1

Otras 3 formas de desperdiciar el Análisis de Datos

La ciencia del Análisis de Datos puede lucir mágica pero las leyes de Murphy también funcionan allí y todo puede procesarse, desplegarse y salir muy mal.

CIO AMÉRICA LATINA | Por Elibeth Eduardo | @ely_e

Buena parte de las tecnologías que se usan en torno a la Transformación Digital tenen, básicamente, DOS (02) objetivos: recoger información de nuestro entorno (hasta las redes sociales sirven, al final del día, para esto) y procesar lo más eficientemente esta información.

Las herramientas para recoger (IoT) son cada día más variadas. Las de procesar (Machine Learning, IA), más potentes y sofisticadas. Pero, como en cualquier otro idioma, se puede traducir (decodificar) en forma imprecisa, ineficiente e, inclusive, equivocada.

Gartner asegura que la Analytics impulsará las operaciones comerciales modernas, no solo reflejará su desempeño mientras los enfoques del análisis de datos se están volviendo más holísticos y abarcan todo el negocio.

Pero ni siquiera las inversiones que se están realizando para crear un potente andamiaje de datos libra a las empresas de cometer errores. Todo lo contrario: el despliegue en si mismo puede ser un error por no ajustarse a lo que la empresa espera. O necesita.

Veamos otros TRES (03) errores que nos garantizan fallar en el proceso de análisis de datos, de acuerdo con los líderes de TI y los expertos de la industria.

1. Sea un divisor de datos, no un unificador de datos

Las empresas han luchado durante mucho tiempo con el problema de los “silos de datos” que impiden que los diferentes departamentos compartan información de forma que pueda beneficiar a todos en general. El mismo desafío se aplica a los análisis.

Para el director de informática de Zeta Global (una empresa de marketing de gestión del ciclo de vida del cliente), Jeffry Nimeroff, una buena práctica recomendada es unificar datos dispares.

Cada silo de datos crea una barrera entre las interconexiones que puede generar valor. Por ejemplo, piense en un perfil de usuario rico ya sea conectado o desconectado de los datos de actividad del sitio web. Cuantos más datos se puedan interconectar, mejor, ya que esas interconexiones constituyen el sitio donde se puede encontrar el poder predictivo”, asegura Nimeroff.

Lo más importante para el especialista es que esto no significa tener que mover todos los datos de sus sistemas de origen a un monolito.

“En cambio, utilizamos una de las tecnologías de integración modernas para proporcionar una vista unificada de los datos mientras descansa en sus sistemas actuales”, aseguró.

2. Renunciar al patrocinio ejecutivo de iniciativas de análisis

Al igual que con cualquier otro tipo de proyecto de TI importante, no tener las bendiciones del liderazgo ejecutivo en proyectos de análisis de datos puede ser perjudicial para el éxito.

“El objetivo de los equipos de análisis es generar información al conectar los datos con las decisiones tácticas y estratégicas de una compañía. Un tipo muy especial de fracaso sería si un equipo de ciencia de datos realizó un gran análisis, desarrolló modelos predictivos precisos, pero los resultados no se implementaron porque requerían de cambios (no propiciados) en la organización y la cultura de la empresa”, dice señaló el CEO de la empresa de servicios de tecnología Incedo, TP Miglani.

Según la directora de datos del conglomerado multinacional GE, Christina Clark, crear una base de gestión de datos requiere un esfuerzo sostenido, a menudo durante varios años.

“Parte del trabajo que un equipo de análisis e información necesita para conducir no tendrá resultados inmediatos obvios, que pueden estar fuera de alineación con las expectativas de los socios comerciales. Esto requiere una fuerte aceptación y esfuerzos para educar a los socios comerciales y al liderazgo para que se convenzan de que es posible un futuro más impulsado por los datos”, señaló.

3. Ignorar a los gerentes de nivel medio y bajo

Las analíticas realizadas en el vacío por científicos de datos y otros expertos sin la participación sólida de los gerentes comerciales que están más cerca de la necesidad de análisis probablemente no sean exitosas.

“Sin la participación activa de los gerentes de nivel medio a bajo, la información entregada por el equipo de análisis a menudo no ayuda realmente al equipo de gestión a hacer su trabajo mejor cada día“, dice David Giannetto, COO de Astea International, un proveedor de servicios software de gestión.

Para él, hacerlo de la manera correcta garantiza que la información:

• Estará direccionada
• Señalará fallas de proceso más grandes o áreas que se pueden mejorar.

“Pero la gerencia llegará a eso algún día, cuando tengan tiempo. Y la mayoría de los gerentes nunca tienen tiempo extra. Solo cuando el equipo se compone de personas que realmente conocen el negocio y la información a la que la empresa necesita acceder cada día, la información entregada se vuelve lo suficientemente tangible como para tener un impacto positivo en el negocio”, aseguró Giannetto.

Recalcó que si (y sólo SÍ) el análisis le dice a los usuarios dónde está un problema real, donde es probable que fallen, con tiempo suficiente para que lo eviten, usarán esta información todos los días, y la iniciativa tendrá éxito.