Las empresas y sus ejecutivos reciben montañas de ofertas relativas a las nuevas “espectaculares” soluciones relacionadas con Analíticos, Machine Learning, Inteligencia Artificial, Internet de las Cosas, Big Data, Analíticas de Autoservicio y como sea que los fabricantes llamen a sus soluciones.
Por: Milton Volpato
En este océano de confusión y opciones, los decisores en las empresas tienen la impresión de que las analíticas de datos son una “bola de cristal” que les dará la interpretación de la data correcta en el momento correcto. Es por eso que, tantos proyectos analíticos fallan en el objetivo principal, por lo que es importante encontrar interpretaciones valiosas de información que mejoren la forma en que la empresa hace negocios y, adicionalmente, pongan a la empresa en una mejor posición frente a la competencia.
Otra tendencia habitual es “recolectar y guardar todo” en el más bajo nivel de granularidad, sin importar si es útil o no, porque nunca se sabe si lo vamos a necesitar en algún momento. Esto aumenta la complejidad del lago de datos de la empresa y agrega más tiempo en el proceso de limpiar todo el “ruido” de datos que la empresa ha guardado.
El problema más común de las empresas es asociar Big Data directamente con Ciencia de Datos y pensar que si compran muchas herramientas sofisticadas, obtendrán interpretaciones automáticas y la ventaja competitiva de la que hablamos anteriormente. Se olvidan del objetivo primordial de tener un equipo de Ciencia de Datos.
Un equipo de Ciencia de Datos usa métodos científicos para manipular información (data) y está basado en realizar experimentos y ver los resultados usando un abordaje empírico. El empirismo es una de las maneras que los científicos usan para obtener información valiosa y conocimiento al reaccionar a la data a través de experimentos y preguntas. ¿Usted piensa que la herramienta analítica de autoservicio más moderna le dará esta interpretación científica a cualquier persona, aunque nunca hayan hecho un análisis anteriormente?
En esta línea de pensamiento, para ser exitosos en la transformación digital, donde se deben de tomar en cuenta aspectos de automatización y analíticas con enfoque en el cliente, las empresas deben prepararse para un cambio cultural, no solamente comprar hardware y software.
Mis recomendaciones para esas empresas son:
- La cultura de datos debe bajar de los niveles gerenciales superiores a toda la organización.
- Formar un equipo de Ciencia de Datos entrenando a personas de su organización. (Escribiré un nuevo artículo en breve acerca del perfil que deben tener los integrantes de este equipo). A esta área la llamaremos de Inteligencia de Negocios.
- Con muchas nuevas fuentes de datos y tipos de datos, es fundamental invertir en una solución de Data Governance, que ayudará a todas las áreas de la empresa a hablar el mismo idioma y tener los mismos conceptos.
- Identificar dónde estarán los problemas internos y definir objetivos a corto, mediano y largo plazo.
- Elija a un partner que pueda ayudarlo a definir la hoja de ruta tomando en cuenta asuntos técnicos y científicos.
En conclusión, lo que necesita es: sensibilidad en la producción de datos, aumentada por una buena tecnología, para apoyar la toma de decisiones basada en evidencia.
Si bien este camino hacia la transformación podría interpretarse como un largo viaje, es mejor tomarlo que fracasar en esta transformación, o realizar gastos innecesarios, ¿no lo cree así? Lo invito a compartir su opinión en nuestras redes sociales: Facebook / Twitter / LinkedIn / Instagram
© 2018 SAP SE. All rights reserved. SAP and other SAP products and services mentioned herein as well as their respective logos are trademarks or registered trademarks of SAP SE in Germany and other countries. Please see http://www.sap.com/corporate-en/legal/copyright/index.epx#trademark for additional trademark information and notices.
