Diez pasos para crear una cultura basada en datos

Resumen.

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 una variedad de industrias indica que los mayores obstáculos para crear negocios basados en datos no son técnicos, sino culturales. Hemos destilado 10 mandamientos de datos para ayudar a crear y mantener una cultura con los datos en su núcleo: la cultura basada en los datos comienza desde lo más alto (muy) superior; elige las métricas con cuidado y astucia; no encasione a los científicos de datos dentro de los silos; soluciona los problemas básicos de acceso a los datos rápidamente; cuantifica la incertidumbre; haz pruebas de concepto simple y robusto; ofrecer capacitación especializada cuando sea necesario; utilizar análisis para ayudar a los empleados y a los clientes; estar dispuesto a cambiar la flexibilidad en los lenguajes de programación por la coherencia a corto plazo; y adquirir el hábito de explicar las elecciones analíticas.

Las cantidades enormes de datos tienen el potencial de impulsar una nueva era de innovación basada en hechos en las corporaciones, respaldando nuevas ideas con pruebas sólidas. Animadas por las esperanzas de satisfacer mejor a los clientes, racionalizar las operaciones y aclarar la estrategia, las empresas han acumulado datos, invertido en tecnologías y pagado generosamente por el talento analítico durante la última década. 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 una variedad de industrias indica que los mayores obstáculos para crear negocios basados en datos no son técnicos, sino culturales. Es bastante sencillo describir cómo inyectar datos en un 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 destilado 10 mandamientos de datos para ayudar a crear y mantener una cultura con los datos en su núcleo.

1. La cultura basada en datos comienza en la (muy) parte superior. Las empresas con culturas sólidas basadas en los datos suelen tener altos directivos que establecen la expectativa de que las decisiones deben basarse en los datos, que esto es normal, no novedoso ni excepcional. Ellos lideran a través del ejemplo. En un banco minorista, los líderes de la C-suite estudian juntos la evidencia de las pruebas de mercado controladas para decidir el lanzamiento de los productos. En una firma tecnológica líder, los ejecutivos sénior dedican 30 minutos al comienzo de las reuniones a leer resúmenes detallados de las propuestas y sus datos complementarios, para que puedan tomar medidas basadas en la evidencia. Estas prácticas se propagan hacia abajo, ya que los empleados que quieren ser tomados en serio tienen que comunicarse con los líderes sénior en sus términos y en su idioma. El ejemplo establecido por unos pocos en la parte superior puede catalizar cambios sustanciales en las normas de toda la empresa.

2. Elige métricas con cuidado y astucia. Los líderes pueden ejercer un efecto poderoso en el comportamiento al elegir ingeniosamente qué medir y qué métricas esperan que utilicen los empleados. Supongamos que una empresa puede beneficiarse anticipando los movimientos de los precios de los competidores. Bueno, hay una métrica para eso: precisión predictiva a lo largo del tiempo. Por lo tanto, un equipo debe hacer predicciones explícitas continuamente sobre la magnitud y la dirección de tales movimientos. También debería realizar un seguimiento de la calidad de esas predicciones, ¡mejorarán de manera constante!

Por ejemplo, un operador líder de telecomunicaciones quería asegurarse de que su red proporcionara a los clientes clave 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 de servicio que experimentaban. Al crear métricas detalladas sobre las experiencias de los clientes, el operador podría hacer un análisis cuantitativo del impacto de los consumidores de las actualizaciones de la red. Para ello, la empresa solo necesitaba tener un control mucho más estricto de la procedencia y el consumo de sus datos de lo que suele ser el caso, y ese es precisamente el punto.

3. No enmarques a tus científicos de datos. Los científicos de datos a menudo están secuestrados en una empresa, con el resultado de que ellos y los líderes empresariales se conocen muy poco entre sí. La analítica no puede sobrevivir ni ofrecer valor si opera por separado del resto de una empresa. Aquellos que han abordado este desafío con éxito lo han hecho generalmente de dos maneras.

