“Tomar ciertas decisiones sin interpretar los datos es asumir un elevado riesgo”

ENTREVISTA a Gemma Muñoz y Eduardo Sánchez, fundadores de El Arte de Medir

-Gemma, Eduardo, ¿qué entendemos por Data Science?

-La ciencia de datos consiste en la exploración, tratamiento, adecuación y análisis de los datos mediante técnicas avanzadas (generalmente estadísticas) sobre una o múltiples fuentes de datos. Gracias a esta ciencia se logran obtener respuestas y conocimiento de grandes volúmenes de datos que, revisados con un simple análisis descriptivo, sería imposible obtener. Con Data Science podemos llegar a la identificación de patrones de comportamiento, predicción de resultados y obtención de conocimiento imposibles de lograr mediante el análisis visual de los datos.

-¿Cómo puede beneficiar a una empresa?

El conocimiento es poder; y cuando éste se refiere a activos o recursos claves en la empresa, permite posicionarse mejor respecto de la competencia y dar un mejor servicio/producto al cliente. El Data Science o Ciencia de Datos no es para todo el mundo, ya que necesitas una gran cantidad de datos relevantes, un objetivo claro o preguntas de negocio concretas, y un equipo humano (además de tecnológico) capaz de llevar a buen puerto el proceso.

Aclarado este punto, vemos necesario señalar que no basta con contar con una gran cantidad de información, sino que es necesario ser capaces de extraer conocimiento de ésta y aplicarlo como “palanca” de cambio y mejora, tanto en las operaciones (eficiencia, disminución de costes, incremento de beneficios), como en la estrategia final de la compañía.

Hablamos, por ejemplo, de datos tan obvios como poder prever de manera precisa las cargas de trabajo, optimizar la inversión publicitaria, conocer la propensión a la compra o al abandono de los clientes, etc. Al final los beneficios pueden ser directos (mejora de resultados por ahorro de costes o aumento de ingresos/márgenes), o totalmente indirectos, como aprender de los clientes, productos y mercado, para adaptarse a los cambios, o fidelizar clientes.

Muchas empresas tienden a pensar que pueden analizar sus datos sin ayuda externa, pues al fin y al cabo, es su negocio

-¿Cómo elegir, en base a qué criterios, los datos que recopilar y para qué?

Aquí no hay “recetas mágicas”. Esto depende en gran medida de una potente planificación previa, donde los criterios varían en función de lo que busquemos obtener con el análisis de los datos. No es lo mismo tener como objetivo conocer mejor al cliente, para lo que será vital almacenar todas sus posibles interacciones con el negocio de la mejor manera posible, que buscar conocimiento competitivo en un mercado o producto, donde a tal fin deberemos recoger datos externos al negocio, como pueden ser las opiniones en Redes Sociales o las métricas de la competencia.

En problema actual es que en muchos entornos estamos acostumbrados a que ni siquiera los datos básicos de un negocio (clientes, pedidos, etc.), se almacenan bajo una correcta arquitectura, y con una buena gestión del ciclo del dato (captura, verificación, limpieza, consolidación, etc.). Estamos más acostumbrados a ver entornos donde se guarda todo, pero sin un objetivo claro ni una arquitectura adecuada.

Por ello, es importante entender bien el negocio, cuáles son sus objetivos a corto/medio/largo plazo, cuál es la estrategia que tiene en mente la dirección y, en base a ello, decidir dónde pueden ayudar los datos a optimizar/mejorar un negocio y, con ello, ser capaces de identificar los datos que realmente necesitamos para lograrlo.

-¿No creéis que muchas empresas recogen información muy útil pero no saben qué hacer con ella o ni siquiera son conscientes de su potencial?

¡Sin duda! Esto es un clásico. De hecho, gran parte de las empresas que se acercan hasta nosotros no son conscientes del potencial que tienen datos que para ellos son obvios y que, bien explotados, pueden suponer un cambio radical en el negocio.

Puedo ponerte un ejemplo muy simple: una compañía de logística, muy concienciada y experimentada en el diseño de rutas de transporte para optimizar combustible y tiempos, pero que seguía planificando los recursos de los almacenes en base a la experiencia del responsable de cada zona.

A raíz de un breve análisis del negocio, encontramos que tenían oro en su histórico de datos: disponían de información casi al minuto sobre las mercancías que salían/entraban en sus almacenes. A partir de estos datos, fue relativamente sencillo comenzar a trabajar en modelos predictivos capaces de anticipar las necesidades de personal, cargas de trabajo, tiempos medios de procesamiento de pedidos, etc.

Imagina el potencial oculto de estos datos, y el conocimiento que ha apartado al negocio. Ahora manejan cuadros de mando a diferentes niveles, y son capaces de tener una visión bastante certera de lo que previsiblemente ocurrirá en los próximos días en base a toda la información previa.

