• CxOforum

PASOS Y APRENDIZAJES PARA IMPLEMENTAR UNA ESTRATEGIA DE “DATA ANALYTICS” EXITOSA EN UNA ORGANIZACIÓN


“La analítica no es un producto, un proceso, una moda, un proveedor o un software es un estilo de trabajo

https://sinnetic.com

“LO QUE SE MIDE, SE PUEDE ADMINISTRAR” – Peter Drucker

“LOS HECHOS NO DEJAN DE EXISTIR PORQUE SEAN IGNORADOS”-Aldous Huxley

“CONFIAMOS EN DIOS, PARA EL RESTOS EXISTE LA DATA”- W. Edwards Deming

“EL MAS GRANDE RECURSO YA NO ES MAS EL PETROLEO, SINO LA DATA”- Encabezado de EL ECONOMIST Mayo 6 del 2017


Estamos ante una tormenta de enunciados sobre BIG DATA, DATA SCIENCE, ANALYTICS entre otros. Cualquier administrador de hoy se puede sentir ignorante ante semejante avalancha, entonces para recobrar el aire, absorbe cuanta información exista en los medios, cursos, seminarios y al final termina teniendo una percepción de que es, pero con poca idea de para qué y cómo usar toda esta información.


Para introducir el tema, vamos a recorrer las definiciones de los términos más comunes:


DATA SCIENCE: “Extracción de datos a partir de conocimiento, que sean capaces de dar respuesta a las cuestiones que se le plantean.”

DATA ANALYTICS: “Análisis de los datos para sacar una serie de conclusiones a partir de ellos”


DATA MINNING:” Es el proceso de extracción de información de gran volumen de datos, que permita al usuario posteriormente analizar y realizar predicciones.


BIG DATA: “Son datos que superan la capacidad de procesamiento de los sistemas de bases de datos convencionales. Los datos son demasiado grandes, se mueven demasiado rápido o no encajan con las restricciones de arquitecturas de bases de datos. Para obtener valor a partir de estos datos, se debe elegir un camino alternativo para su procesamiento.”


BUSINESS INTELLIGENCE: “BI se define como un paraguas de diversas tecnologías y aplicaciones, que soportan la toma de decisiones. Permitiendo reunir, entender y administrar la información. Dotando a la organización de un acceso único a la información, con objeto de dar respuestas oportunas a las preguntas de la empresa, con el fin de mejorar el desempeño de un negocio y obtener una ventaja competitiva, vital en un mercado global y cambiante.” [1]

La realidad es que en el tema de “DATA ANALYTICS” como en muchos que nos enfrentamos hoy en día; de la teoría a la práctica hay un abismo inmenso, tan grande como el que existe entre la identificación de una idea innovadora y su ejecución exitosa.

Este artículo hace referencia a dos temas fundamentales, el primero es poder resolver y aclarar a los lectores la forma en que se puede implementar una estrategia de “BUSINESS INTELLIGENCE” de forma rápida y eficiente en una organización y el segundo tema se refiere a cuales han sido los aprendizajes de experiencias en este tipo de procesos de implementación.

PASOS PARA IMPLEMENTAR UNA ESTRATEGIA DE “DATA ANALTYICS

ETAPA 1: DETERMINAR EL “PARA QUE?”

Lo primero que se debe preguntar el equipo directivo es “PARA QUE NECESITAMOS DATA ANALYTICS En este punto la compañía o el equipo directivo deben evaluar dónde podrían generar el mayor valor de una estrategia de DATA ANALYTICS. Determinar estas necesidades dependen del tipo de compañía; para esto se recomienda hacerse las siguientes preguntas y con base en esto establecer en donde se cree que la data generaría el mayor valor:


a) Cuál es el PROPÓSITO de la compañía?

· Cuáles son las razones de éxito; ingresos, rentabilidad, clientes, inversiones, aportes (En caso de ser una ONG) entre otros?

· Dentro del plan estratégico cuáles son los hitos más relevantes a lograr en los próximos 5 años?

b) Cuáles son los CLIENTES de la compañía?

· Cuál es el comportamiento de estos clientes, son recurrentes, tienen una relación de largo plazo, cuáles son los momentos de verdad, cuando dejan la compañía?

· Existen diferentes grupos de clientes dependiendo de su rentabilidad o permanencia con la compañía?

· Cómo se capturan los clientes, ecuación de valor – precio, mix de marketing cómo funciona?


c) Cuáles son los RECURSOS más relevantes a administrar para lograr el propósito de la compañía?

· Cómo funciona la predicción de la demanda de estos recursos, en cuanto a exactitud?

· Existe posibilidad de ahorro en la predicción de la demanda de recursos?

Si bien existen más formas de general valor en una compañía alrededor de los objetivos estratégicos o el PROPÓSITO de la compañía, los CLIENTES y los RECURSOS es donde generalmente se concentra el mayor valor de una estrategia de DATA ANALYTICS.

