En una cultura data driven no se toman decisiones solo a partir de la experiencia: el punto de partida es el análisis de los datos. Las herramientas y marcos operativos en torno al big data otorgan un alto nivel de confiabilidad a la toma de decisiones, además de mostrar el camino hacia nuevas fuentes de negocio, pero la tarea no es fácil. ¿Cómo transformar a los datos en protagonistas de una organización?
La cuestión es definir si las empresas deciden analizar sus datos porque tienen un objetivo concreto o simplemente para sumarse al hype: es una moda tener un área de ciencia de datos, aunque acabe generando reportes que al final nadie leerá.
Maxi Cortés, COO de Parabolt, indica que en las empresas tradicionales la explotación de los datos puede contribuir a mejorar procesos, bajar tiempos, reducir costos, riesgos, y ver cómo impacta el talento y capital humano en la producción.
“Si la estrategia parte de una necesidad que tiene la compañía, se puede medir su éxito a corto y mediano plazo, se podrá sacar provecho del uso de datos”, afirma Cortés.
¿Por dónde se empieza?
Para poder explotar el valor de los datos, lo primero que deben tener las compañías son grandes volúmenes de información. Aquí empiezan los retos: almacenamiento, limpieza, homologación e integración de los datos para que sean una base sólida en la toma de decisiones.
José Luis Cisneros, director de Tecnología de Finamex Casa de Bolsa, opina que es muy importante tener información normalizada, integrada y estructurada. No obstante, reconoce que “para la gestión operativa y estratégica tenemos una marejada de datos digitales, cualquier cantidad de información que producen todas las empresas y las redes sociales. Nos encontramos con datos de tipo estructurado y no estructurado. El primer reto es cómo fusionarlos o entablar un entendimiento entre ellos para explotar el valor de los datos”.
¿Quién se encarga de sacar valor de los datos?
Jonathan López, líder de Analíticos y Plataformas digitales en gA, plataforma digital de consultoría de negocios que habilita la innovación y la eficiencia operativa, afirma que contar con el personal adecuado es lo primero al pensar en la limpieza y homogenización de los datos.
“Hoy todos se enfocan en los científicos de datos, sin embargo, hay otro rol que se requiere más en el mercado actualmente: los arquitectos o ingenieros de datos. Estos últimos son quienes se encargan de limpiar los datos, estandarizan los distintos modelos y bases de datos que tiene la empresa, se depura la información para que las siguientes iniciativas tengan un terreno de dónde partir”, considera López.
De acuerdo con el ejecutivo, la limpieza de datos permite descubrir cómo se ejecutan los procesos en la realidad y determinar la calidad de la información.
El siguiente paso para la empresa es definir qué va a utilizar, lo cual dependerá en gran medida de lo que se piense invertir y de las cantidades de información que se manejen. Cisneros indica que si se piensa en big data, la inversión es mayúscula; pero también se puede hacer analítica de datos residentes en la nube, con herramientas como Power BI, de Microsoft, con lo que se pueden generar modelos de más económicos.
Una vez que esté operando la iniciativa, si ya se está desarrollando, aparece otro punto débil, de acuerdo con López, ya que “las áreas de inteligencia de negocios e inteligencia artificial trabajan de manera aislada, como en silos, el riesgo está en que nadie ecualice las necesidades del negocio con ellos. Hay que hacer que científicos de datos hablen el mismo idioma que la gente de negocios”.
En Finamex crearon un departamento de inteligencia de negocios que homologa toda la información que estaba en la casa de bolsa. Cisneros dice que hacer esa homologación es uno de los grandes retos relacionados con este tema.
A la fecha, la casa de bolsa ya tiene integrada la información de 12 años de operaciones. Cisneros indica que poco a poco han evolucionado desde los estados de resultados de los productos y servicios que venden, la acumulación de bonos para las promotorías y conforme pasa el tiempo se incluye más información del ERP tradicional en el Data Lake, “donde se integra la información pura, válida, confiable, que está disponible en el momento en que se necesita y es totalmente transaccional”. Con herramientas de inteligencia de negocios, en dos años y medio han logrado modelar los datos en su Data Lake.
Algunos pasos para transformar datos en valor:
- Comprensión del negocio. Hay que conocer el problema y cuál es el objetivo que hay que abordar.
- Comprensión de datos. Qué se necesita para resolver el reto.
- Plataforma tecnológica. Las interrogantes de esta fase son dónde se va a trabajar, qué tecnología y componentes se necesitan.
- Tratamiento de datos. Ya que se tengan los datos, se define cómo hay que procesarlos, integrarlos y qué se va a hacer con ellos.
- Modelización. En esta fase entran en juego técnicas analíticas avanzadas para crear modelos que permitan extraer conocimiento de los datos.
- Presentación de resultados. Mediante reportes o infografías interactivas se da a conocer a directivos y tomadores de decisiones de la compañía qué se obtuvo en el proyecto.
- Despliegue. Con los resultados de la fase anterior, se desarrollan propuestas de acción con una planificación temporal para tratar de resolver la problemática inicial.
- Puesta en valor. Aquí hay que definir cómo utilizar el modelo obtenido y para qué sirve. El análisis que se hizo será la base para la toma de decisiones o para crear nuevas campañas con fines determinados en la empresa.
