¿Qué tienen en común empresas tecnológicas de éxito como Amazon, Netflix, Google y Airbnb? Todas han escalado y operativizado su función de data science. Es decir, han creado equipos de datos de primer nivel y han adquirido o desarrollado sus propias herramientas. Para ello han diseñado procesos internos y arquitecturas potentes que aprovechan los datos para impulsar el negocio.
En nuestro webinar del mes pasado, Maksim Percherskiy, Data Engineer en The World Bank y ex Chief Data Officer de la ciudad de San Diego, explicó que estas compañías estaban en una posición idónea porque crecieron con los datos. “Las organizaciones más antiguas —como las financieras, las sanitarias o las administraciones públicas— no tuvieron ese privilegio [de construir su negocio en torno a los datos]. La ciudad de San Diego se fundó en el siglo XIX, y todavía está aprendiendo a adaptarse y a alinear los datos de forma efectiva con sus operaciones.”
Veamos cómo pueden las grandes organizaciones construir una función de data science eficaz. En los últimos años, muchas han nombrado chief data officers, han creado equipos de data scientists e ingenieros de datos y han encontrado formas de monetizar y compartir datos. Pero el informe de NewVantage Partners de enero de 2020 reveló que, de 70 empresas encuestadas, el 98,8% había invertido en iniciativas de big data e IA, pero solo el 37,8% podía afirmar que había creado una organización verdaderamente data-driven.
Las barreras más comunes para llegar a ser data-driven tienen que ver con las personas y los procesos: operativizar y crear procesos repetibles, construir una infraestructura de datos funcional y cerrar la brecha de habilidades en datos.
Requisitos de los datos
El siguiente visual resume qué hace que los datos sean utilizables y fiables:
Primero, los datos deben recogerse en el momento adecuado, de la forma correcta y con un propósito. Después, deben ser localizables, es decir, que todas las personas usuarias de datos en la organización sepan que existen y puedan encontrarlos. A continuación, los datos deben ser fiables, sin lagunas ni incoherencias. También deben entenderse con facilidad: por ejemplo, estar bien estructurados y etiquetados. Ser compliant es crítico: hay que aplicar los protocolos de seguridad adecuados para controlar el acceso a datos sensibles y, en algunos sectores, cumplir estándares normativos. Y, por último, los datos deben ser accionables, lo que implica que las personas que los usan dispongan de la tecnología, la formación y los marcos éticos para utilizarlos correctamente.
Retos para convertirse en una organización data-driven
Hay tres grandes bloques de retos para cumplir estos requisitos: organizativos, culturales y técnicos.
Retos organizativos
Las grandes organizaciones suelen tener silos en los que los equipos persiguen objetivos distintos. Estos silos pueden existir por requisitos legales, como es habitual en finanzas, o simplemente porque los equipos no han trabajado de forma colaborativa en el pasado. Sea cual sea la causa, los silos generan descoordinación y falta de alineamiento, lo que perjudica la eficacia global de la organización.
Un síntoma puede ser directivos que quieren inflar el tamaño de sus equipos o la creación de más de un centro de excelencia en IA.
Retos culturales
La competencia en datos a nivel organizativo —que todo el mundo tenga las habilidades necesarias para desenvolverse con datos— suele verse como un objetivo ambicioso, y algunas organizaciones son reacias al riesgo de abordarlo. Por eso, en DataCamp intentamos desmitificar temas como el machine learning para ayudar a entender cómo los datos pueden usarse de forma práctica. Empoderar a las personas y facilitar el desarrollo de habilidades es clave.
Los retos culturales también se manifiestan en incentivos distintos dentro de la organización. La dirección puede querer dashboards llamativos para presentar a sus superiores, las personas de ingeniería quieren usar las herramientas más punteras, y las de negocio quizá solo quieran responder a una pregunta concreta o agilizar procesos. No siempre es posible contentar a todas las partes interesadas. Esto se relaciona con los retos organizativos mencionados: el objetivo es alinear la estrategia de datos con la estrategia de negocio.
