10 pasos para crear una cultura basada en los datos

Publicado: el 17 febrero, 2020 por AdminKonrad / Konrad Lorenz

Por David Waller[i]

[i] David Waller es socio y jefe de la división de ciencia de datos y analítica de la empresa Oliver Wyman Labs.

La generación de grandes cantidades de datos tiene el potencial de alimentar una nueva era de innovación basada en las realidades empresariales, respaldando las nuevas ideas con pruebas sólidas. Animadas por la esperanza de satisfacer mejor a los clientes, racionalizar las operaciones y mejorar las estrategias, las empresas han acumulado datos durante la última década, por lo que han invertido en tecnologías y pagan generosamente por el talento analítico. Sin embargo, para muchas empresas sigue siendo difícil alcanzar una cultura sólida basada en los datos, y esta rara vez constituyen la base universal para la toma de decisiones.

¿Por qué es tan difícil?

Los mayores obstáculos para crear empresas basadas en datos no son técnicos, sino culturales. Es bastante simple describir cómo se generan datos en un proceso de toma de decisiones. Pero lo que es muy difícil es hacer que esto sea normal, incluso automático; para los empleados, esto es un cambio de mentalidad que representa un desafío enorme. Así que hemos resumido 10 pasos para ayudar a crear y mantener una cultura basada en los datos.

La cultura basada en los datos comienza en la parte superior. Las compañías con una fuerte cultura basada en datos tienden a tener altos directivos que establecen la expectativa de que las decisiones deben estrechamente relacionadas con los datos, debe ser apenas normal, no tendría por qué ser novedoso o excepcional. Ellos dan el ejemplo. Así, en una empresa líder en tecnología, los altos ejecutivos pasan 30 minutos al comienzo de las reuniones leyendo resúmenes detallados de propuestas y los correspondientes datos de apoyo, para poder tomar decisiones basados en evidencia. Estas prácticas se propagan hacia abajo, ya que los empleados que quieren que se les tome en serio tienen que comunicarse con los altos directivos en sus mismos términos y lenguaje. El ejemplo de unos pocos en la cima puede catalizar cambios sustanciales en la cultura de toda la empresa.
Elegir las métricas con cuidado – y astucia. Los líderes pueden ejercer un poderoso efecto en el comportamiento eligiendo estratégicamente qué medir y qué métrica esperan que usen los empleados. Supongamos que una empresa puede beneficiarse anticipando los movimientos de precios de sus competidores. Bueno, hay una métrica para eso: exactitud de la predicción a través del tiempo. Así que un equipo debe hacer continuamente predicciones explícitas sobre la magnitud y dirección de tales movimientos. También debe hacer un seguimiento de la calidad de esas predicciones – ¡mejorarán constantemente!

Por ejemplo, un importante operador de telecomunicaciones quería asegurarse de que su red proporcionara a los clientes clave la mejor experiencia posible para el usuario. Pero sólo había reunido estadísticas agregadas sobre el rendimiento de la red, por lo que sabía poco sobre quién recibía qué y la calidad de servicio que experimentaban. Al crear métricas detalladas sobre las experiencias de los clientes, el operador podía hacer un análisis cuantitativo de las repercusiones causadas por mejoras de la red en el consumidor. Para ello, la empresa sólo necesitaba tener un control mucho más estricto de la procedencia y el consumo de sus datos.

No encasille a sus científicos de datos. Los científicos de datos son a menudo secuestrados dentro de una compañía, con el resultado de que ellos y los líderes empresariales saben muy poco el uno del otro. La analítica no puede sobrevivir o proporcionar valor si opera de forma separada del resto de una empresa. Quienes han abordado este desafío con éxito generalmente lo han hecho de dos maneras.

La primera táctica es hacer muy permeable cualquier frontera entre la empresa y los científicos de datos. Una aseguradora global líder rota el personal de cada centro de excelencia a roles de línea, donde escalan una prueba de concepto. Entonces ahí es cuando pueden volver a su respectivo centro. Una empresa global de comercio de materias primas ha diseñado nuevos roles en varias áreas funcionales y líneas de negocio para aumentar la sofisticación analítica; estos roles tienen relaciones indirectas con los centros de excelencia. En última instancia, los detalles importan menos que el principio, que es encontrar maneras de fusionar el conocimiento del área y el conocimiento técnico.

Las empresas de vanguardia utilizan otra táctica. Además de acercar la ciencia de los datos a la empresa, tiran de la empresa hacia la ciencia de los datos, principalmente insistiendo en que los empleados son alfabetizados en programación y conceptualmente fluidos en temas cuantitativos. Los líderes senior no necesitan ser ingenieros expertos en machine-learning, pero los líderes de las organizaciones centradas en los datos no pueden permanecer ignorantes al lenguaje de los datos.

