2020 aceleró varias tendencias y una de ellas es la necesidad de ser ‘data-driven’ en la toma de decisión. Desde el testeo de vacunas hasta la logística de última milla en e-commerce, la analítica de datos es parte del camino hacia la buena decisión y la generación de valor.

Habiendo colaborado y conversado con docenas de empresas peruanas este año en sus mayores retos analíticos, comparto a continuación mis recomendaciones para un 2021 lleno de éxitos analíticos.

1. Team

Transformar data en valor requiere tanta diversidad de conocimiento y capacidades que no puede lograrse sin un trabajo en equipo efectivo. Sin embargo, la colaboración en analítica no ocurre naturalmente, pues el usuario de negocio busca una solución práctica a sus problemas y no sabe de machine learning, mientras que el data scientist prioriza análisis rigurosos y conoce poco del negocio. Una solución que varias empresas peruanas implementaron exitosamente es la incorporación al equipo de un Analytics Translator, conectando usuarios de negocio y data scientists.

2. Strategy second

He sido un férreo defensor del planeamiento estratégico para los negocios, a pesar de las crecientes críticas. La analítica de datos también requiere un plan, pero ese no marca el inicio del ‘journey’ analítico. En efecto, un mínimo de conocimiento sobre inteligencia artificial, gobierno de datos y tecnología es requerido para pensar estratégicamente sobre la analítica y una organización debe experimentar primero, para desarrollar este conocimiento. Un curso online no es suficiente. Si están por empezar, escojan un caso de uso siguiendo los consejos del siguiente punto.

3. Follow the money

La sobrecarga de elecciones – término introducido por Alvin Toffler en su libro Future Shock publicado en 1970, es un deterioro cognitivo en el que las personas tienen dificultades para tomar una decisión cuando se enfrentan a muchas opciones. Es una realidad en analítica, pues las empresas tienen hoy data de transacciones, clientes, empleados, competidores, economía y más, generando parálisis a la hora de priorizar los casos de uso. Recomiendo priorizar los casos de uso de mayor generación potencial de valor, siguiendo 2 criterios:

  • Análisis predictivos y prescriptivos generan más valor que los descriptivos, como lo explica muy bien Gartner
  • Aplicaciones de Marketing, Ventas y Supply Chain concentran el 80% del valor potencial de la data, según McKinsey

4. Minimum Viable Outsource

¿Cómo desarrollar modelos analíticos sin conocimiento interno en data science? La tercerización del desarrollo puede ser tentadora, pero suele terminar en el inmenso cementerio de modelos abandonados.

El año pasado, un gerente de operaciones que voy a llamar Alejandro evaluó opciones de apoyo externo para reducir el error de forecast de la demanda y gestionar mejor sus niveles de inventario. Alejandro tercerizo con un ‘analytics factory’ el modelo analítico correspondiente. El proyecto duró un par de meses y terminó con un error de forecast menor, a satisfacción de Alejandro. Sin embargo, en los meses siguientes, el mundo siguió dando vueltas… Nuevos productos en el portafolio, nuevos clientes y tácticas comerciales de la competencia restaron precisión al modelo y el equipo liderado por Alejandro no fue capaz de adaptar el modelo que era para ellos una caja negra… Los errores incrementaron, la confianza en el modelo se evaporó y la empresas regresó a su método original de forecasting.

Los modelos de machine learning que soporten decisiones tan importantes como la gestión de inventario, el pricing o la relación con el cliente son vivos y requieren un conocimiento íntimo del negocio. Tercerizar el desarrollo completo no es el camino.

5. Just do it

Su competitividad está en juego y los ganadores en analítica de datos no serán los más fuertes, sino los más veloces.

¡Les deseo a todos un 2021 lleno de éxitos analíticos!

Share This