El Dr. Hugo Bowne-Anderson, científico de datos y formador en DataCamp, impartió recientemente un webinar sobre las cinco cosas que los líderes empresariales deben saber sobre estrategia de datos. Sigue leyendo para ver el resumen o mira el webinar a la carta.
1. La regla 80/20 en ciencia de datos
La regla 80/20, también conocida como principio de Pareto, afirma que, en muchos casos, aproximadamente el 80% de los efectos proviene del 20% de las causas. En 2018, por ejemplo, alrededor del 80% de los impuestos en EE. UU. los pagó el 20% con mayores ingresos. Aplicado a la ciencia de datos, el principio de Pareto significa que el trabajo realizado en el 20% del tiempo genera el 80% de los resultados. Así que, al priorizar tu estrategia de datos, céntrate en lo que realmente aporta valor.
Céntrate en lo que de verdad marque la diferencia
A menudo, los líderes se sienten atraídos por temas de moda como deep learning, machine learning (ML) e IA. Pero hay áreas más básicas en las que deberías centrarte primero y que pueden dar grandes resultados, como estas:
- La infraestructura de datos es necesaria, aunque el retorno no sea inmediato. Empresas como Spotify han mejorado el descubrimiento de datos unificando fuentes. Priorizar la infraestructura ayuda a evitar estándares dispares entre silos, a prepararse mejor para futuras iniciativas y a generar vistas y paneles coherentes.
- Las buenas prácticas en atención al cliente incluyen el enrutamiento en call centers, modelos de churn y IA conversacional.
- Los modelos de propensión a la compra son clave para tus equipos de ventas y marketing.
La analítica descriptiva aporta el 80% del valor al negocio
Quizá te preguntes: «¿En qué tipo de analítica debo centrarme primero?» El principio de Pareto ayuda a responder:
- La analítica descriptiva, o business intelligence, supone el 80% del valor para muchas empresas. Se trata de aprovechar los datos que ya tienes y hacerlos llegar a las personas adecuadas en el formato que mejor puedan usar: paneles, informes y emails. Retamos a cualquier empresa que quiera avanzar de verdad a identificar cinco proyectos de analítica descriptiva que puedan informar su toma de decisiones y a ordenarlos por importancia.
- La analítica predictiva, o ML, prepara a la empresa para el futuro prediciendo lo que ocurrirá. El ML es la rama de la analítica predictiva que usa algoritmos estadísticos eficientes para anticipar escenarios a partir de información existente e identificar relaciones e insights: piensa en el motor de recomendaciones de Netflix.
- La analítica prescriptiva, o ciencia de decisiones, es la fase final: anticipa qué, cuándo y por qué sucederán ciertos resultados, y determina qué hacer con esa información. Aplica los datos al proceso de toma de decisiones. En nuestro podcast DataFramed, Cassie Kozyrkov, Chief Data Scientist en Google Cloud, explica el vínculo entre decision intelligence y ciencia de datos.
2. Por qué el big data no es tan grande
Grandes resultados con small data
Hay muchas formas de definir big data. Hugo propone una definición práctica:
Big data es mucho más de lo que puedes almacenar en un portátil o en un único disco: algo que debes distribuir en clústeres de ordenadores para almacenarlo, trabajarlo, transmitirlo y analizarlo.
Empresas como Google han aprovechado el big data con gran éxito y han generado mucho ruido mediático. Pero Hugo sostiene que el small data puede dar resultados excelentes y no debemos dejarnos arrastrar por el hype.
Una buena forma de pensar en big data es mediante el ciclo de sobreexpectación de Gartner. Si usamos Google Trends como indicador de expectativas, ya hemos superado el pico de expectativas sobredimensionadas y vamos camino del valle de la desilusión.
Fuente: Wikipedia
Así que, la pregunta es: ¿puede bastar el small data? Para Hugo, sí. No se trata de montañas de datos, sino de datos pequeños y muy precisos. Por ejemplo, Tycho Brahe, astrónomo danés, recopiló apenas 2.000 puntos de datos que permitieron a Johannes Kepler formular sus tres leyes del movimiento planetario, base de la teoría de la gravitación de Newton. Y las encuestas pueden usar muestras representativas de unas 1.000 personas para predecir resultados con un margen de error del 3%.
Más importante que el volumen: la variedad
Hugo va más allá: tener variedad de datos es más importante que tener muchos datos. Combinar datos cualitativos, o thick data, en tu conjunto de datos te dará mejores resultados. Thick data es un término de la sociología y la antropología, principalmente descriptivo, frente al thin data, que se basa en números.
3. Por qué el futuro del trabajo con datos será de arrastrar y soltar
Usar interfaces gráficas para trabajar con datos
¿Cuál es la mejor forma de que personas sin perfil técnico aprovechen el business intelligence y usen ML para tomar decisiones? No es haciendo que todo el mundo aprenda a programar. La respuesta pasa por proveedores o herramientas que conviertan la analítica en producto. En el futuro, Hugo predice que la mayor parte del trabajo con datos se hará en interfaces gráficas de usuario (GUIs), es decir, entornos de arrastrar y soltar y de apuntar y hacer clic.
