Analítica de datos, 5 formas de maximizar su valor 

La era digital tiene a las  organizaciones revisando estrategias de analítica de datos. Las recompensas tienen matices inesperados.

Por Bob Violino

Original de IDGNS

 

Una cosa es recopilar grandes cantidades de datos y aplicarles análisis;  muchas organizaciones lo están haciendo.  Otra cosa es obtener un valor comercial óptimo a partir de esta analítica de datos.

Es posible que las empresas que han invertido mucho en herramientas de análisis lo estén haciendo sin encontrar formas de garantizar – realmente – el valor comercial de sus esfuerzos. 

Esto podría estar sucediendo por varias razones. 

A continuación, se ofrecen cinco consejos sobre cómo asegurarse de que las inversiones en análisis valgan la pena al brindar información que marque la diferencia, en lugar de, simplemente, generar informes atractivos que no dicen mucho.

1. Mantenga alineada la analítica de datos con los objetivos comerciales

Alinear más estrechamente los esfuerzos de TI con los objetivos comerciales de la organización es un mandato clave del CIO para generar más valor a partir de la información.

“La analítica de datos debe resolver problemas comerciales reales”, dice Dan Simion, vicepresidente de inteligencia artificial y análisis de la consultora de tecnología Capgemini. 

Este especialista asesora a los clientes sobre las mejores formas de maximizar los conocimientos y el valor de sus datos y análisis. 

“Comenzar con casos de uso que son específicos de la empresa puede ser un gran enfoque para ganar la aceptación de aquellas partes interesadas que pueden estar fuera de TI”, sugirió.

Tal estrategia ayuda al resto de la organización a ver el valor en varias áreas funcionales y unidades de negocio, porque los datos están generando resultados claros que son comprensibles en términos comerciales.  

“Comenzar con el problema comercial, desarrollar un caso comercial y darle seguimiento es fundamental para descubrir el valor de los datos”, dice Simion.  

Asegura que, como parte de este proceso, la alineación entre el negocio y la TI es fundamental.

Por su parte, Gary Kern, CIO del proveedor de servicios financieros Middlefield Banking Co., considera que los analistas de datos y TI deben trabajar con las unidades de negocios para encontrar casos de uso interno y triunfos en el mundo real. 

“Esto ayuda a todos a comprender el valor real y los beneficios del trabajo en equipo de llegar allí”, explicó.

Middlefield ha luchado para que algunas unidades de negocio sean más activas en el uso de decisiones basadas en datos y nuevos procesos basados ​​en información más detallada, por lo que Kern ha trabajado:

“Para encontrar a los primeros usuarios dentro de esos departamentos con los que podamos asociarnos para obtener ganancias y vender el valor a  otros en esa área”, según explicó .

Mientras, el proveedor de atención médica UnityPoint Health comenzó a invertir en herramientas de analítica de datos hace años y continúan dando sus frutos para sus:

• Hospitales
• Clínicas 
• Y la división de atención domiciliaria de la red regional y comunitaria

La CIO de la empresa, Laura Smith, señala que todo esto ayuda a administrar la salud de la población y abordar problemas futuros.

Una fuerte alineación con los líderes empresariales es una de las principales razones del éxito.  

“Es imperativo asociarse con la empresa para comprender el problema que se debe resolver o la oportunidad que se debe lograr. ¿Qué, específicamente, estamos tratando de lograr?  ¿Qué datos importantes nos faltan en este momento?”, son elementos cruciales a considerar según Smith.  

Una excelente manera de comenzar a construir una relación con la empresa es investigar el problema o la oportunidad reuniéndose con las partes interesadas y realizando observaciones en el campo.

“Por ejemplo, nuestro equipo de análisis creó un modelo para tratar de reducir la cantidad de pacientes que debían ser readmitidos en nuestros hospitales”, explicó  Smith.  

Destacó que comenzaron trabajando con la empresa para comprender qué preguntas debía responder el modelo. 

“Incluídos: ¿Quiénes son los pacientes adecuados a los que dirigirse para la intervención?  ¿Qué acción debemos tomar y cuándo debemos hacerlo?”, detalló. 

