La analítica avanzada está de moda: todas las empresas la quieren tener. Sean chicas o grandes y de cualquier tipo de industria, se han dedicado en los últimos años a abrir a diestra y siniestra áreas para atenderla, pero no todas han logrado maximizar sus resultados.

Incorporar analítica a la operación se convierte en un problema cuando se hace sin entender qué es y qué puede hacer para la empresa. No quiero ser aguafiestas, pero ese es uno de los errores más comunes y que más cuestan a organizaciones, ya que a pesar de los esfuerzos todavía no pueden maximizar sus beneficios. ¿Cómo salir avantes ante esta problemática tan común?

Entender qué es analytics

Para comprender qué es analítica avanzada debemos reconocer su naturaleza y la manera en que esta trastoca el business as usual a nivel organizacional. La clave será desarrollarla como una competencia de manera transversal en la organización y posteriormente convertirla en un habilitador. Para llegar ahí, identifico tres características que son indispensables asimilar:

1. Su capacidad de recopilar y procesar información. Quizá esta historia te resulte familiar: recuerdo que hace unos 15 años hice mi primera segmentación; trabajábamos con SPSS (Statistical Package for the Social Sciences, de IBM) y considerábamos alrededor de diez variables, ya que era muy difícil manejar más. Pero hoy, las segmentaciones consideran hasta 80 variables y esto es gracias al desarrollo tecnológico. Así que el primer punto a tener presente es que la analítica es esa capacidad de manejar datos y tomar decisiones con más información. ¿Cuánta? Sólo para que te des una idea de lo que generamos, cada día se realizan 3.5 billones de búsquedas en Google y se estima que el universo digital llegará a 44 zettabytes para el 2020 —sí, el próximo año—, y si esto no te dice mucho, sólo imagínate que habrá 40 veces más bytes que estrellas observables en el universo.
2. Su facilidad de configuración. La manera en que hoy se pueden diseñar algoritmos, configurar fórmulas y renglones es muchísimo más amigable y veloz que antes. Evolucionamos del clásico programador haciendo miles de renglones para poder crear un programa que cumpliera aquel viejo ciclo de correr, repetir y actualizar lentamente. Sólo piensa en las semanas que invertías para diseñar una red de distribución con algoritmos y las pocas horas que requiere en la actualidad. Un ejemplo claro de esto es el lenguaje de programación R, el cual cuenta con código abierto que permite modificarlo y mejorarlo según sea necesario, además que puede conectarse con otros lenguajes, permitiendo cargar diferentes bibliotecas o paquetes con funcionalidades de cálculo y gratificación.
3. Cómo nos habilita para tomar decisiones de manera rápida. Granularidad es lo que permite tomar decisiones a la medida, específicas y ya no solo, por ejemplo, a nivel ciudad o zona de esa ciudad, sino inclusive a nivel persona. La analítica avanzada nos da la capacidad de impactar de forma puntual, en lugar de a un grupo. Un gran ejemplo de esto es Bluelabs, una empresa de data science que realiza minería ética de datos para apoyar las campañas políticas de Estados Unidos y así llegar a sus targets de manera puntualizada y eficiente, obteniendo perfiles psicográficos más que demográficos. Esto es una revolución, tan sorprendente como cada vez que Amazon te sugiere los productos que complementan lo que ves o compras con base en tus transacciones recientes, la frecuencia con la cual las realizas y tus hábitos de consumo, incluso fuera de Amazon (analizando cookies almacenados en tu dispositivo). Miles de datos son considerados para encontrar lo que pudiera ser de tu interés.

Errores comunes al iniciar un área de analítica

El primer error como ya lo mencioné es no entender qué es analítica avanzada, ni tampoco conocer con claridad para qué te servirá en tu negocio, en dónde podría agregar más valor y, si fuera en varios procesos, por cuál deberías iniciar.

El escenario se desarrolla de la siguiente manera: Se contratan personas con perfil analítico sin saber cuál será su objetivo, se les pide realizar complejos análisis a veces innecesarios o que en realidad podrían hacerse de formas más sencillas, y en algunas otras instancias, son utilizados como un comodín para dar servicio a otras áreas de la empresa sólo para poder afirmar que la empresa hace uso de analítica avanzada en sus procesos.

Empezar a hacer analítica en toda la organización sin un enfoque claro es de los errores más comunes porque se vuelve una iniciativa de nunca acabar, lo cual genera frustración porque no sabes bien qué es y qué puedes esperar, por lo tanto, es imposible registrar avances y en el camino te olvidas del tema más crítico para crear la competencia: el recurso humano.

Contratar perfiles estándar para desarrollar analítica avanzada sin darse cuenta qué tipo de equipo multidisciplinario se va a necesitar para lograr los objetivos, es otro de los grandes errores. Se debe entender que son perfiles a los que les encanta, como decimos coloquialmente, romperse la cabeza para resolver problemas usando matemáticas. ¡No son sólo acomodadores de información! Lo complejo de este punto es que si tu organización no entiende lo que puedes hacer con analítica, entras en ese círculo vicioso de no saber qué pedirle a la persona, encargarle actividades que están por debajo de su capacidad intelectual y… ver cómo se va perfilando lentamente hacia una mejor oportunidad donde sea retado, aún si esta es fuera de tu empresa.

