¿Cuál es el mejor enfoque para el análisis de datos?
Por Tom O'Toole
Analítica
Harvar Business Review
Al practicar el análisis de datos durante más de 30 años, y al liderar, asesorar, entrevistar y enseñar a ejecutivos en muchas industrias sobre análisis de datos durante cinco años, he observado que sus enfoques generalmente caen en uno de cinco escenarios: dos que generalmente fallan, dos que a veces funcionan parcialmente, y que ha surgido como el mejor. Echemos un vistazo a cada uno:
1. Estamos aquí para ayudarlo. ¿Tiene algún problema que resolver?
Este escenario a menudo comienza con la decisión del CEO (a veces por el consejo) de contratar a un científico de datos y establecer un grupo de análisis de datos. El equipo de datos se establece en la organización con grandes aspiraciones pero sin orientación específica para encontrar problemas comerciales que resolver. Sin embargo, los científicos de datos no tienen una comprensión práctica del negocio, y los líderes empresariales no saben exactamente qué se supone que deben hacer los analistas de datos o cómo usarlos. Como dijo un alto ejecutivo de una empresa muy grande: "Nuestro CEO contrató a un científico de datos que me informa, pero no estoy seguro de qué hace o qué hacer con él". A medida que los líderes empresariales y los científicos de datos intentan descubrir cómo relacionarse, no se crea mucho valor comercial.
2. Hervir el océano.
El entusiasmo bien intencionado por utilizar la ciencia de datos puede generar aspiraciones demasiado ambiciosas para impactar a toda la empresa de una vez. Sin embargo, la realidad, particularmente en las grandes empresas, es que hay demasiados sistemas de datos heredados, demasiados problemas prácticos y muy pocas personas en el equipo de ciencia de datos para producir un impulso comercial significativo en toda la empresa en poco tiempo. Los resultados comerciales generalmente están muy por debajo de las altas expectativas. Como observó un ejecutivo de una empresa multinacional de fabricación europea: "Hemos estado en esto durante tres años y hemos gastado millones de euros, pero no tenemos mucho que mostrar". Al final, no se obtiene mucho valor comercial.
3. Deje florecer mil flores.
El tercer escenario es prometedor: los líderes de nivel C indican que el análisis de datos debe adoptarse en toda la empresa. El uso práctico se deja a discreción de cada líder de unidad de negocio o jefe de función. Si bien el análisis de datos se basa y se mantiene cerca del negocio, mucho depende de si los jefes de negocios individuales y cómo lo eligen usar. Algunos lo aceptan y logran resultados significativos; otros no están seguros de qué hacer o lo evitan. La "analítica de datos" a menudo se convierte simplemente en un mejor informe comercial. Las bases de datos, sistemas y herramientas proliferan. Con esfuerzos fragmentados, es difícil escalar las actividades resultantes y determinar cuánto valor comercial se está creando.
4. Dentro de tres años y $ 10 millones, será genial.
Este enfoque racional se lleva a cabo con todas las intenciones correctas: que el análisis de datos puede crear valor comercial, pero requiere compromiso, inversión y tiempo. El problema es que este enfoque generalmente produce más procesos que resultados comerciales. A menudo implica una serie de talleres, comités y reuniones que se prolongan sin mucho que mostrar. Las inversiones de varios años son difíciles de mantener sin ningún resultado comercial frente a las demandas presupuestarias en competencia y las condiciones comerciales cambiantes. Una gran empresa industrial, por ejemplo, ha estado planeando, desarrollando y discutiendo sus iniciativas de análisis de datos durante años, pero los ejecutivos se preguntan hacia dónde se dirige el esfuerzo y cuándo mostrará valor comercial. A pesar de un comienzo prometedor, pasa demasiado tiempo sin resultados comerciales y el soporte disminuye.
