Cuatro formas de democratizar la ciencia de datos en su organización

¿Dónde radican sus esfuerzos en materia de datos? Muchas organizaciones dejan los datos en manos de un equipo de científicos de datos y centran sus esfuerzos en los que hay muchos datos. Si bien ese enfoque puede tener sentido sobre el papel, utilizar los datos de manera más estratégica y amplia en toda la organización (utilizando los datos para informar las decisiones importantes y hacer que todos participen), su empresa tiene más probabilidades de lograr una transformación exitosa de la ciencia de datos.

Para que la ciencia de datos sea más estratégica y democrática en su empresa, siga las siguientes medidas. En primer lugar, céntrese en los problemas u oportunidades con el mayor nivel de beneficio estratégico. En segundo lugar, desarrolle «científicos de datos ciudadanos» en toda la organización. En tercer lugar, vuelva a priorizar las iniciativas de ciencia de datos y reasigne a sus científicos de datos. Por último, desarrolle y comunique una visión amplia de la ciencia de datos.

••• Muchas organizaciones han empezado su viaje a la ciencia de datos empezando»[centros de excelencia](/2019/01/how-to-set-up-an-ai-center-of-excellence)», contratar a los mejores científicos de datos que puedan y centrar sus esfuerzos en lo que hay muchos datos. En algunos aspectos, esto tiene sentido; al fin y al cabo, no quieren llegar tarde a la fiesta de la inteligencia artificial o el aprendizaje automático. Además, los científicos de datos quieren mostrar sus últimas herramientas. Pero, ¿es esta la mejor manera de desplegar este recurso poco común? Para la mayoría de las empresas, creemos que es poco probable. Más bien, recomendamos a las empresas que vean la ciencia de datos de manera más estratégica y amplia. Pensemos en la ciencia de datos estratégicos. Si bien las organizaciones tienen relativamente pocos problemas estratégicos, son de especial importancia para la empresa. A pesar de que puede que haya relativamente pocos datos que analizar para detectar problemas estratégicos y»[gran columpio](https://www.linkedin.com/pulse/big-decisions-small-when-analytical-pioneers-go-awry-tom-davenport/)» decisiones, las empresas deberían poner todo lo que puedan en estos temas. La ciencia de datos ofrece mucho más valor que los algoritmos de macrodatos: desde formular el problema con mayor claridad hasta analizar los «datos pequeños» disponibles, experimentar y crear gráficos fantásticos. El potencial de obtener mejores conocimientos mediante la ciencia de datos es enorme. Además, dado que los altos directivos deben, en última instancia, liderar la transformación de la ciencia de datos, implicarlos en los datos les ayuda a ver con más claridad los beneficios y a entender mejor lo que deben contribuir a la transformación. Pero la ciencia de datos también debe democratizarse en general. Si la ciencia de datos quiere ser realmente transformadora,[todo el mundo debe participar en la diversión](/2013/11/how-to-start-thinking-like-a-data-scientist?autocomplete=true). Restringir la ciencia de datos solo a los expertos es una propuesta limitante. Los programas de ciencia de datos que se centran en los científicos de datos profesionales ignoran a la gran mayoría de las personas y las oportunidades de negocio. Por ejemplo, las organizaciones están repletas de [problemas y decisiones basadas en datos que se pueden resolver y tomar](/2019/10/most-analytics-projects-dont-require-much-data) mediante pequeños equipos de trabajadores del conocimiento, mandos intermedios y socios que utilizan pequeñas cantidades de datos en dos o tres meses. Estas personas, al estar en primera línea de la organización, ya entienden el negocio y no necesitan que se les enseñe como hacen los científicos de datos. Y vendedores de varios tipos ofrecen ahora una variedad de[nuevas herramientas](/2020/03/navigating-the-new-landscape-of-ai-platforms) que facilitan o automatizan muchos aspectos de la ciencia de datos, como el masaje de los datos, la creación de