Por lo tanto, tener claridad tanto en la complejidad del reclutamiento como en las estrategias para retener a este talento es un elemento clave. Lo primero porque hay escasez del perfil; sólo un dato para ilustrar: en México hay un déficit de al menos 15 mil y hasta 150 mil programadores o configuradores contra la demanda, por lo tanto, hablamos de un desbalance que provoca dificultades considerables para conseguir al perfil adecuado.

Los primeros pasos de tu negocio hacia la analítica

Una vez que desde el CEO se cuenta con la claridad de qué es la analítica avanzada, el siguiente paso es determinar las funciones clave que generen mayor valor para el negocio. Primero hay que enfocarse aplicándola a los procesos core de la empresa, mantener en mente cuáles son los resultados que se quieren lograr, en lugar de tratar de aplicar analítica a toda la empresa sin realmente obtener un provecho económico para la misma.

Una vez que se ha establecido por dónde empezar y para qué se quiere, podemos comenzar a desarrollarla como una competencia. El componente que consolidará la iniciativa será la cultura organizacional. Un estudio publicado recientemente por NewVantage Partners, con entrevistas a 64 ejecutivos C-level de grandes grupos americanos como Ford Motor, General Electric y General Motors mostró que el 62.5 por ciento de los encuestados mencionan que la principal barrera para transitar hacia una cultura de datos es la gente.

En general, y con el respaldo permanente del equipo directivo, la organización debe asimilar que la toma de decisiones con base en datos será el nuevo paradigma. Por supuesto, no se trata de que de pronto ya todos sepan analítica avanzada, pero sí es indispensable evolucionar de una cultura de percepciones a una de insumos tangibles y duros entre los que se cuentan permanente la complejidad de implementar, el costo y el posible beneficio económico. Se trata de consolidar una estructura organizacional que alinee procesos clave con la tecnología, talento adecuado y su respectiva gestión de retención.

Por lo tanto, habrá que conocer concretamente cómo desarrollar y gestionar estos perfiles:

Alimentar el reto

Una de las variables que más les importan a estos perfiles, es el reto intelectual que les pones sobre la mesa. En otras palabras, si no tienes claro qué es y para qué quieres usar la analítica avanzada en tu organización, la persona se va a aburrir.

Es muy productivo fomentar su contacto con otras áreas de la organización para que puedan dimensionar el alcance de sus soluciones. Reconocer sus logros y permitir que presenten sus hallazgos frente a los directivos, les hace sentirse valorados y esos son intangibles con los que se les puede retener.

Pagar para ganar

Son recursos muy caros y para justificarlos en un caso de negocio debemos tangibilizar el beneficio que traen al negocio, por eso —otra vez— es crucial saber para qué los vas a utilizar. Si asumimos que hay un desbalance entre oferta y demanda de estos perfiles, en cuanto perciben que no tienen un esquema de compensaciones competitivo, buscarán y encontrarán otra oportunidad mejor. Si entiendes qué temas pueden resolver, el valor de cada recurso se paga por sí mismo.

Encontrar un líder híbrido

El perfil del líder que gestiona a estos recursos es todavía más escaso y difícil de conseguir porque no basta con que ostente autoridad en el tema técnico, sino que además debe contar con las habilidades de liderazgo, de otra forma, el equipo estará en riesgo de fuga.

La guía que este líder aporte es un punto clave para potencializar y reconocer sus capacidades, así como para aprender habilidades blandas para seguir creciendo.

Lo que recomiendo es: empieza por tener una función (no toda un área) a modo de prueba piloto, implementando con un proceso y consolida los resultados, documenta cada proyecto, análisis, hallazgo, método, algoritmo, programa, herramienta y configuración. Lo anterior por dos razones: la primera es que así se puede esparcir el conocimiento a otras áreas y la segunda es que naturalmente habrá alta rotación por los elementos que se explicaron previamente. Una vez que “amarres” lo anterior, avanza hacia crear un área con un responsable y algunas personas que le reporten. El end game es tener aliados de negocio para analítica avanzada en cada área funcional de la empresa. Una vez que llegas ahí, podrás cantar victoria.

Referencias:

• Dresner Advisory Services (2018) Big Data Analytics Market Study. https://www.globenewswire.com/news-release/2018/12/20/1670374/0/en/Dresner-Advisory-Services-Publishes-2018-Big-Data-Analytics-Market-Study.html
• Jeff Desjardins (2019) How much data is generated each day? https://www.weforum.org/agenda/2019/04/how-much-data-is-generated-each-day-cf4bddf29f/
• Bob Hayes (2019) Programming Languages Most Used and Recommended by Data Scientists. https://businessoverbroadway.com/2019/01/13/programming-languages-most-used-and-recommended-by-data-scientists/
• Andrew McAfee, Erik Brynjolfsson (2012) Big Data: The Management Revolution. https://hbr.org/2012/10/big-data-the-management-revolution
• Michael Li (2014) Retaining your Data Scientists. https://hbr.org/2014/11/retaining-your-data-scientists
• IBM (2017) The Quant Crunch. https://www.ibm.com/downloads/cas/3RL3VXGA
• Syed Balkhi (2019) How Companies Are Using Big Data to Boost Sales, and How You Can Do the Same. https://www.entrepreneur.com/article/325923