Doxa 1686

Cuándo dar a los empleados acceso a datos y análisis

Por Joel Shapiro

Tecnología y Análisis

Harvard Business Review

#Doxa #empleado #datos #análisis #tecnología #organización #empoderar #desafio expertos #sesgos #analítica

Resumen. A medida que los líderes empresariales buscan democratizar los datos y el análisis dentro de sus organizaciones, la verdadera pregunta que deberían hacerse es "cuándo" tiene más sentido. Ofrecemos los siguientes criterios para ayudarlo a determinar cuándo empoderar a los ciudadanos de datos: piense en el nivel de habilidad del ciudadano, mida la importancia del problema, determine la complejidad del problema, empodere a aquellos con experiencia en el dominio y desafíe a los expertos a buscar sesgos.

A medida que los líderes empresariales se esfuerzan por aprovechar al máximo sus inversiones en análisis, la ciencia de datos democratizada a menudo parece ofrecer la solución perfecta. El uso de software de análisis con herramientas sin código y de bajo código puede poner las técnicas de ciencia de datos al alcance de prácticamente cualquier persona. En los mejores escenarios, esto conduce a una mejor toma de decisiones y una mayor autosuficiencia y autoservicio en el análisis de datos, especialmente porque la demanda de científicos de datos supera con creces su oferta. Agregue a eso costos de talento reducidos (con menos científicos de datos de alto costo) y una personalización más escalable para adaptar el análisis a una necesidad y contexto comercial particular.

Sin embargo, en medio de toda la discusión sobre si democratizar y cómo democratizar la ciencia y el análisis de datos, se ha pasado por alto un punto crucial. La conversación debe definir cuándo democratizar los datos y el análisis, incluso hasta el punto de redefinir qué debería significar la democratización.

La ciencia y el análisis de datos completamente democratizados presentan muchos riesgos. Como escribieron Reid Blackman y Tamara Sipes en un artículo reciente, la ciencia de datos es difícil y un "experto" no capacitado no necesariamente puede resolver problemas difíciles, incluso con un buen software. La facilidad de hacer clic en un botón que produce resultados no garantiza que la respuesta sea buena; de hecho, podría ser muy defectuosa y solo un científico de datos capacitado lo sabría.

Es solo cuestión de tiempo

Sin embargo, incluso con estas reservas, la democratización de la ciencia de datos llegó para quedarse, como lo demuestra la proliferación de software y herramientas de análisis. Thomas Redman y Thomas Davenport se encuentran entre los que abogan por el desarrollo de " científicos de datos ciudadanos ", incluso evaluando las habilidades y aptitudes básicas de ciencia de datos en cada puesto contratado.

Sin embargo, la democratización de la ciencia de datos no debe llevarse al extremo. No es necesario que los análisis estén al alcance de todos para que una organización prospere. ¿Cuántas personas escandalosamente talentosas no serían contratadas simplemente porque carecen de "habilidades básicas en ciencia de datos"? Es poco realista y demasiado limitante.

A medida que los líderes empresariales buscan democratizar los datos y el análisis dentro de sus organizaciones, la verdadera pregunta que deberían hacerse es "cuándo" tiene más sentido. Esto comienza reconociendo que no todos los "ciudadanos" en una organización tienen las mismas habilidades para ser un ciudadano científico de datos. Como Nick Elprin, director ejecutivo y cofundador de Domino Data Labs, que proporciona herramientas de ciencia de datos y aprendizaje automático a las organizaciones, me dijo en una conversación reciente: “Tan pronto como te involucras en el modelado, los problemas estadísticos más complicados a menudo acechan bajo el superficie."

El desafío de la democratización de los datos

Considere una cadena de supermercados que recientemente usó métodos predictivos avanzados para dimensionar correctamente su planificación de la demanda, en un intento por evitar tener demasiado inventario (lo que resulta en el deterioro) o muy poco (lo que resulta en la pérdida de ventas). Las pérdidas por deterioro y desabastecimiento no eran enormes, pero el problema de reducirlas era muy difícil de resolver, dadas todas las variables de demanda, estacionalidad y comportamiento de los consumidores. La complejidad del problema significaba que la cadena de supermercados no podía dejar que los científicos de datos ciudadanos lo descifraran, sino aprovechar un equipo de científicos de datos de buena fe y bien capacitados.

La ciudadanía de datos requiere una “democracia representativa”, como discutimos Elprin y yo. Así como los ciudadanos estadounidenses eligen a los políticos para que los representen en el Congreso (presumiblemente para actuar en su mejor interés en asuntos legislativos), también las organizaciones necesitan la representación adecuada de científicos y analistas de datos para opinar sobre temas en los que otros simplemente no tienen la experiencia. dirigirse.

En definitiva, es saber cuándo y en qué medida democratizar los datos. Sugiero los siguientes cinco criterios:

Piense en el nivel de habilidad del "ciudadano": el ciudadano científico de datos, de alguna forma, está aquí para quedarse. Como se indicó anteriormente, simplemente no hay suficientes científicos de datos para todos, y usar este escaso talento para abordar todos los problemas de datos no es sostenible. Más concretamente, la democratización de los datos es clave para inculcar el pensamiento analítico en toda la organización. Un ejemplo bien reconocido es Coca-Cola, que ha lanzado una academia digital para capacitar a gerentes y líderes de equipo, produciendo graduados del programa a quienes se les acreditan alrededor de 20 iniciativas digitales, de automatización y analíticas en varios sitios de las operaciones de fabricación de la empresa..