Retos técnicos
Maksim comenta que las grandes organizaciones a menudo tienen “un mosaico de sistemas heredados” como núcleo de sus sistemas de registro de datos. Estos sistemas pueden dificultar la extracción o el escalado de datos; y, aun así, muchas veces las personas responsables de área no quieren embarcarse en un gran proyecto. Temen los costes de cambio al reemplazarlos, los riesgos de fracaso del proyecto, los costes de reentrenamiento y un impacto negativo a corto plazo en la productividad. Todo ello son errores cortoplacistas que nacen de la falta de una estrategia de datos unificada.
Otros retos técnicos incluyen estándares de cumplimiento y seguridad como HIPAA, FERPA, GDPR y CCPA. Las empresas deben ceñirse a estos estándares para evitar un uso poco ético de los datos.
Caer en estos problemas conduce a lo que Brian Balfour describe como la rueda de la muerte de los datos, que se muestra a continuación. Ilustra cómo los datos que no se mantienen de forma constante acaban siendo irrelevantes o defectuosos, lo que hace que la gente pierda la confianza en ellos y, en última instancia, los use menos.
Soluciones para convertirse en data-driven
Entonces, ¿cómo pueden las grandes empresas tradicionales llegar a ser data-driven como Netflix y Airbnb? Tienen que reconstruirse en torno a los datos. Aquí va el cómo.
Entiende el panorama
Las grandes organizaciones deben entender qué silos existen y cómo se comunican entre sí. Deben cultivar personas aliadas en el equipo ejecutivo que apoyen este viaje. Y deben comunicar los objetivos de datos a todas las partes interesadas.
Identifica a tus usuarios
Después, para facilitar una transformación data-driven exitosa, debes entender tus perfiles. Empatizar a fondo con cada persona —ya sea consumidora de datos, líder, analista o data scientist— te ayudará a saber cómo ayudarle mejor y cómo aprovechar su papel en tu misión.
Empieza en pequeño y mantenlo simple
Maksim indica que, al principio, no es posible arreglarlo todo a la vez. Es fundamental ser disciplinado y centrarse en el impacto. Elige un proyecto visible y con impacto transversal en la organización que no requiera una gran coordinación ni muchos stakeholders. Encadenar unas primeras victorias rápidas generará adhesión y dará visibilidad a los proyectos de datos. Además, podrás iterar sobre el trabajo y aprovechar los aprendizajes en proyectos futuros.
Alinea la estrategia de datos con la de negocio
¿Qué significa alinear la estrategia de datos con la de negocio? El consejo práctico de Maksim es elegir proyectos de datos que amplíen y pongan a prueba tu infraestructura, den servicio a las personas de negocio y se alineen con los objetivos y resultados de la compañía. Asegúrate de que cada proyecto esté documentado, sea reproducible y siga las mejores prácticas. Luego, amplifica los logros a nivel corporativo con apoyo ejecutivo para poder construir sobre ellos y seguir iterando.
Cómo se traduce ser data-driven en la práctica
Ser data-driven exige poder medir el éxito de las iniciativas de datos. Maksim dice que es tentador usar métricas fáciles de obtener, como el número total de proyectos, de conjuntos de datos completados o de seguidores del repositorio.
“Todas son métricas válidas, pero no abordan el núcleo de tu éxito”, dice Maksim. “Yo pensaría más en cuántas decisiones se toman con datos. También, cuánto tarda alguien en encontrar un conjunto de datos o en obtenerlos. Deberías mirar cuántas metas, objetivos y OKR se fijan y se siguen con datos, incluida la forma en que se revisan.”
Para profundizar en cómo hacer operables los datos en grandes organizaciones con procesos complejos, mira el webinar de Maksim sobre Operationalizing Data Within Large Organizations.