algoritmos y la creación de código para implementar un modelo en producción. Si bien la idea de una transformación de la ciencia de datos en toda la organización parece abrumadora, hay formas de empezar. Basándonos en nuestra consultoría, las conversaciones con los principales líderes y las investigaciones, le recomendamos las siguientes medidas interrelacionadas para que la ciencia de datos sea más estratégica y democrática en su empresa. ## Céntrese en los problemas con el máximo nivel de beneficio estratégico. Como he dicho anteriormente, la mayoría de las organizaciones centran sus esfuerzos de ciencia de datos donde tienen más datos, aunque no pretendan hacerlo. Las empresas deberían tener en cuenta una gama completa de otros criterios, dos de los cuales son los más importantes. En primer lugar, deben pensar en la importancia estratégica a largo plazo del problema o la oportunidad. Considere dos opciones en una empresa de medios mediana: la opción 1 implica buscar información que mejore la experiencia del usuario utilizando los datos generados por la interacción con sus aplicaciones; la opción 2 implica utilizar los datos para fundamentar una oferta de determinados derechos de licencia, algo que aparece cada dos años. Hay muchos datos que respaldan la opción 1; no cabe duda de que es importante. Pero a pesar de que hay relativamente pocos datos que respalden la opción 2, es estratégica. Hacer una oferta demasiado baja y perder puede provocar un daño inmediato y a largo plazo; hacer una oferta demasiado alta reduce los beneficios. En segundo lugar, también deben tener en cuenta la probabilidad de éxito del proyecto. Por «éxito» nos referimos a ofrecer beneficios empresariales de un valor igual o superior al que prometieron sus proponentes. Se necesita mucho para cumplir con este estándar, desde desarrollar un nuevo conocimiento o algoritmo hasta convencer a las personas de que actúen o lo utilicen e incorporarlo a los procesos y sistemas de TI de la empresa. De hecho, desarrollar la información o el algoritmo suele ser el paso más fácil, y muchos de esos modelos son[nunca se desplegó](https://venturebeat.com/2019/07/19/why-do-87-of-data-science-projects-never-make-it-into-production/). Los patrocinadores de posibles proyectos de ciencia de datos deberían hacer una evaluación fría y sobria de estos factores. Si bien no hay respuestas fijas, creemos que evaluar los proyectos de esta manera los llevará a realizar más proyectos de datos pequeños y a elegir «fotos lunares» con más cuidado. DBS, el banco más grande del sudeste asiático, ha renunciado en gran medida a las apuestas lunares tras una quiebra temprana, pero está llevando a cabo otros proyectos de pequeños datos de forma agresiva en todo el banco. Moderna Therapeutics, la creadora de la vacuna contra la COVID-19, también ha [evitó los disparos lunares](https://store.hbr.org/product/moderna-a/621032) a favor de proyectos digitales y de IA menos ambiciosos. ## Democratice la ciencia de datos en la organización. A veces preguntamos a las empresas: «¿Qué preferiría tener: un doctorado recién acuñado en un científico de datos o 20 personas que pudieran realizar análisis básicos en sus puestos actuales?» Casi todos optan por lo último. Esto lleva a nuestra segunda recomendación, a saber, desarrollar «científicos de datos ciudadanos». Hay muchas herramientas de inteligencia empresarial buenas y, cada vez más, las herramientas de aprendizaje automático automatizadas permiten a los buenos analistas de negocios realizar análisis bastante sofisticados. El Royal Bank of Canada, por ejemplo, ha tenido[gran éxito en este sentido](https://www.datarobot.com/resources/realizing-benefits-automated-machine-learning/). Algunas empresas, como[Eli Lilly](/2020/03/how-ceos-can-lead-a-data-driven-culture) y[Viajeros](https://www.forbes.com/sites/ciocentral/2020/06/09/how-travelers-is-driving-data-democratization-across-the-enterprise/?sh=63a9499c19b1), lleve este consejo aún más lejos. Ofrecen programas de conocimientos analíticos y de datos