En la FIGURA 1. Se plantea un ejemplo del Ciclo de vida del Cliente con las formas más comunes de generar valor con DATA ANALYTICS, sin desconocer que hay infinitas posibilidades:



Al terminar esta primera etapa el equipo directivo debe tener claro a alto nivel donde se generaría el mayor valor, las ETAPAS siguientes se construirán sobre estas definiciones.

ETAPA 2: DIAGNÓSTICO

El diagnóstico deberá concentrarse en las acciones donde se obtendría el mayor valor:

· ¿Dónde se administra la data más relevante, en sitios separados o único lugar?

· ¿Cuál es la calidad de la data actual?

· ¿Cómo se ingresa la data y cuál es la calidad de los procesos de ingreso de la data?

ETAPA 3: INTEGRACIÓN Y PROCESO DE CALIDAD DE LA DATA

El diagnóstico debe dar las pautas para entender dónde se deben hacer los mayores esfuerzos por corregir la data actual, con esto se establece:


· El Plan de corrección de la data: Para esto se pueden usar datos externos, fuentes comunes son los bureu de credito, todo baja las leyes de protección de datos que hoy son bastante rigurosas.


· REGLAS DE NEGOCIO: se sabe que si los sistemas de ingreso de información se vuelven muy exigentes y complejos, la gente no ingresa data y desiste (Caso sistemas de ingreso de direcciones fragmentadas). Por lo que los datos seguirán entrando con problemas de calidad, pero ¿Cuáles son las reglas para limpiar los datos que seguirán entrando desordenados?


· Se establece un proceso de definición de los datos: Los datos deben ser identificados y definidos; se define por ejemplo cuando los datos identifican un cliente nuevo, cuando no se va a considerar según los comportamientos que aún es un cliente para la organización, que eventos definen la deserción del cliente, que eventos definen que etapa del ciclo de vida en que se encuentra el cliente y todas las definiciones que se consideren relevantes para la organización.


· En esta etapa se debe iniciar el plan de cultura de datos de la organización al que se refiere la etapa siguiente.


· Es clave ajustar los procesos de entrada de datos, que generalmente trascienden el proceso de data y terminan impactando los procesos de ventas e inclusive los planes de incentivos de los mismos, esto sucede cuando los vendedores son responsables del inicio del registro de los clientes en la organización.

ETAPA 4: PLAN DE CULTURA DE DATOS

El líder de la estrategia de DATA ANALYTICS, que generalmente es parte del equipo directivo debe presentar el plan de ANALYTICS para la organización, con esto se inicia la socialización del proceso de transformación de la compañía.

Se debe construir una estrategia de comunicación a alrededor de los procesos y lograr que toda la compañía participe en la ejecución del plan planteado. Si es el cao es ideal un workshop inicial con todos los responsables de sacar datos en la organización y que de estos salga el plan con las etapas mencionadas, para se sientan parte de la transformación.

Cuando una organización entra en una cultura de datos se empiezan a dar los siguientes comportamientos, entre otros:

· El equipo empieza a hacer preguntas para profundizar en los temas


· Cualquier cierre de actividad se muestra con datos


· Cualquier Acción a ser aprobada por el equipo directivo, tiene un piloto que basado en datos estadísticamente correctos sustentan los presentado


· Se habla del mismo número de ventas, clientes, deserción, margen en todas las áreas de la organización

ETAPA 5: CONSTRUCCION DE DASHBOARDS PARA TODA LA ORGANIZACIÓN

“El tablero de control debe ser hecho para el lector, user friendly, no para que el ingeniero sienta que es óptimo”

En esta etapa se debe lograr que todas las áreas de la compañía tengan sus tableros de datos. El líder de DATA ANALYTICS debe armar un equipo para trabajar con cada área en crear todos los tableros de datos relevantes.

Se busca que luego de esta etapa los reportes salgan de forma automática, con posibilidad de hacer cruces de variables automáticos para profundizar en los análisis sin necesidad de bases de datos, manipulación de archivos de Excel, macros etc.

El sistema de Dash Boards o Tableros de Datos permite integrar los datos de todas las áreas de la organización en un mismo lugar, con un mismo lenguaje para todos y la posibilidad de hacer cruces de información de diferentes fuentes, financiera con clientes, con ventas, con operaciones, entre otros.

Generalmente al culminar esta etapa los perfiles de los analistas que tenía la organización, terminan siendo obsoletos y el número de cargos del tradicional “Analista” se reduce al mínimo. La organización empieza a requerir otro tipo de perfiles para interpretar los datos, personas con pensamiento estratégico con capacidad de hacer preguntas de negocios para generar valor en una organización donde todos los datos están claros y automatizados.

ETAPA 6: CONSTRUCCION DEL PLAN DE PROYECTOS DE DATA ANALYTICS

La organización ya está lista para empezar a desarrollar modelos predictivos, segmentaciones y análisis de datos profundos. En esta etapa se recomienda que los integrantes del área de DATA ANALYTICS recorran las áreas de la organización para establecer el plan de modelos predictivos que cada área requiere y su impacto en la organización.


