¿Por qué fallan los proyectos de datos?
Hoy en día es raro encontrar un Director, Gerente o Líder empresarial que no intuya que para impulsar su negocio y llevarlo a otro nivel debe aprovechar sus datos. Muchos han realizado inversiones audaces en recursos de analítica o inteligencia artificial (IA) para su proyecto de datos, o están comenzando a implementar programas piloto de analítica y a contratar todo tipo de especialistas en datos.
Sin embargo, pese a esto, las frustraciones comienzan a aflorar. Con el tiempo, las empresas se están dando cuenta que sus iniciativas de analítica no se convierten en soluciones que escalan a toda su organización.
Un estudio reciente de McKinsey encontró que solo el 8% de 1,000 empresas lograron un escalamiento efectivo de sus iniciativas de analítica. Es decir, alrededor del 92% de las empresas no consiguen desbloquear todo el valor potencial de la IA y la analítica, que según McKinsey asciende a 14 trillones de dólares anuales para todas las industrias.
Señales de que tu iniciativa de analítica está en riesgo.
Las empresas cuyos esfuerzos generan escasos retornos de sus inversiones en este tipo de apuestas comienzan a revelar ciertos patrones de falla, que incluso, son independientes de su industria y tamaño. Durante los años que trabajamos ayudando a diversas compañías a potenciar sus negocios a partir de los datos, descubrimos lo que consideramos son las tres señales de alerta más críticas, que indican que tu proyecto de datos puede estar en riesgo de fallar:
1. Un equipo directivo sin una visión clara de cómo apalancar el crecimiento de su empresa a partir de sus datos
A menudo nos encontramos con ejecutivos que tienen una comprensión difusa de la diferencia entre la analítica tradicional, es decir, la inteligencia de negocios (BI), los informes o la reportaría y la analítica avanzada, que usa potentes herramientas predictivas y prescriptivas apoyadas en aprendizaje automático (o machine learning en inglés).
Por ejemplo, una compañía creó un área centralizada de analítica avanzada, con una gran inversión en contratar científicos de datos, ingenieros de datos y otros perfiles. En la práctica, la empresa ejecutó varios proyectos piloto, pero no adoptó ni uno solo a gran escala. ¿La razón? Al no contar con una visión clara de lo que se quiere conseguir de los datos para la organización, y además estar aislada de las áreas clave, el nuevo equipo de especialistas terminó trabajando en problemas incorrectos.
2. Una estrategia de analítica desarticulada de las áreas clave de una organización para definir los casos de uso a implementar.
Un caso de uso en analítica es un término que se utiliza para indicar el escenario sobre el cual es viable aplicar analítica en un negocio y cobra gran relevancia para convertir a las empresas en organizaciones impulsadas por sus datos.
Paso a Paso para iniciar un proyecto de datos
Con frecuencia, las compañías identifican un puñado de casos de uso y comienzan a poner recursos analíticos para implementarlos, sin antes evaluar con precisión su viabilidad o estimar el valor comercial que pueden llegar a generar. Para evitarlo, te recomendamos el siguiente paso a paso:
Paso 1:
Vincular a todas las áreas clave impactadas por la situación a mejorar.
Paso 2:
Con ese equipo, definir el resultado deseado, la situación ideal.
Paso 3:
En conjunto identificar todos los posibles casos de uso candidatos que podrían contribuir para alcanzar la situación ideal.
Paso 4:
Seleccionar los top 3 casos de uso principales, de impacto y viables que creen el mayor valor lo más rápido posible. Para hacer se debe analizar su impacto versus su viabilidad. El impacto se mide a través del retorno a la inversión, ya sea en términos de ahorros, incremento de utilidades o generación de nuevos ingresos. Y la viabilidad se determina si los datos necesarios son accesibles, de calidad, oportunos, y si generan cambios significativos en el personal, en la infraestructura o en los procesos a intervenir.
Paso 5:
Plantear un proyecto de datos monetizable, es decir, lo suficientemente sólido para ser financiado y generar un alto retorno a su inversión. La monetización de los datos es el proceso a través del cual los aprovechamos para obtener un beneficio económico.
Para conseguirlo responde las siguientes preguntas:
1. ¿Cuál es el valor que agrega el caso de uso que seleccionaste para el negocio?
2. ¿Qué datos necesitas? ¿Qué habilidades requieres para tratarlos? y ¿Cuáles son los resultados o métricas que esperas?
3. ¿Qué integraciones se requieren tanto con la infraestructura propia como con la de terceros? y ¿cuáles son los clientes o usuarios principales que serán impactados con la iniciativa?
4. ¿Qué costos conlleva implementarlo? y ¿qué ingresos o ahorros se pueden generar que beneficien al negocio?
3. No conocer qué roles en analítica o IA se requieren y cuál debería ser su estructura organizativa más eficaz en la empresa.
Pocas empresas pueden describir en detalle qué capacidades en analítica requieren y cómo organizarlas. La verdad, la respuesta depende del tipo de proyecto y su nivel de complejidad. Es importante en este punto comprender la función de los diferentes roles. A continuación presentamos como ejemplo algunos roles clave:
Roles en un proyecto de datos
Líderes de negocio (Business leaders): Impulsan las iniciativas de datos en toda la organización.
Gerentes de entrega (Delivery manager): Llevan a producción el proyecto de datos y lo escalan en la organización. Tiene una interacción alta con clientes o usuarios finales.
Arquitectos de datos (Data architects): Garantizan la calidad y coherencia de los flujos de datos.
Traductores de analítica (Analytics translators): Aseguran que los casos de uso sean de alto impacto y de alto retorno a la inversión.
Integradores de flujo de trabajo (Workflow integrators): Crean herramientas interactivas de apoyo a la toma de decisiones.
Ingenieros de Visualización: Crean cuadros de mando para la visualización atractiva, relevante, precisa y clara de datos.
Científicos de datos (Data scientists): Desarrollan modelos y algoritmos avanzados para resolver los problemas más críticos.
Ingenieros de datos (Data engineers): Recopilan, estructuran, analizan y hacen disponibles a los datos.
El crecimiento de las empresas que analizan sus datos es cada vez mayor en relación con aquellas que no lo hacen. Y en la medida que estas empresas continúan perfeccionando sus procesos de analítica, mayor será la brecha con aquellas que están rezagadas. Por ello, los líderes empresariales que actúen sobre estas tres situaciones mejorarán drásticamente sus posibilidades de crecimiento.
Leave A Comment