para todos sus empleados, y gran parte del contenido se adapta al nivel y a la función empresarial del empleado. Lo ven como una capacidad esencial de sus empleados para entender los diferentes tipos de datos, qué se puede hacer con ellos y cómo la analítica y la IA pueden generar una ventaja competitiva con los datos. Por último, por supuesto, las empresas deberían buscar habilidades básicas de ciencia de datos en todas sus nuevas contrataciones y para todos los puestos. ## Vuelva a priorizar las iniciativas de ciencia de datos y reasigne a los científicos de datos. Los científicos de datos más veteranos y experimentados de una empresa deberían dedicarse a la ciencia de datos estratégicos. Una función de un centro de excelencia puede consistir en evaluar si los escasos recursos de ciencia de datos sirven para solucionar los problemas más importantes de la organización. Es posible que otros científicos de datos tengan la tarea de ayudar a otros empleados de la empresa a resolver los problemas a medida que surjan, ayudar a seleccionar los métodos analíticos y los gráficos, revisar los proyectos para garantizar los resultados con una base sólida y capacitar a un gran número de personas. Nos parece que el mayor obstáculo para tomar estas medidas son las perspectivas demasiado limitadas. A la mayoría de los líderes sénior simplemente no se les ocurre que un científico de datos pueda añadir valor en un contexto estratégico. Los directores de empresas de nivel inferior pueden mostrarse reacios a buscar ayuda. Por último, los propios científicos de datos se sienten atraídos por los problemas en los que hay muchos datos. ## Desarrolle y comunique una visión amplia de la ciencia de datos. Piénselo dentro de cinco años: ¿en qué pasará la empresa, como consultora de estrategia?[Lo dice Ram Charan](https://fortune.com/2015/01/22/the-algorithmic-ceo/), ¿una «casa de matemáticas»? ¿Cómo se emplearán los datos y la ciencia de datos en toda la organización? Es: - Algo que aún esté explorando - Una herramienta que es útil de vez en cuando - Una fuente de ventaja competitiva - Una capacidad fundamental desplegada en toda la empresa - Algo intermedio No hay una respuesta correcta, cada sector industrial y cada empresa son diferentes. Aun así, creemos que demasiadas empresas han dado una paliza en esta cuestión durante demasiado tiempo. Es hora de abordarlo en serio. Los directivos interesados en los deportes pueden descubrir que el[Dallas Mavericks](https://sloanreview.mit.edu/article/what-businesses-can-learn-from-sports-analytics/) y[Rockets de Houston](https://bleacherreport.com/articles/2877312-inside-the-houston-rockets-extreme-strategic-makeover?share=other) de la NBA pueden ser modelos a seguir en este sentido, ya que emplean la ciencia de datos en todo, desde la selección de jugadores hasta las tácticas del día del partido y el precio de las entradas. Ambos equipos no solo emplearon científicos de datos antes y en mayor número que otros equipos de la NBA, sino que también los integraron en las decisiones clave del personal y en la cancha. En el béisbol, los Astros de Houston, los Rays de Tampa Bay y ahora los Dodgers de Los Ángeles se centran analíticamente en toda la organización (aunque un poco[poco ético en el caso de los Astros](https://www.forbes.com/sites/tomdavenport/2020/03/04/the-houston-astros-and-the-ethical-use-of-data-and-analytics/?sh=1fc5821a6f8f)). Puede parecer obvio que las empresas deberían dedicar a sus mejores científicos de datos a las oportunidades estratégicas, incluso si hay relativamente pocos datos, pero muchas no lo hacen. Del mismo modo, parece muy razonable hacer que todos se involucren en la ciencia de datos, en lugar de dejar que los científicos de datos, escasos y muy bien pagados, se encarguen de todo. Nuestra larga experiencia trabajando con organizaciones nos convence de que, más que cualquier otra cosa, la ciencia de datos tiene que ver con las personas y cuanto más estratégica y ampliamente reúna a estas personas y datos, mejores resultados obtendrá.