5. Comience con problemas comerciales de alto apalancamiento.
Finalmente, el enfoque que funciona mejor: identifique una pequeña cantidad de problemas comerciales de "alto apalancamiento" que estén bien definidos, sean abordables de inmediato y produzcan un valor comercial evidente, y luego concéntrese en aquellos para mostrar los resultados comerciales. El problema empresarial específico impulsa al equipo a identificar los datos necesarios y los análisis que se utilizarán. Las ganancias rápidas demuestran el valor comercial. Por ejemplo, una compañía que opera clínicas de imágenes médicas vio un problema de alto apalancamiento en los pacientes que "no se presentaron". La compañía se propuso predecir y reducir las no presentaciones en beneficio de todos los involucrados: pacientes, médicos y técnicos. La reducción de "no shows" mejora directamente el resultado final. No hay sustituto para los resultados comerciales para generar credibilidad para el análisis de datos y mantener el compromiso.
Mejores prácticas para el análisis de datos
A medida que analizamos estos escenarios, las mejores prácticas se vuelven claras, incluyendo:
Al observar los diferentes enfoques adoptados por una amplia gama de empresas, podemos ver qué funciona y qué no para conectar el análisis de datos con la creación de valor comercial real. Porque si su análisis de datos no agrega valor real al negocio, no será exitoso ni sostenible.
Tom O’Toole es director ejecutivo del Programa de análisis de datos en Kellogg y profesor clínico de marketing, Kellogg School of Management en Northwestern University. O’Toole fue CMO y Presidente, MileagePlus en United Airlines y CMO y CIO en Hyatt.
Analítica
Harvar Business Review
Al practicar el análisis de datos durante más de 30 años, y al liderar, asesorar, entrevistar y enseñar a ejecutivos en muchas industrias sobre análisis de datos durante cinco años, he observado que sus enfoques generalmente caen en uno de cinco escenarios: dos que generalmente fallan, dos que a veces funcionan parcialmente, y que ha surgido como el mejor. Echemos un vistazo a cada uno:
1. Estamos aquí para ayudarlo. ¿Tiene algún problema que resolver?
Este escenario a menudo comienza con la decisión del CEO (a veces por el consejo) de contratar a un científico de datos y establecer un grupo de análisis de datos. El equipo de datos se establece en la organización con grandes aspiraciones pero sin orientación específica para encontrar problemas comerciales que resolver. Sin embargo, los científicos de datos no tienen una comprensión práctica del negocio, y los líderes empresariales no saben exactamente qué se supone que deben hacer los analistas de datos o cómo usarlos. Como dijo un alto ejecutivo de una empresa muy grande: "Nuestro CEO contrató a un científico de datos que me informa, pero no estoy seguro de qué hace o qué hacer con él". A medida que los líderes empresariales y los científicos de datos intentan descubrir cómo relacionarse, no se crea mucho valor comercial.
2. Hervir el océano.
El entusiasmo bien intencionado por utilizar la ciencia de datos puede generar aspiraciones demasiado ambiciosas para impactar a toda la empresa de una vez. Sin embargo, la realidad, particularmente en las grandes empresas, es que hay demasiados sistemas de datos heredados, demasiados problemas prácticos y muy pocas personas en el equipo de ciencia de datos para producir un impulso comercial significativo en toda la empresa en poco tiempo. Los resultados comerciales generalmente están muy por debajo de las altas expectativas. Como observó un ejecutivo de una empresa multinacional de fabricación europea: "Hemos estado en esto durante tres años y hemos gastado millones de euros, pero no tenemos mucho que mostrar". Al final, no se obtiene mucho valor comercial.
3. Deje florecer mil flores.
El tercer escenario es prometedor: los líderes de nivel C indican que el análisis de datos debe adoptarse en toda la empresa. El uso práctico se deja a discreción de cada líder de unidad de negocio o jefe de función. Si bien el análisis de datos se basa y se mantiene cerca del negocio, mucho depende de si los jefes de negocios individuales y cómo lo eligen usar. Algunos lo aceptan y logran resultados significativos; otros no están seguros de qué hacer o lo evitan. La "analítica de datos" a menudo se convierte simplemente en un mejor informe comercial. Las bases de datos, sistemas y herramientas proliferan. Con esfuerzos fragmentados, es difícil escalar las actividades resultantes y determinar cuánto valor comercial se está creando.
