- Big versus small data La mayoría de empresas te hacen la misma pregunta: ¿Necesito muchos datos o pocos datos para el modelado predictivo? Ésta es una de las cuestiones más importantes. Qué y cuánta información dispone la empresa y cuál es de calidad y cuál es simplemente datos. No por tener mucha data vamos a generar mucho valor a la empresa, pero al tener muchos datos es más probable encontrar datos que aporten valor a la empresa. Por ende, lo primero que debemos entender, antes de comenzar a trabajar con datos, es: ¿cuáles son los datos que necesitamos sine qua non para generar valor frente al problema que se nos presenta? Ésos son los imprescindibles, los que los responsables de sistemas si o si nos tienen que brindar para que sea exitoso el modelado y descubrimiento de algoritmos innovadores.
- Big talent La segunda consideración importante es la gente, es decir, ¿con qué talento cuenta la empresa? Después del popular artículo de Thomas Davemport en HBR “Data Scientist: The Sexiest Job of the 21st Century” parece que el secreto de la felicidad en una estrategia de Datos es contar con un Científico de Datos. Y las empresas se pelean por contratar a profesionales que aún no saben bien qué competencias, cualidades y capacidades deben tener. Deben saber mucho de tecnología, y mucho de matemáticas, y mucho de estadística, y mucho de negocios, y mucho de muchas cosas. Ahora, a mi entender, lo que realmente debe buscar la empresa es un cúmulo de talento, es decir, formar equipos talentosos en donde hayan profesionales que conozcan las preguntas de negocios, que conozcan cómo la empresa puede innovar, que sepan de tecnología, de análisis de datos, de extracción de datos (ETL), de trabajar con equipos externos a la empresa, así como varias funciones que debe cumplir un equipo, no sólo una persona. Por ende, la empresa debe preguntarse: ¿tengo un equipo talentoso que esté bien liderado para embarcarme en una estrategia de datos? Y no tiene que ser específicamente un científico de datos quien lidere este equipo.
- Big questions Muy relacionado con las dos consideraciones anteriores, es decir, en función de la información que se tenga, y del talento con el que se disponga, ¿qué preguntas necesita hacerse la empresa? Mi experiencia me muestra que procesar, analizar y modelar los datos es cuestión de unos pocos días. Lo más complejo es contextualizar los “problemas” que quiere atacar la empresa, pensarlos o conceptualizarlos en función de los datos necesarios, y exponerlos por medio de preguntas que, a la vez de ser desafiantes, sean viables de ser contestadas con los recursos con los que cuenta la empresa. Y muchas veces lograr esto implica pasarse muchas semanas sin tocar un dato, sólo pensando en problemas de negocios, actuales y futuros, y buscando respuestas simples, diferentes e innovadoras con respecto a la competencia.
Las 3 determinantes del éxito de una estrategia de data analytics
Traer esta disciplina a la empresa está dejando de ser una moda, para que los CEO comiencen a entenderla y, por qué no, necesitarla como una competencia estratégica.
En los últimos años he participado en varios proyectos de modelado de datos para diferentes empresas. Algo que si bien para los que estudiamos largas horas de matemáticas o estadística en la universidad no es nuevo, sí lo es para la mayoría de las empresas que están viendo al analytics como algo necesario para tomar decisiones estratégicas.
Traer esta disciplina a la empresa está dejando de ser una moda, para que los CEO comiencen a entenderla y, por qué no, necesitarla como una competencia estratégica. Pero el modelado de datos dentro de la empresa puede ser un arma de doble filo, ya que si no se profesionaliza su gestión, la destrucción de valor va a ser mayor a la creación de éste.
Cuando trabajo en análisis y diseño de modelos predictivos dentro de las empresas, me gusta analizar previamente cómo está alineada la estrategia de Datos de la empresa a la estrategia de Valor de la compañía. En ese marco es importante contestarse o estudiar tres grandes áreas, las cuales presentaré sucintamente a continuación.