Posterior a esto el equipo directivo hace una priorización de los modelos según su impacto a la luz de los objetivos estratégicos y así queda construida la carta de navegación del área de DATA ANALYTICS, se recomienda que el plan tenga una temporalidad de un año pues hoy en día la dinámica de las organización impide planear con exactitud este tipo de temas para un plazo mayor

ETAPA 7: AUTOMATIZACION DE LOS MODELOS

Generalmente se llega a esta etapa cuando ya la organización tiene una cultura de datos y usa modelos predictivos en sus principales áreas. Aquí la idea es automatizar estos modelos, y hacer que estos mismos “Aprendan solos”, para esto la compañía debe comprar herramientas de inteligencia artificial que así lo permitan.


Generalmente se usan para manejar comportamientos en línea de clientes o sistemas y corregir problemas o hacer interacciones de forma automática.


Siguiendo estas 7 etapas la compañía tiene cambios drásticos en sus resultados y eficiencias. En el artículo “AT Kearney Study Demostrates Impact of Analytics on Profits[1], se basan en un indicador de DATA ANALYTICS para medir el estado de las compañías según el proceso de ANALYTICS en el que se encuentran. El estudio demuestra que entre las compañías principiantes en su etapa de ANALYTICS y las líderes pueden existir un incremento del 60% de incremento en las ganancias o beneficios obtenidos.


Es claro que como todo proceso de transformación tiene aciertos y desaciertos, etapas que fluyen y otras más lentas y complejas según el tipo de organización, su etapa en el modelo de negocio, el estilo de liderazgo del equipo y su cultura.

LOS GRANDES APRENDIZAJES DE UN PROCESO DE IMPLEMENTACIÓN DE UNA ESTRATEGIA DE DATA ANALYTICS

Resalto por lo anterior, algunos aprendizajes en este tipo de procesos, que pueden ayudar a eliminar barreras para lograr una implementación exitosa:


1. IMPORTANCIA DEL EQUIPO DIRECTIVO: El equipo directivo de la organización debe ser sponsor de este proceso y el líder debe ser parte de este equipo, no estar encargado de la tarea en si, pero si tener el área y su líder a cargo.


2. LAS VICTORIAS TEMPRANAS: Aunque las etapas tienen un orden lógico la organización necesita “Quick Wins” no hay que esperar a tener toda la data arreglada para hacer modelos o tener Dash Boards, la recomendación es priorizar por la solución de problemas o acciones de mayor valor y hacer procesos paralelos para construir modelos de esos grupos de datos identificados. Las victorias tempranas aumentan la credibilidad en el proceso.


3. EXPERTOS EN NEGOCIO Y EN DATA ANALYTICS: El equipo de DATA ANALYTICS debe estar conformado por personas capaces de entender los procesos de analítica pero igualmente capaces de hacer las preguntas idóneas al negocio. Se deben tener expertos en ANALYTICS y expertos en negocio trabajando juntos, y el ideal se logra cuando las personas desarrollan ambas capacidades. Esto generalmente es un proceso que se va desarrollando en el tiempo.


4. INVESTIGACION DE MERCADOS NO ES DATA ANALYTICS: Se debe diferenciar entre expertos en “Research” (investigación de Mercados) con expertos en DATA ANALYTICS, son funciones diferentes y perfiles diferentes, en algunos casos se complementan pero nunca se reemplazan una tarea por la otra. Aunque la tendencia es que con las infinitas fuentes de datos que existen, la investigación tradicional evolucione a ser más una estrategia de datos.


5. DATA ANALYTICS NO ES LABOR DE LAS ÁREAS DE SISTEMAS SINO DE LAS ÁREAS DE NEGOCIO: El área de DATA ANALYTICS no debe hacer parte de las áreas de sistemas de las organizaciones. Esta área debe estar en las áreas de negocio, generalmente EN las áreas de experiencia del cliente si existe o áreas comerciales. El equipo de sistemas es clave para hacer que las máquinas de datos funcionen es como el mecánico del vehículo, pero quien debe manejar el vehículo es el Vicepresidente, Director comercial, la cabeza del área de experiencia del cliente, o en su defecto la cabeza del área donde se generará el mayor impacto del proceso de DATA ANALYTICS.


Seguramente son muchas más las etapas y aprendizajes de este proceso, pero este es un resumen de lo que considero relevante y de mayor impacto. Toda la información es una recopilación de experiencias que surgen luego de haber construido áreas de DATA ANALYTICS desde su nacimiento en diferentes industrias y compañías en los últimos 10 años. Específicamente siendo cabeza de Mercadeo, Customer Operations y Producto en estas compañías, tuve la oportunidad de construir estas áreas, viviendo personalmente los grandes retos de cambio que implican. Al final puedo compartir la satisfacción del valor inmenso que se genera en los resultados de negocio, resultados absolutamente cuantificables, adicional a la adopción de un una cultura dinámica y segura, que transforman totalmente la forma en que se gestionan las compañías.

[1] https://which-50.com/a-t-kearney-study-demonstrates-impact-of-analytics-on-profit/ [1] https://blogs.imf-formacion.com/blog/tecnologia/data-analytics-data-science-201710/

MARIA ELVIRA RESTREPO

Cluster Customer Relationship Director

Philip Morris International