Las grandes tecnológicas ya se han dado cuenta. Las sonadas adquisiciones de herramientas de BI han sido noticia. El año pasado, Salesforce adquirió Tableau, y hace unas semanas, Google cerró la compra de Looker por 2.600 millones de dólares, una popular herramienta de BI.
Las herramientas de analítica predictiva también están productizando el ML. Google AutoML permite a no especialistas construir modelos diagnósticos y predictivos, y Microsoft Azure ya ofrece una herramienta de ML automatizado que hace que crear modelos sea tan fácil como importar un conjunto de datos y decirle al servicio qué variable predecir.
Sé consciente al usar productos de datos
Estas herramientas permiten que perfiles no técnicos se vuelvan muy capaces usando datos. Pero deben saber usarlos bien. A Hugo le interesan los productos que ayudan a detectar sesgos. Recomienda probar Survival of the Best Fit, un juego educativo sobre sesgos en la contratación con IA.
4. Estrategia de datos significa cultura de datos
¿Cuántos datos se usan realmente?
Ya hemos hablado de que acumular montañas de datos (big data) no es tan importante como recopilar datos esenciales y relevantes (small data). En una encuesta durante el webinar, vimos que el 53% de los participantes utiliza menos de la mitad de los datos que recopila. El objetivo, por supuesto, es poner a trabajar más datos a tu favor. Para ello, necesitas una estrategia de datos sólida y una cultura de datos sana y consistente.
Cómo crear una estrategia de datos
En el episodio 30 de nuestro podcast, DataFramed, Taras Gorishnyy, entonces Senior Analytics Manager en McKinsey, identificó las piezas clave para construir una estrategia de datos:
- Definir una visión para la analítica alineada con la estrategia de la empresa
- Lograr un fuerte apoyo del equipo directivo (C-level): apoyo, financiación e impulso
- Extraer valor pronto de varios casos de uso
- Rediseñar procesos y promover un cambio cultural para asegurar la combinación adecuada de competencias en datos en toda la empresa
- Construir una base de datos sólida que proporcione datos integrados, fiables y a tiempo
La necesidad de rediseñar procesos y cambiar la cultura
La misión de DataCamp de democratizar las habilidades en datos en todo el mundo está muy ligada al cuarto punto: ayudar a las empresas a construir una cultura con alta competencia en datos. Sin embargo, en una encuesta a más de 300 organizaciones en 2019, detectamos que solo el 39% de las empresas con una competencia en datos madura habían implementado rediseño de procesos y cambio cultural respecto a los datos, y únicamente el 7% de las que tenían una competencia inmadura lo había hecho.
Fuente: Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency
La formación continua, no solo la contratación, es el camino hacia la competencia en datos
Todas las empresas quieren atraer al mejor talento, pero según la regla 80/20, la mayoría no podrá. Falta talento para la cantidad de trabajo con datos que hay, y no es realista basar tu estrategia en contratar unicornios. ¿La alternativa? Construir una cultura de datos basada en la formación continua y el reskilling de tu plantilla, fomentando un entorno de aprendizaje dentro de la empresa.
5. Por qué la estrategia de datos va, en el fondo, de empatía
Ten en cuenta a tus stakeholders
Hugo sostiene que la estrategia de datos, como cualquier otra estrategia empresarial, exige pensar con cuidado a quién impactas y qué necesita cada parte interesada. La estrategia de datos de una empresa determina cómo construye productos y cómo toma decisiones a gran escala. Al trabajar con datos, recuerda que cada dato representa a una persona o a un grupo. No hay duda de que los datos pueden ayudar a escala, pero también pueden hacer daño.
Un ejemplo: hace unos meses salió a la luz que la Apple Card era «sexista» con las mujeres que solicitaban crédito. Aunque Apple quizá no pretendiera introducir sesgos, acabó con un gran problema de reputación y mayor escrutinio regulatorio. No puedes confiar ciegamente en los algoritmos: debes evaluarlos con empatía.
Reconoce tus puntos ciegos
En el episodio 50 de nuestro podcast, DataFramed, Cathy O’Neil, autora de Weapons of Math Destruction, dijo: «La ciencia de datos no solo predice el futuro. Lo provoca».
Las empresas que construyen productos a escala y desarrollan estrategias de datos de gran alcance no solo deben listar quiénes creen que son sus stakeholders, sino consultar al mayor número posible de personas, porque inevitablemente habrá colectivos impactados que pasen por alto, como le ocurrió a Apple.
Sé honesto sobre qué tareas se automatizarán
A mucha gente le asusta que las máquinas les quiten el trabajo. Pero a medida que avance la tecnología, el mayor reto no será la automatización de empleos, sino la automatización de tareas. Ciertas partes de un puesto podrán automatizarse. El reto para las empresas es cómo capacitar y reciclar a esas personas ante esta automatización y cómo ayudarlas a pasar a tareas de mayor valor.
Si quieres profundizar en estos temas, mira el webinar de Hugo a la carta.