Sin embargo, cuando se trata de participar en modelos predictivos y análisis de datos avanzados que podrían cambiar fundamentalmente las operaciones de una empresa, es crucial considerar el nivel de habilidad del "ciudadano". Una herramienta sofisticada en manos de un científico de datos es aditiva y valiosa; la misma herramienta en manos de alguien que simplemente está "jugando con los datos" puede generar errores, suposiciones incorrectas, resultados cuestionables y mala interpretación de los resultados y las conclusiones.

Medir la importancia del problema: cuanto más importante es un problema para la empresa, más imperativo es contar con un experto que maneje el análisis de datos. Por ejemplo, la generación de un gráfico simple de tendencias de compra históricas probablemente pueda lograrlo alguien con un tablero que muestre datos en una forma visualmente atractiva. Pero una decisión estratégica que tenga un impacto significativo en las operaciones de una empresa requiere experiencia y precisión confiable. Por ejemplo, cuánto debe cobrar una compañía de seguros por una póliza es tan fundamental para el modelo de negocio en sí mismo que no sería prudente relegar esta tarea a un no experto.

Determine la complejidad del problema: Resolver problemas complejos está más allá de la capacidad del ciudadano científico de datos típico. Considere la diferencia entre comparar puntajes de satisfacción del cliente entre segmentos de clientes (métricas simples, bien definidas y de menor riesgo) versus usar el aprendizaje profundo para detectar cáncer en un paciente (complejo y de alto riesgo). Tal complejidad no puede dejarse en manos de un no experto que tome decisiones arrogantes, y potencialmente decisiones equivocadas. Cuando la complejidad y las apuestas son bajas, la democratización de los datos tiene sentido.

Un ejemplo es una empresa Fortune 500 con la que trabajo, que se basa en datos a lo largo de sus operaciones. Hace algunos años, dirigí un programa de capacitación en el que más de 4500 gerentes se dividieron en pequeños equipos, a cada uno de los cuales se le pidió que articulara un problema comercial importante que pudiera resolverse con análisis. Los equipos estaban capacitados para resolver problemas simples con las herramientas de software disponibles, pero la mayoría de los problemas surgieron precisamente porque eran difíciles de resolver. Es importante destacar que estos gerentes no estaban encargados de resolver esos problemas difíciles, sino de colaborar con el equipo de ciencia de datos. En particular, estos 1000 equipos identificaron no menos de 1000 oportunidades comerciales y 1000 formas en que el análisis podría ayudar a la organización.

Empodere a aquellos con experiencia en el dominio: si una empresa está buscando información "direccional" (es más probable que el cliente X compre un producto que el cliente Y), entonces la democratización de los datos y un poco de ciencia de datos ciudadana de nivel inferior probablemente serán suficientes. De hecho, abordar este tipo de análisis de nivel inferior puede ser una excelente manera de empoderar a aquellos con experiencia en el dominio (es decir, estar más cerca de los clientes) con algunas herramientas de datos simplificadas. Una mayor precisión (como en el caso de problemas complejos y de alto riesgo) requiere experiencia.

El caso más convincente para la precisión es cuando hay que tomar decisiones de alto riesgo basadas en algún umbral. Si se llevara a cabo un plan de tratamiento agresivo contra el cáncer con efectos secundarios significativos, por ejemplo, con más del 30 % de probabilidad de cáncer, sería importante diferenciar entre el 29,9 % y el 30,1 %. La precisión importa, especialmente en medicina, operaciones clínicas, operaciones técnicas y para instituciones financieras que navegan por los mercados y el riesgo, a menudo para capturar márgenes muy pequeños a escala.

Desafíe a los expertos a buscar sesgos: el análisis avanzado y la IA pueden conducir fácilmente a decisiones que se consideran "sesgadas". Esto es un desafío en parte porque el objetivo de la analítica es discriminar, es decir, basar las elecciones y decisiones en ciertas variables. (Envíe esta oferta a este hombre mayor, pero no a esta mujer más joven porque creemos que mostrarán diferentes comportamientos de compra en respuesta). La gran pregunta, por lo tanto, es cuándo tal discriminación es realmente aceptable e incluso buena, y cuándo es inherentemente problemático, injusto y peligroso para la reputación de una empresa.

Considere el ejemplo de Goldman Sachs, que fue acusada de discriminar al ofrecer menos crédito en una tarjeta de crédito de Apple a mujeres que a hombres. En respuesta, Goldman Sachs dijo que no utilizó el género en su modelo, solo factores como el historial crediticio y los ingresos. Sin embargo, se podría argumentar que el historial crediticio y los ingresos están correlacionados con el género y el uso de esas variables castiga a las mujeres que tienden a ganar menos dinero en promedio e históricamente han tenido menos oportunidades de generar crédito. Cuando se utiliza una salida que discrimina, tanto los responsables de la toma de decisiones como los profesionales de datos deben comprender cómo se generaron los datos y la interconexión de los datos, así como también cómo medir aspectos como el trato diferencial y mucho más. Una empresa nunca debe arriesgar su reputación al hacer que un científico de datos ciudadano determine por sí solo si un modelo está sesgado.

Democratizar los datos tiene sus méritos, pero conlleva desafíos. Dar las claves a todos no los convierte en expertos, y recopilar información incorrecta puede ser catastrófico. Las nuevas herramientas de software pueden permitir que todos usen los datos, pero no confunda ese acceso generalizado con experiencia genuina.

Obtenga más información sobre Tecnología y análisis o temas relacionados IA y aprendizaje automático, Algoritmos, Análisis y ciencia de datos, Gestión de datos e Indicadores de rendimiento

Joel Shapiro es profesor asociado clínico en la Escuela de Administración Kellogg de la Universidad Northwestern y director académico de Educación Ejecutiva.