Solucionar rápidamente los problemas básicos de acceso a los datos. La queja más común que escuchamos es que la gente en diferentes partes de un negocio lucha por obtener incluso los datos más básicos. Curiosamente, esta situación persiste a pesar de una serie de esfuerzos para democratizar el acceso a los datos dentro de las corporaciones. Privados de información, los analistas no hacen muchos análisis, y es imposible que una cultura basada en los datos se arraigue, y mucho menos que florezca.

Las principales empresas utilizan una estrategia simple para romper este atasco. En lugar de grandes pero lentos programas para reorganizar todos sus datos conceden acceso universal a sólo unas pocas unidades clave a la vez. Por ejemplo, un banco mundial líder, que intentaba anticipar mejor las necesidades de refinanciación de los préstamos, construyó una capa de datos estándar para su departamento de marketing, centrándose en las medidas más relevantes. En este caso se trataba de datos básicos relativos a las condiciones de los préstamos, los saldos y la información sobre los bienes, datos de los canales de comercialización sobre la forma en que se originaron los préstamos; y datos que caracterizaban la amplia relación bancaria de los clientes. Independientemente de la iniciativa específica, una elección acertada para que los primeros datos sean accesibles es la métrica en la agenda de los ejecutivos seniors más importantes de la organización. Exigir que otros se vinculen eventualmente a esta fuente de datos puede alentar dramáticamente su uso.

Cuantificar la incertidumbre. Todo el mundo acepta que la certeza absoluta es imposible. Sin embargo, la mayoría de los directivos siguen pidiendo respuestas a sus equipos sin la correspondiente medida de confianza. Les falta un truco, exigir a los equipos que sean explícitos y cuantitativos sobre sus niveles de incertidumbre tiene tres efectos poderosos.

En primer lugar, obliga a los responsables de la toma de decisiones a enfrentarse directamente a las posibles fuentes de incertidumbre: ¿son fiables los datos? ¿Hay muy pocos ejemplos para un modelo fiable? ¿Cómo pueden incorporarse factores cuando no hay datos para ellos, por ejemplo, la dinámica competitiva emergente? Un minorista descubrió que la aparente degradación de las tasas de reembolso de sus modelos de comercialización directa se debía a que los datos de direcciones estaban cada vez más obsoletos. Una actualización, además de un proceso para mantener los datos frescos, solucionó el problema.

En segundo lugar, los analistas adquieren una comprensión más profunda de sus modelos cuando tienen que evaluar rigurosamente la incertidumbre. Por ejemplo, los modelos de riesgo de una aseguradora del Reino Unido no se han ajustado adecuadamente a las tendencias del mercado. Por lo tanto, la aseguradora construyó un sistema de alerta temprana para tener en cuenta estas tendencias y detectar los casos que de otro modo se habrían pasado por alto. En consecuencia, evitó las pérdidas debidas a los aumentos repentinos de los siniestros.

Por último, el énfasis en la comprensión de la incertidumbre empuja a las organizaciones a realizar experimentos. “En la mayoría de los lugares, ‘probar y aprender’ significa en realidad ‘jugar y esperar'”, señaló en una ocasión el jefe de comercio de un minorista. En su empresa, un equipo de analistas cuantitativos se emparejó con gerentes de categoría para llevar a cabo ensayos estadísticamente rigurosos y controlados de sus ideas antes de hacer cambios generalizados.

Hacer que las pruebas de concepto sean simples y robustas, no elegantes y frágiles. En la analítica, las ideas prometedoras superan en gran medida a las prácticas. A menudo, no es hasta que las empresas tratan de poner pruebas de concepto en producción que la diferencia se hace evidente. Una gran aseguradora realizó una hackathon interna y coronó a su ganador – una elegante mejora de un proceso en línea – sólo para desechar la idea porque parecía requerir costosos cambios en los sistemas subyacentes. Desechar buenas ideas de esta manera puede ser desmoralizante para las organizaciones.

Un mejor enfoque es el de las pruebas de ingeniería de concepto, en las que una parte fundamental del concepto es su viabilidad en la producción. Una buena forma es empezar a construir algo que sea de grado industrial pero trivialmente simple, y luego aumentar el nivel de sofisticación. Por ejemplo, para aplicar nuevos modelos de riesgo en un gran sistema informático distribuido, una empresa de productos de datos comenzó por aplicar un proceso extremadamente básico que funcionaba de extremo a extremo: un pequeño conjunto de datos fluía correctamente desde los sistemas de origen y a través de un modelo simple y luego se transmitía a los usuarios finales. Una vez que esto estaba en marcha, y sabiendo que el conjunto seguía cohesionado, la empresa podía mejorar cada componente de forma independiente: mayores volúmenes de datos, modelos más exóticos y mejor rendimiento en tiempo de ejecución.