La primera táctica es hacer que los límites entre la empresa y los científicos de datos sean muy porosos. Una aseguradora líder a nivel mundial rota al personal de los centros de excelencia y los convierte en puestos de línea, donde amplían una prueba de concepto. Luego pueden regresar al centro. Una empresa global de comercio de productos básicos 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 es encontrar formas de fusionar el conocimiento del dominio y el conocimiento técnico.

Las empresas de vanguardia utilizan otra táctica. Además de arrastrar la ciencia de datos más cerca del negocio, llevan a la empresa hacia la ciencia de datos, principalmente al insistir en que los empleados saben leer y escribir en código y dominan conceptualmente los temas cuantitativos. Los líderes sénior no necesitan renacer como ingenieros de aprendizaje automático. Sin embargo, los líderes de las organizaciones centradas en los datos no pueden ignorar el lenguaje de los datos.

4. Solucione los problemas básicos de acceso a los datos rápidamente. Con mucho, la queja más común que escuchamos es que las personas en diferentes partes de una empresa luchan por obtener incluso los datos más básicos. Curiosamente, esta situación persiste a pesar de una avalada de esfuerzos para democratizar el acceso a los datos dentro de las corporaciones. Hambrienta de información, los analistas no analizan mucho y es imposible que una cultura basada en los datos se arraigue, y mucho menos florezca.

Las principales firmas utilizan una estrategia simple para romper este atasco. En lugar de programas grandiosos, pero lentos, para reorganizar todos sus datos, otorgan acceso universal a solo unas cuantas medidas clave a la vez. Por ejemplo, un banco mundial líder, que intentaba anticipar mejor las necesidades de refinanciación de préstamos, construyó 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 términos, saldos e información de propiedad del préstamo; datos del canal de marketing sobre cómo se originaron los préstamos; y datos que caracterizaron la amplia relación bancaria de los clientes. Independientemente de la iniciativa específica, una opción astuta para que los primeros datos sean accesibles es cualquier métrica que esté en la agenda de la C-suite. Exigir que otros números se vinculen eventualmente a esta fuente de datos puede fomentar drásticamente su uso.

5. Cuantifica la incertidumbre Todos aceptan que la certeza absoluta es imposible. Sin embargo, la mayoría de los directivos siguen pidiendo respuestas a sus equipos sin la correspondiente medida de confianza. Les falta un truco. Exigir que los equipos sean explícitos y cuantitativos sobre sus niveles de incertidumbre tiene tres efectos poderosos.

En primer lugar, obliga a los responsables de la toma de decisiones a lidiar directamente con las posibles fuentes de incertidumbre: ¿los datos son fiables? ¿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 de 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 modelos de riesgo básicos de una aseguradora del Reino Unido no se habían ajustado adecuadamente a las tendencias del mercado. Por lo tanto, 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 picos repentinos en las reclamaciones.

Por último, el énfasis en la comprensión de la incertidumbre empuja a las organizaciones a realizar experimentos. «En la mayoría de los lugares, 'probar y aprender' realmente significa 'jugueteando y esperanza'», señaló una vez el comerciante principal de un minorista. En su firma, un equipo de analistas cuantitativos se asoció con gerentes de categorías para llevar a cabo ensayos estadísticamente rigurosos y controlados 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, la diferencia no se hace evidente hasta que las empresas intentan poner pruebas de concepto en producción. Una gran aseguradora celebró un hackathon interno y coronó a su ganador, una mejora elegante de un proceso en línea, solo para desechar la idea porque parecía requerir cambios costosos en los sistemas subyacentes. Evitar buenas ideas de esta manera puede ser desmoralizante para las organizaciones.

Un mejor enfoque es diseñar pruebas de concepto en las que una parte central del concepto sea su viabilidad en la producción. Una buena manera es empezar a construir algo que sea de grado industrial pero trivialmente simple, y luego aumentar el nivel de sofisticación. Por ejemplo, para implementar nuevos modelos de riesgo en un sistema informático grande y distribuido, una empresa de productos de datos comenzó implementando un proceso extremadamente básico que funcionaba de extremo a extremo: un pequeño conjunto de datos fluía correctamente desde los sistemas de origen y a través de un modelo simple y luego se transmitía a los usuarios finales. Una vez implementado, y sabiendo que el conjunto seguía coherente, la empresa podría mejorar cada componente de forma independiente: mayores volúmenes de datos, modelos más exóticos y un mejor rendimiento en tiempo de ejecución.

