¿Tu empresa tiene un enfoque “Data Driven”? Maximiza la economía del conocimiento

Por Jesús García, country manager de Quest Software en México

Las organizaciones saben que actualmente estamos en la economía de la información, pero pocas están preparadas para una costosa plataforma de análisis impulsada por la ciencia de datos. ¿Qué pasaría fuera posible sin adquirir una plataforma de alto costo o sin sobrecargar al departamento de TI?

Los líderes pueden que la inteligente empresarial basada en datos se trata de invertir en herramientas para la visualización de la información, paneles integrados y ciencia predictiva. De hecho, son herramientas útiles. Pero si se emprende una iniciativa sin datos limpios, completos y listos para el análisis, se estará poniendo el carro antes que el caballo. En seis meses, los líderes se preguntarán por qué no llega a ninguna parte.

¿Dónde debemos comenzar nuestra iniciativa de inteigencia empresarial basado en los datos?  

La primera decisión estratégica es elegir el grupo o departamento la inteligencia empresarial basada en datos tiene más probabilidades de tener éxito. Casi todos en la organización desean basar sus decisiones en datos en lugar de la intuición o el instinto, por lo que podría comenzar casi en cualquier área como RH, TI, Finanzas, Operaciones, Servicio al cliente, Marketing, etc.

La clave reside en que se puede dar todas las herramientas del mundo, pero si no se tiene una capacidad real de cambio, la tecnología no funcionará. La capacidad de cambio es una combinación de la disposición y el ancho de banda que el personal tiene para adoptar las cosas rápidamente. Hacer su trabajo es la primera prioridad: hacer mejoras para lograrlo más rápido en el futuro suele ser una segunda prioridad distante. Se debe de encontrar una parte de la organización con capacidad y voluntad de cambio.

El otro criterio es la calidad de los datos que utiliza el área. La calidad de los datos entra en juego porque la información útil se encuentra en fuentes tan diversas como aplicaciones comerciales, redes sociales, hojas de cálculo y encuestas a clientes. A menos que el área sepa cómo resolver las diferencias en la forma en que cada fuente maneja barreras como formatos de fecha, valores nulos, registros duplicados y campos vacíos, cualquier análisis que se realice seguirá siendo provisional porque los datos pueden no ser consistentes.

Los datos de alta calidad tienen tres atributos:

• Limpios: ¿Están los datos listos para el análisis o primero necesitan una preparación extensa? El objetivo de cualquier iniciativa de inteligencia empresarial es dedicar mucho más tiempo a analizar datos que a prepararlos. Sin embargo, los administradores de datos, los analistas e incluso los científicos de datos a menudo se quejan de gastar más del 70 por ciento de su tiempo limpiando datos. Es difícil ser una organización impulsada por datos cuando gasta tanto mucho tiempo masajeando y discutiendo datos en lugar de usarlos para tomar decisiones.

• Completos: ¿Hay suficientes datos para obtener significación estadística y conclusiones significativas? Por ejemplo, si el objetivo es determinar cómo el gasto en marketing influye en el gasto del cliente, pero no se realiza un seguimiento de cómo las campañas llevan a las personas al sitio web, entonces los datos están incompletos.

• Listo para análisis: Tal vez los datos estén limpios y completos, pero se necesita calcular valores para que sean más útiles, por ejemplo, agrupando días por semana o resaltando valores frecuentes. La mayoría de los datos del mundo real no están listos para el análisis de inmediato, por lo que una pregunta justa para calificar a un área es: "¿Cuánto trabajo se necesitará para que los datos estén listos para su uso en herramientas de inteligencia empresarial?"

¿Qué nivel de análisis podemos manejar (y permitir)?

La ciencia de datos y el análisis predictivo se consideran la tierra prometida de BI (Inteligencia Empresarial). La ciencia de datos, por ejemplo, requiere científicos de datos, profesionales altamente remunerados que utilizan herramientas costosas y prefieren trabajar con grandes conjuntos de datos bien preparados. Pocas empresas que emprenden el camino hacia la gestión de datos están dispuestas a gastar esa cantidad de dinero. En los primeros días de estar basado en datos, eso es igual de bueno, ya que se necesita tiempo y madurez para manejar herramientas más sofisticadas y los cambios organizacionales que a menudo conllevan.

El sueño de estar basado en datos es que el análisis predictivo tome lo que sucedió en el pasado y aplique algoritmos para indicar lo que podría suceder en el futuro. Las herramientas son costosas y, en el estado actual de la técnica, los científicos de datos las manejan con mayor eficacia. Sin embargo, ten en cuenta que el éxito con cualquiera de esos tipos de análisis aún depende de la calidad de los datos, y muchas empresas subestiman la importancia de esta preparación.