Mitos de la innovación con Data Analytics

En la última década la conceptualización sobre la innovación dentro de las empresas ha avanzado. Hoy los empresarios saben que, para crear valor a través de la innovación, las empresas tienen que aprender a generar más y mejores ideas, realizar un adecuado proceso de selección de dichas ideas para convertirlas en proyectos y hacer que éstos se vuelvan realidad. Este proceso de innovación debe ser al mismo tiempo rápido, eficiente y asegurar su replicabilidad y mejoramiento sistemático. Una estrategia de innovación alineada con la estrategia de la empresa, una cultura que apoye a la innovación, procesos habilitantes y herramientas que permitan detectar oportunidades, son algunos de los elementos necesarios para la sistematización de la innovación. En los últimos años, con el advenimiento del Data Analytics, el Big Data, el Internet de la Cosas y todo lo relacionado a la cuarta revolución industrial, las empresas han comenzado a incorporar el análisis de datos como algo determinante para su competitividad. Personalmente comparto la criticidad de estos temas para potenciar la competitividad estructural de las empresas, pero existen muchos mitos (humo) detrás de todo esto. Acá van algunos. Mito1: #DataAnalytics es nuevo. No, existe desde el momento que se analizan datos para tomar decisiones. El proceso de analizar datos para tomar decisiones informadas existe desde el comienzo de la historia. Lo que ha cambiado, principalmente desde la segunda mitad del siglo XX, es la reducción estrepitosa en los costos de transacción para acceder a “buenos” datos. Mito2: #DataAnalytics es tecnología. No, es un proceso necesario para la toma de decisiones. Obviamente que la tecnología está detrás de los procesos por los cuales las decisiones son tomadas, y, de hecho, esta tecnología permite reducir los costos de transacción (acceso, información, etc.), pero no es sólo tecnología, es lo que ella facilita. Mito3: #DataAnalytics es sólo Machine Learning o Big Data. No, estas son algunas de las tecnologías actuales. De hecho, hay veces que a modelos predictivos simples o clásicos se le denominan Machine Learning, o a una cantidad importante de datos estructurados, con actualizaciones periódicas, se le denomina Big Data, cuando la verdad que ninguna de las dos definiciones es correcta. Mito4: #DataAnalytics que sirve es el predictive analytics. No, se puede generar mucho valor con descriptive, diagnostic, o prescriptive analytics. La verdad que, desde el comienzo de los tiempos, el ser humano ha intentado poder predecir el futuro. Al menos poder tener cierta aproximación a lo que pasará. Y está correcto que así sea. Pero muchas veces, por el momento que se encuentra la empresa, es mejor entender primero qué pasó, antes de entender qué pasará. Mito5: #DataAnalytics es el mismo para todas las empresas. No, cada empresa tiene un estadio de ciclo de vida de toma de decisiones diferente. Dime que tan evolucionado está el proceso de toma de decisiones en base a datos, y te diré que etapa del Data Analytics te conviene. Un emprendedor o una pyme en donde la mayoría de decisiones se basan en la experiencia, olfato, percepción del líder, no es lo mismo que una empresa que posee un equipo de análisis de datos. Lo que no es mito es que, a través de la combinación de Datos, modelos Analíticos y preguntas innovadoras, se puede crear valor único al mercado, y con ese foco deben trabajar los equipos analíticos en las empresas.   Contacto: Correo: [email protected] Twitter: @diego_vallarino LinkedIn: diegovallarinonavarro Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.