-¿Por qué las empresas no son capaces de interpretar la información por sí mismas?

Zapatero a tus zapatos. En general vemos muchos casos donde las empresas tienden a pensar que pueden analizar sus datos sin ayuda externa, pues al fin y al cabo, es su negocio. Sin embargo, tanto el analista como el data scientist son profesionales entrenados y formados para analizar el contexto, cruzar información y “leer” conclusiones y conocimientos donde otros sólo ven un % que sube o baja.

Todos podemos leer los datos, pero analizar y obtener conocimiento de éstos, como cualquier disciplina, requiere formación, entrenamiento y mucha experiencia. Por ello, contar al menos con un perfil analista dentro de las organizaciones, o alguien externo que pueda aportar valor en este campo, es cada vez más importante.

-¿Cuáles son los principales errores que comete una compañía al analizar la información que recoge?

El primero es, sin duda, no ser conscientes de que están contaminados. Hay KPIs que no dejan de empeorar porque “eso siempre ha estado así”, o porque para una persona en concreto no es prioritario. Por eso es bueno que entre alguien de fuera, sin sesgos o prejuicios, y sea capaz de ver los datos con otros ojos y realizar las preguntas adecuadas.

El segundo es perder de vista el objetivo del negocio. Con la vorágine del día a día, hay mucha tendencia a consumir el dato de forma aislada, sin contexto. Me fijo, por ejemplo, en el porcentaje de presupuestos enviados, pero no presto demasiada atención al volumen de los que finalizan en una operación cerrada; o me centro en la captación de nuevos usuarios, sin prestar atención a la retención de los mismos. Esto es otro clásico, sobre todo en compañías grandes donde un departamento tiene su rol, y sólo se focaliza en él, perdiendo de vista todo lo demás.

El tercer error vendría a ser una extensión de lo anterior: en ocasiones hay una auténtica obsesión por tener la máxima cantidad de datos a mano. Algunos piensan que al disponer de un Excel diario repleto de hojas, tablas y cientos de métricas serán capaces de saberlo todo…y al final logran lo contrario: tener demasiada información y mucho ruido, que a la postre no les sirve para nada. Es vital poner orden en los datos, seleccionar las KPIs adecuadas (pocas, pero relevantes y accionables) que nos informen y ofrezcan contexto, y ser capaces de condensar en un espacio manejable (un folio o una pantalla) lo realmente importante para entender qué está pasando en cada una de las áreas mi negocio.

-¿Es posible tomar –buenas- decisiones sin interpretar la información?

Cómo dijo Walter Edwards Deming “Without data, you’re just another person with an opinion”. La experiencia, la intuición y la suerte existen. Es posible, y así se ha hecho hasta hace relativamente poco. La diferencia es que los datos nos permiten analizar escenarios, valorar mejor los riesgos y, no menos importante, señalarnos caminos que quizá ni nuestra experiencia, ni nuestra intuición, ni nuestra suerte, nos habrían llegado a mostrar.

Hoy por hoy, que una compañía tome ciertas decisiones sin interpretar la datos a su disposición, es asumir un elevado riesgo que ninguna organización debería permitirse.

-¿Cómo medir el retorno de invertir en analizar los datos recogidos?

Dependerá mucho del negocio. Si hablamos, por ejemplo, de analizar datos publicitarios y del impacto de las campañas de marketing, el retorno de disponer de buenos análisis de datos es casi instantáneo: dejo de perder dinero en los medios/campañas/segmentos/mercados que peor funcionan o con escaso potencial, y paso a invertir de manera fundada en aquellos que realmente son rentables y con potencial para el negocio.

En otros casos, el retorno es más sutil: desde lograr detectar clientes en riesgo de abandono, hasta adelantarme a sus necesidades/gustos para lograr que su experiencia y satisfacción con la empresa sea mayor.

En todo caso, medirlo no suele ser un problema. Si se dispone de una buena estrategia de medición, de datos de calidad y de analistas/data scientists competentes, los resultados son palpables en el corto plazo. El problema en muchas ocasiones es justificar proyectos de análisis mal planteados, cuyo impacto en el negocio ha sido nulo. No porque el análisis de datos no sea un arma poderosa, sino porque no se ha sabido desarrollar la estrategia correcta, formular las preguntas adecuadas, ni utilizar los datos/medios adecuados para responderlas.

Manuel Moreno

Periodista y fundador de TreceBits. Consultor y profesor de redes sociales y periodismo 2.0, colabora con varios medios de comunicación. Autor de: “El Gran Libro del Community Manager”, “Cómo triunfar en las redes sociales” y “Yo también la lie parda en Internet”.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Utilizamos cookies propias y de terceros para ofrecerte el mejor servicio. Si continúas navegando, entendemos que aceptas su uso. Puedes obtener más información aquí. ACEPTAR
Aviso de cookies