4. Dentro de tres años y $ 10 millones, será genial.
Este enfoque racional se lleva a cabo con todas las intenciones correctas: que el análisis de datos puede crear valor comercial, pero requiere compromiso, inversión y tiempo. El problema es que este enfoque generalmente produce más procesos que resultados comerciales. A menudo implica una serie de talleres, comités y reuniones que se prolongan sin mucho que mostrar. Las inversiones de varios años son difíciles de mantener sin ningún resultado comercial frente a las demandas presupuestarias en competencia y las condiciones comerciales cambiantes. Una gran empresa industrial, por ejemplo, ha estado planeando, desarrollando y discutiendo sus iniciativas de análisis de datos durante años, pero los ejecutivos se preguntan hacia dónde se dirige el esfuerzo y cuándo mostrará valor comercial. A pesar de un comienzo prometedor, pasa demasiado tiempo sin resultados comerciales y el soporte disminuye.
5. Comience con problemas comerciales de alto apalancamiento.
Finalmente, el enfoque que funciona mejor: identifique una pequeña cantidad de problemas comerciales de "alto apalancamiento" que estén bien definidos, sean abordables de inmediato y produzcan un valor comercial evidente, y luego concéntrese en aquellos para mostrar los resultados comerciales. El problema empresarial específico impulsa al equipo a identificar los datos necesarios y los análisis que se utilizarán. Las ganancias rápidas demuestran el valor comercial. Por ejemplo, una compañía que opera clínicas de imágenes médicas vio un problema de alto apalancamiento en los pacientes que "no se presentaron". La compañía se propuso predecir y reducir las no presentaciones en beneficio de todos los involucrados: pacientes, médicos y técnicos. La reducción de "no shows" mejora directamente el resultado final. No hay sustituto para los resultados comerciales para generar credibilidad para el análisis de datos y mantener el compromiso.
Mejores prácticas para el análisis de datos
A medida que analizamos estos escenarios, las mejores prácticas se vuelven claras, incluyendo:
- La ciencia de datos no puede suceder en un silo. Debe estar estrechamente integrado en la organización empresarial, las operaciones y los procesos.
- Es necesario que haya una priorización conjunta. Los líderes empresariales y los científicos de datos deberían decidir conjuntamente en qué problemas comerciales centrarse. Si hay alguna pregunta sobre la prioridad, la llamada final debe ir a los jefes de negocios.
- Los líderes deben estar familiarizados con la ciencia de datos. Los líderes empresariales no necesitan una experiencia profunda en ciencia de datos, pero requieren una comprensión básica y funcional. Estar familiarizado permite a los líderes empresariales trabajar eficazmente con sus equipos de ciencia de datos.
- Es posible que deba aceptar "resultados inconvenientes". Los datos inevitablemente crean transparencia y revelan ideas comerciales que pueden ser inesperadas, incómodas y desagradables. El análisis de datos descubrirá ineficiencias y conceptos erróneos que complican el liderazgo y perturban el pensamiento convencional. Los líderes empresariales que aplastan o ignoran las respuestas que no les gustan socavarán rápidamente el valor de los análisis de datos.
Al observar los diferentes enfoques adoptados por una amplia gama de empresas, podemos ver qué funciona y qué no para conectar el análisis de datos con la creación de valor comercial real. Porque si su análisis de datos no agrega valor real al negocio, no será exitoso ni sostenible.
Tom O’Toole es director ejecutivo del Programa de análisis de datos en Kellogg y profesor clínico de marketing, Kellogg School of Management en Northwestern University. O’Toole fue CMO y Presidente, MileagePlus en United Airlines y CMO y CIO en Hyatt.
No hay comentarios:
Publicar un comentario