Como resultado de este modelo, un hospital redujo su tasa de reingreso a 30 días en un 44% en dos años, superando los objetivos de desempeño interno.

2. Consiga patrocinadores ejecutivos clave a bordo

Tener patrocinadores ejecutivos o partes interesadas que puedan impulsar resultados y conocimientos a partir del análisis de datos puede ayudar a generar un mayor valor.

“Este campeón ejecutivo impulsa la adopción en toda la organización y puede ayudar a moldear el modelo operativo para permitir que las personas actúen con los conocimientos que se han extraído de los análisis”, dice Simion.

Para él, con un alto nivel de aceptación y apoyo, la empresa puede comenzar a activar los hallazgos y obtener valor de ellos.  

“Si, simplemente, crea un informe a partir de los hallazgos y nadie toma ninguna medida, la empresa no obtendrá ningún valor.  La analítica de datos deben generar conocimiento que se utilice para tomar decisiones comerciales en todos los niveles dentro de las organizaciones: desde acciones tácticas hasta decisiones estratégicas”, aseguró.

Kern refirió que Middlefield Banking formó un Consejo de Gobernanza de Datos (DGC) que incluye al CIO, CFO, CMO y otros dos o tres gerentes senior en áreas de uso intensivo de datos.

“Este grupo se reúne mensualmente para discutir temas de ‘una versión de la verdad’, limpieza de datos, calidad de datos, esfuerzos analíticos en evolución y otras preocupaciones de alto nivel que involucran el análisis de información y la propiedad de los datos”, detalla Kern.  

Destacó que la DGC les permite una forma de escalar las preocupaciones y asegurar que existe un organismo de toma de decisiones para dirigir los esfuerzos al nivel superior.

3. Actualice su modelo operativo y mida su éxito

Aunque el impulso de centrarse en los datos es común entre las empresas en la era del negocio digital, muchas empresas aún no logran comprender el verdadero valor de la información.

“Las empresas deben dejar de operar basándose en un ‘presentimiento’ y pasar a convertirse en organizaciones impulsadas por conocimientos y datos”, dice Simion.

En su opinión, tener un modelo operativo basado en analítica de datos crea una probabilidad de éxito mucho mayor y permite a las organizaciones ver el valor de sus análisis de datos más rápido, con una ruta y una visión más claras de cómo lograr sus objetivos.

“Los datos, a través de los conocimientos, impulsarán el proceso de toma de decisiones. A través del nuevo modelo operativo, las personas dentro de la organización estarán motivadas para cambiar comportamientos, [y] el valor de los datos se logrará a un ritmo más rápido”, señala Simion.  

Pero para reconocer el valor resultante de una información o un dato en particular, las empresas necesitan un marco para medir el éxito.  

“Esto ayuda a las organizaciones a evaluar su progreso actual, realizar ajustes y optimizar la forma en que realizan el seguimiento hacia sus objetivos de análisis de datos”, asegura. 

También que, al demostrar la cantidad de valor y resultados que genera el análisis de datos a través de una capacidad de medición clara, ayudará a los líderes de datos a mostrar el retorno de cualquier inversión en análisis.

4. Establezca canalizaciones de datos teniendo en cuenta el valor empresarial

Obtener valor de los datos no ocurre de la noche a la mañana o mediante alguna fórmula mágica;  toma tiempo y esfuerzo.

Hace unos 20 años, Lonnie Johnson, CIO de la organización de atención médica KVC Health Systems, decidió comenzar a desarrollar en la empresa una estrategia de análisis a largo plazo que ha dado sus frutos a lo largo de los años.  El primer paso fue organizar los datos en una base de datos relacional, lo que permite al equipo de análisis categorizar los puntos de datos existentes.

“Normalizamos la información catalogando líneas de negocio, oficinas, programas, identificadores cronológicos, tipos de transacciones y una serie de características de nuestros pacientes. Recopilamos y conectamos información de varias bases de datos y hojas de cálculo independientes”, dice Johnson.  

Luego, el equipo creó formularios digitales, aplicaciones e interfaces de usuario para transformar los documentos en papel de la empresa.  

