Para triunfar con el Big Data, empiece de a poco
por Bill Franks
Si bien no es difícil argumentar el valor de analizar los macrodatos, resulta intimidante decidir qué hacer primero. Hay muchas incógnitas a la hora de trabajar con datos que su organización nunca había utilizado antes, como los flujos de información no estructurada de la Web, por ejemplo. ¿Qué elementos de los datos tienen valor? ¿Cuáles son las métricas más importantes que pueden generar los datos? ¿Qué problemas de calidad existen? Como resultado de estas incógnitas, los costes y el tiempo necesarios para lograr el éxito pueden ser difíciles de estimar.
A medida que una organización adquiere experiencia con tipos específicos de datos, ciertos problemas se desvanecen, pero siempre habrá otra fuente de datos nueva con las mismas incógnitas esperando entre bastidores. La clave del éxito es empezar de a poco. Es una forma de reducir el riesgo de ver lo que los macrodatos pueden hacer por su empresa y de poner a prueba la preparación de la empresa para utilizarlos.
La forma tradicional
En la mayoría de las organizaciones, los proyectos de macrodatos comienzan cuando un ejecutivo se convence de que la empresa está perdiendo oportunidades en materia de datos. Tal vez sea el CMO que busca obtener nuevos conocimientos sobre el comportamiento de los clientes a partir de los datos web, por ejemplo. Esa convicción lleva a un proceso exhaustivo y lento en el que el equipo del CMO podría trabajar con el equipo del CIO para especificar y analizar los conocimientos precisos que se deben buscar y los análisis asociados para obtenerlos.
A continuación, la organización lanza un importante proyecto de TI. El equipo del CIO diseña e implementa procesos complejos para capturar todos los datos web sin procesar necesarios y transformarlos en información útil (estructurada) que luego se puede analizar.
Cuando los profesionales de la analítica comiencen a utilizar los datos, encontrarán problemas con el enfoque. Esto desencadena otra iteración del proyecto de TI. Repita unas cuantas veces y todos se arrancarán los pelos y se preguntarán por qué han decidido intentar analizar los datos de la web en primer lugar. Este es un escenario que he visto desarrollarse muchas veces en muchas organizaciones.
Un enfoque mejor
El proceso que acabo de describir no funciona para las iniciativas de macrodatos porque está diseñado para casos en los que se conocen todos los hechos, se identifican todos los riesgos y todos los pasos están claros, exactamente lo que usted no lo hará busque con una iniciativa de macrodatos. Al fin y al cabo, está aplicando una nueva fuente de datos a nuevos problemas de una manera nueva.
De nuevo, mi mejor consejo es empezar de a poco. En primer lugar, defina unos análisis relativamente simples que no tarden mucho en ejecutarse ni requieran mucho tiempo ni datos. Por ejemplo, un minorista en línea podría empezar por identificar los productos que ha visto cada cliente para que la empresa pueda enviarle una oferta de seguimiento si no compra. Unos cuantos ejemplos intuitivos como este permiten a la organización ver lo que pueden hacer los datos. Y lo que es más importante, este enfoque arroja resultados que son fáciles de probar para ver qué tipo de impulso proporcionan los análisis.
Luego, en lugar de configurar procesos formales para capturar, procesar y analizar todos los datos todo el tiempo, capture algunos de los datos de forma única. Quizás valga un mes para una división de un subconjunto determinado de productos. Si captura solo los datos que necesita para realizar la prueba, descubrirá que el volumen de datos inicial es más fácil de gestionar y no enturbiará el agua con un montón de otros datos, un problema que afecta a muchas iniciativas de big data.
En este momento, es el momento de dar a conocer los datos a los profesionales de la analítica. Recuerde: están acostumbrados a tratar datos sin procesar en un formato poco amigable. Pueden concentrarse en lo que necesitan e ignorar el resto. Pueden crear grupos de pruebas y control a los que pueden enviar las ofertas de seguimiento y, después, pueden ayudar a analizar los resultados. Durante este proceso, también aprenderán muchísimo sobre los datos y cómo utilizarlos. Este tipo de creación de prototipos específicos tiene un valor incalculable a la hora de identificar problemas y reafirmar un esfuerzo más amplio.
Los prototipos exitosos también facilitan mucho la obtención del apoyo necesario para un esfuerzo mayor. Lo mejor de todo es que ahora todo el esfuerzo será menos arriesgado, ya que los datos se entienden mejor y su valor ya está demostrado parcialmente. También vale la pena saber que los análisis iniciales no son tan valiosos como se esperaba. Le dice que centre sus esfuerzos en otra parte antes de desperdiciar muchos meses y mucho dinero.
Perseguir el big data con pasos pequeños y específicos puede ser, de hecho, la forma más rápida, económica y eficaz de hacerlo. Permite a una organización demostrar que hay valor en una inversión importante antes de realizarla y entender mejor cómo hacer que un programa de macrodatos dé sus frutos a largo plazo.
_____________________
Artículos Relacionados
La IA es genial en las tareas rutinarias. He aquí por qué los consejos de administración deberían resistirse a utilizarla.
Investigación: Cuando el esfuerzo adicional le hace empeorar en su trabajo
A todos nos ha pasado: después de intentar proactivamente agilizar un proceso en el trabajo, se siente mentalmente agotado y menos capaz de realizar bien otras tareas. Pero, ¿tomar la iniciativa para mejorar las tareas de su trabajo le hizo realmente peor en otras actividades al final del día? Un nuevo estudio de trabajadores franceses ha encontrado pruebas contundentes de que cuanto más intentan los trabajadores mejorar las tareas, peor es su rendimiento mental a la hora de cerrar. Esto tiene implicaciones sobre cómo las empresas pueden apoyar mejor a sus equipos para que tengan lo que necesitan para ser proactivos sin fatigarse mentalmente.
En tiempos inciertos, hágase estas preguntas antes de tomar una decisión
En medio de la inestabilidad geopolítica, las conmociones climáticas, la disrupción de la IA, etc., los líderes de hoy en día no navegan por las crisis ocasionales, sino que operan en un estado de perma-crisis.