El entrenamiento especializado debe ofrecerse justo a tiempo. Muchas empresas invierten en esfuerzos de capacitación “big bang“, sólo para que los empleados olviden rápidamente lo que han aprendido si no lo han puesto en práctica de inmediato. Por lo tanto, si bien los conocimientos básicos, como la codificación, deberían formar parte de la capacitación fundamental, es más eficaz capacitar al personal en conceptos y herramientas analíticas especializadas justo antes de que se necesiten, por ejemplo, para una prueba de concepto. Un minorista esperó hasta poco antes de una primera prueba de mercado antes de formar a sus analistas de apoyo en los puntos más sutiles del diseño experimental. El conocimiento se quedó atascado, y conceptos que antes eran extraños, como la fiabilidad estadística, ahora forman parte del lenguaje popular de los analistas.
Usar la analítica para ayudar a los empleados, no sólo a los clientes. Es fácil olvidar el papel potencial de la fluidez de los datos para hacer más felices a los empleados. Pero capacitar a los empleados para que puedan manejar los datos por sí mismos puede generar esa felicidad, ya que les permite seguir los consejos de un memorable libro sobre programación “Automatizar las cosas aburridas con Python”. Si la idea de aprender nuevas habilidades para manejar mejor los datos se presenta en abstracto, pocos empleados se entusiasmarán lo suficiente como para perseverar y renovar su trabajo. Pero si los objetivos inmediatos les benefician directamente, ahorrando tiempo, ayudando a evitar la repetición de tareas, o buscando la información que necesitan con frecuencia, entonces una tarea se convierte en una elección. Hace años, el equipo de análisis de una importante aseguradora aprendió los fundamentos de la computación en nube simplemente para poder experimentar con nuevos modelos en grandes conjuntos de datos sin esperar a que el departamento de TI se ponga al día con sus necesidades. Esa experiencia demostró ser fundamental cuando, por fin, TI rehízo la infraestructura técnica de la empresa. Cuando llegó el momento de esbozar los requisitos de la plataforma para el análisis avanzado, el equipo pudo hacer más que describir una respuesta. Podían demostrar una solución que funcionara.
Estar dispuesto a cambiar la flexibilidad por la consistencia, al menos a corto plazo. Muchas empresas que dependen de los datos albergan diferentes “tribus de datos”. Cada uno puede tener sus propias fuentes de información preferidas, métricas a medida y lenguajes de programación favoritos. En toda una organización, esto puede ser un desastre. Las compañías pueden perder incontables horas tratando de reconciliar sutilmente diferentes versiones de una métrica que debería ser universal. Las inconsistencias en la forma en que los modeladores hacen su trabajo también cobran un precio. Si los estándares y lenguajes de codificación varían en un negocio, cada movimiento del talento analítico implica un reentrenamiento, lo que hace difícil su circulación. También puede ser prohibitivamente engorroso compartir ideas internamente si siempre requieren traducción. Las empresas deberían, en cambio, elegir métricas y lenguajes de programación comunes. Un banco global líder hizo esto, insistiendo en que sus nuevas contrataciones en la banca de inversión y la gestión de activos sabían cómo codificar en Python.
Acostúmbrese a explicar las elecciones analíticas. Para la mayoría de los problemas analíticos, rara vez hay un enfoque único y correcto. En su lugar, los científicos de datos deben tomar decisiones con diferentes compensaciones. Así que es una buena idea preguntar a los equipos cómo abordaron un problema, qué alternativas consideraron, cuáles entendieron que eran los equilibrios y por qué eligieron un enfoque sobre otro. Hacer esto como una cuestión de costumbre da a los equipos una comprensión más profunda de los enfoques y a menudo los incita a considerar un conjunto más amplio de alternativas o a repensar los supuestos fundamentales. Una compañía global de servicios financieros asumió en un principio que un modelo de aprendizaje automático bastante convencional para detectar el fraude no podía funcionar con la suficiente rapidez para ser utilizado en la producción. Pero más tarde se dio cuenta de que el modelo podía hacerse con una rapidez asombrosa con unos pocos y sencillos ajustes. Cuando la compañía comenzó a utilizar el modelo, logró mejoras sorprendentes en la identificación precisa del fraude.

Las compañías y las áreas e individuos que las componen a menudo recurren al hábito, porque las alternativas parecen demasiado arriesgadas. Los datos pueden proporcionar una forma de evidencia para respaldar las hipótesis, dando a los gerentes la confianza para saltar a nuevas áreas y procesos sin dar un salto en la oscuridad. Pero no basta con aspirar a que los datos sean la base de todo esto. Para ser impulsadas por los datos, las empresas necesitan desarrollar culturas en las que esta mentalidad pueda florecer. Los líderes pueden promover este cambio a través del ejemplo, practicando nuevos hábitos y creando expectativas sobre lo que realmente significa arraigar las decisiones en los datos.

Tomado de https://hbr.org/2020/02/10-steps-to-creating-a-data-driven-culture

Traducción: PhD. Gustavo Andrés Campos Avendaño

Director de investigaciones

Matemáticas e Ingenierías