7. La formación especializada debe ofrecerse justo a tiempo. Muchas empresas invierten en esfuerzos de capacitación «big bang», solo para que los empleados olviden rápidamente lo que han aprendido si no lo utilizan de inmediato. Por lo tanto, si bien las habilidades básicas, como la codificación, deben formar parte de la capacitación fundamental, es más efectivo capacitar al personal en conceptos y herramientas analíticas especializadas 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 antes de capacitar a sus analistas de soporte en los puntos más finos del diseño experimental. El conocimiento se quedó atascado y los conceptos que alguna vez fueron extranjeros, como la confianza estadística, ahora forman parte de la lengua vernácula de los analistas.

8. Utilice los análisis para ayudar a los empleados, no solo a los clientes. Es fácil olvidar el papel potencial de la fluidez de los datos para hacer más felices a los empleados. Pero capacitar a los empleados para que puedan lidiar con los datos por sí mismos puede hacerlo, ya que les permite seguir los consejos de un libro titulado de manera memorable sobre programación: Automatice las cosas aburridas con Python. Si la idea de aprender nuevas habilidades para manejar 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 (al ahorrar tiempo, evitar reelaboración o buscar la información que se necesita con frecuencia), entonces una tarea se convierte en una opción. Hace años, el equipo de análisis de una aseguradora líder se enseñó por sí mismo los fundamentos de la computación en la nube simplemente para poder experimentar con nuevos modelos en grandes conjuntos de datos sin esperar a que el departamento de IT se ponga al día con sus necesidades. Esa experiencia resultó fundamental cuando, por fin, el departamento de IT rehizo la infraestructura técnica de la empresa. Cuando llegó el momento de esbozar los requisitos de la plataforma para el análisis avanzado, el equipo podía hacer algo más que describir una respuesta. Podrían demostrar una solución funcional.

9. Esté dispuesto a negociar flexibilidad por 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 tienen un costo. Si los estándares de codificación y los lenguajes varían en una empresa, cada movimiento del talento analítico implica un reciclaje, lo que dificulta su circulación. También puede resultar prohibitivamente engorroso compartir ideas internamente si siempre requieren traducción. En cambio, las empresas deberían elegir métricas canónicas y lenguajes de programación. Un banco mundial líder lo hizo, insistiendo en que sus nuevas contrataciones en banca de inversión y gestión de activos sabían cómo codificar en Python.

10. Adquiera el hábito de explicar las elecciones 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. Por lo tanto, es una buena idea preguntar a los equipos cómo abordaron un problema, qué alternativas consideraron, cuáles entendieron las ventajas y desventajas y por qué eligieron un enfoque en lugar de otro. Hacer esto naturalmente les da a los equipos una comprensión más profunda de los enfoques y, a menudo, los impulsa a considerar un conjunto más amplio de alternativas o a repensar los supuestos fundamentales. Al principio, una empresa global de servicios financieros asumió que un modelo de aprendizaje automático bastante convencional para detectar el fraude no podía ejecutarse 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 pocos ajustes simples. Cuando la empresa comenzó a utilizar el modelo, logró mejoras sorprendentes en la identificación precisa del fraude.

Las empresas —y las divisiones y los individuos que las componen— a menudo recurren al hábito, porque las alternativas parecen demasiado arriesgadas. Los datos pueden proporcionar una forma de evidencia para respaldar las hipótesis, lo que brinda a los gerentes la confianza para entrar en nuevas áreas y procesos sin dar un salto en la oscuridad. Pero simplemente aspira a ser impulsado por los datos no es suficiente. Para ser impulsadas por los datos, las empresas necesitan desarrollar culturas en las que esta mentalidad pueda florecer. Los líderes pueden promover este cambio mediante el ejemplo, practicando nuevos hábitos y creando expectativas sobre lo que realmente significa arraigar las decisiones en los datos.

— Escrito por David Waller