También creó interfaces para esos documentos como una forma de ingresar información en las bases de datos en el futuro.

“En nuestras interfaces de usuario reforzamos la integridad de los datos y aprendimos a autocompletar campos tanto como fuera posible. Incluimos a la comunidad de usuarios en gran medida en el desarrollo de estas interfaces digitales, para asegurarnos de que estábamos capturando el valor comercial real.  Todavía practicamos esto hoy”, dice Johnson.  

El equipo creó constructores de consultas personalizados en aplicaciones, lo que permite a los usuarios extraer información de campos seleccionados en función de descripciones de puntos de datos. 

“Esto liberó al equipo de datos para que se centrara en análisis más avanzados”, dice Johnson.  “También alentamos a los usuarios a dar sus comentarios sobre el generador de consultas para ayudarnos a organizar mejor la informació”.

El equipo comenzó a capturar grandes cantidades de texto y datos de formularios en bases de datos NoSQL para el desarrollo rápido y el procesamiento futuro del lenguaje natural.  

“Si utilizas formularios digitales para encuestas, documentos legales, información del cliente o cualquier otro documento que pueda cambiar en cualquier momento, el uso de NoSQL puede acelerar la captura de datos y liberar a los desarrolladores para otras tareas más innovadoras”, dice Johnson.

La empresa invirtió en la perspicacia y las herramientas de la ciencia de datos, con el objetivo de desarrollar internamente estas habilidades necesarias. 

“También encontramos un socio con el que podíamos trabajar de forma regular para ayudarnos a crear soluciones utilizando el aprendizaje automático para el análisis predictivo. Esta gama de [habilidades] en el sitio y la experiencia externa profunda se ha convertido en un nuevo servicio, que genera un suministro continuo de información procesable”, explica el especialista.

5. Aproveche los socios o equipos multifuncionales para mejorar la precisión de los datos

Esto atraviesa todas las áreas cubiertas anteriormente, especialmente alineando la analítica de datos con el negocio y actualizando el modelo operativo.  

El equipo de análisis debe colaborar regularmente con los usuarios comerciales para ayudar a garantizar el valor a través de datos de mayor calidad, o incluir a los usuarios comerciales como parte de sus equipos multifuncionales.

“La asociación estrecha con los equipos comerciales de su organización crea una capa adicional de protección para la precisión de los datos, lo que mejora la forma en que los equipos comerciales y de datos los aprovechan”, dice Jessica Lachs, vicepresidenta de análisis y ciencia de datos de pedidos de alimentos en línea.  y plataforma de entrega DoorDash.

Lachs destacó que, cuando más equipos miran los mismos datos, hay más ojos para detectar anomalías que las alertas automáticas pueden pasar por alto.  

“La estrecha asociación también garantiza que el equipo de datos desarrolle la intuición empresarial para comprender mejor las aplicaciones prácticas de los datos que administran”, explicó.

Para ella – quien supervisa un equipo de análisis de 85 personas – esto permite que el equipo sea autónomo y tome mejores decisiones sobre accesibilidad, precisión y escalabilidad en función de las necesidades comerciales.

Otra clave es tratar los datos como la moneda para evaluar las decisiones comerciales y las compensaciones.

“Creemos que al cuantificar tantas cosas como sea posible, podemos evaluar mejor las compensaciones, determinar qué está funcionando y qué necesitamos mejorar, maximizando así nuestro impacto y construyendo un mejor producto. Para hacer esto, debemos tener cuantificaciones actuales y precisas de nuestras palancas comerciales clave, que es una parte fundamental de la hoja de ruta de mi equipo”, dice Lachs.  

Para él, a partir de ahí, se puede utilizar el análisis de datos para crear una moneda interna común que permite evaluar y comparar las compensaciones en términos similares. 

“Por ejemplo, si sería mejor [reducir] las tarifas de envío en US$ 1 o mejorar los tiempos de entrega en cinco  minutos. Si puede formular la pregunta en términos similares como, por ejemplo, en términos de pedidos incrementales, entonces la compensación se vuelve más clara, al igual que el valor para la empresa”, aseguró.