datos y establecer un grupo de análisis de datos. El equipo de datos se establece en la organización con grandes aspiraciones pero sin orientación específica para encontrar problemas empresariales que resolver. Los científicos de datos, sin embargo, no tienen una comprensión práctica del negocio, y los líderes empresariales no saben exactamente qué se supone que deben hacer los analistas de datos o cómo usarlos. Como dijo un ejecutivo sénior de una empresa muy grande, «Nuestro CEO contrató a un científico de datos que me informa, pero no estoy seguro de lo que hace o qué hacer con él». A medida que los líderes empresariales y los científicos de datos tratan de averiguar cómo relacionarse, no se crea mucho valor para el negocio.

2. Hervir el océano.

El entusiasmo bien intencionado por utilizar la ciencia de datos puede conducir a aspiraciones demasiado ambiciosas de impactar a toda la empresa a la vez. La realidad, sin embargo, especialmente en las grandes empresas, es que hay demasiados sistemas de datos heredados, demasiados problemas prácticos y muy pocas personas en el equipo de ciencia de datos para producir un importante aumento de negocio en toda la empresa en breve. Los resultados empresariales suelen estar muy por debajo de las altas expectativas. Como observó un ejecutivo de una multinacional de fabricación europea: «Hemos estado en esto durante tres años y gastamos millones de euros, pero no tenemos mucho que mostrar por ello». Al final, no se realiza mucho valor para el negocio.

3. Deja que florezcan mil flores.

El tercer escenario es prometedor: los líderes de nivel C indican que el análisis de datos debe adoptarse en toda la empresa. El uso práctico se deja a discreción de cada líder de unidad de negocio o jefe de función. Mientras que el análisis de datos se basa en el negocio y se mantiene cerca de él, mucho depende de si los jefes de negocio individuales eligen usarlo y de cómo. Algunos lo abrazan y logran resultados significativos; otros no están seguros de qué hacer o evitarlo. El «análisis de datos» a menudo se convierte en informes empresariales mejorados. Las bases de datos, los sistemas y las herramientas proliferan. Con los esfuerzos fragmentados, es difícil escalar las actividades resultantes y determinar cuánto valor empresarial se está creando.

4. Dentro de tres años y diez millones de dólares, va a ser genial.

Este enfoque racional se lleva a cabo con todas las intenciones correctas: que el análisis de datos puede crear valor para el negocio, pero requiere compromiso, inversión y tiempo. El problema es que este enfoque normalmente resulta más en proceso que en resultados empresariales. A menudo se trata de una serie de talleres, comités y reuniones que se prolongan sin mucho que mostrar. Las inversiones multianuales son difíciles de mantener sin ningún resultado empresarial frente a las demandas presupuestarias competidoras y las condiciones comerciales cambiantes. Una gran empresa industrial, por ejemplo, ha estado planificando, desarrollando y discutiendo sus iniciativas de análisis de datos durante años, pero los ejecutivos se preguntan hacia dónde se dirige el esfuerzo y cuándo mostrará valor para el negocio. A pesar de un comienzo prometedor, pasa demasiado tiempo sin resultados empresariales y el soporte disminuye.

5. Comience con problemas empresariales de alto apalancamiento.

Por último, el enfoque que funciona mejor: Identifique un pequeño número de problemas empresariales de «alto apalancamiento» que estén bien definidos, se puedan abordar rápidamente y que produzcan un valor comercial evidente, y luego se centren en aquellos para mostrar resultados empresariales. El problema empresarial específico impulsa al equipo a identificar los datos necesarios y los análisis a utilizar. Las ganancias rápidas demuestran el valor empresarial. Por ejemplo, una compañía que opera clínicas de imágenes médicas vio un problema de gran apalancamiento en pacientes «no shows». La empresa se ha comprometido a predecir y reducir los no-shows en beneficio de todos los involucrados: pacientes, médicos y técnicos. La reducción de «no shows» mejora directamente el resultado final. No hay sustituto para los resultados empresariales para crear credibilidad para el análisis de datos y mantener el compromiso.

Prácticas recomendadas para el análisis de datos

A medida que analizamos estos escenarios, las mejores prácticas quedan claras, entre las que se incluyen:

• La ciencia de datos no puede ocurrir en un silo. Debe estar estrechamente integrado en la organización empresarial, las operaciones y los procesos.
• Es necesario establecer prioridades conjuntas. Los líderes empresariales y los científicos de datos deben decidir conjuntamente en qué problemas empresariales centrarse. Si hay alguna pregunta sobre la prioridad, la última llamada debe ir a los jefes de negocio.
• Los líderes necesitan estar familiarizados con la ciencia de datos. Los líderes empresariales no necesitan una experiencia profunda en ciencia de datos, pero requieren una comprensión básica y funcional. Tener conocimientos permite a los líderes empresariales trabajar eficazmente con sus equipos de ciencia de datos.
• Es posible que deba aceptar «resultados inconvenientes». Los datos inevitablemente crean transparencia y revelan perspectivas empresariales que pueden ser inesperadas, incómodas y no bienvenidas. El análisis de datos descubrirá ineficiencias y conceptos erróneos que complican el liderazgo y generar disrupción el pensamiento convencional. Los líderes empresariales que aplastan o ignoran las respuestas que no les gustan reducirán rápidamente el valor del análisis de datos.

Al observar los diferentes enfoques adoptados por una amplia gama de empresas, podemos ver qué funciona y qué no para conectar el análisis de datos con la creación de valor real para el negocio. Porque si su análisis de datos no está agregando valor real a la empresa, no va a ser exitoso ni sostenible.

— Tom O’Toole Via HBR.org