Doxa 1563

Los datos erróneos están minando la productividad de su equipo.

La información mal etiquetada, faltante o incorrecta crea más trabajo para todos.

Por Thomas C Redman

Analítica y ciencia de datos

Harvard Business Review

#Doxa #datos #errores #productividad #trabajo #equipo #analítica #ciencia #datos #empresa #datos #sistema #calidad #empleado #calidad #tecnología

Resumen. Se suponía que la ciencia de datos crearía un nuevo auge de la productividad. Pero, para muchas empresas, ese boom nunca llegó. ¿Qué salió mal? Si bien las empresas han invertido en herramientas de datos, gran parte de los datos que ingresan a estos sistemas son de baja calidad, con información mal etiquetada, faltante o incorrecta, lo que a su vez crea más trabajo y más resistencia en el sistema. Para abordar esto, las empresas deben: 1) unir a los empleados a la causa y explicar por qué esto es importante, 2) medir la calidad de los datos en toda la gama de departamentos, funciones y tareas, 3) atacar sin descanso las fuentes del impuesto sobre la calidad de los datos.

En principio, las nuevas tecnologías ayudan a las empresas a aumentar la productividad: los sistemas de logística garantizan que tengan las cantidades correctas de las cosas que necesitan, los sistemas operativos ayudan a automatizar la producción y la entrega de bienes y servicios, y los sistemas de soporte de decisiones aportan los análisis y pronósticos que los gerentes necesitan hacer. mejores decisiones a sus huellas dactilares. Además, durante la pandemia, muchas empresas se apresuraron a digitalizarse aún más rápido. La productividad debería estar por las nubes. Desafortunadamente, no ha sucedido.

Si bien hay muchas explicaciones contrapuestas, creo que hay una explicación fundamental para las ganancias de productividad bajas y, lo que es más importante, una forma de impulsarlas: las tecnologías digitales se alimentan de datos y demasiados datos son simplemente malos, ya que anulan las posibles ganancias de productividad. Las nuevas tecnologías han proliferado, pero la gestión de datos no ha seguido el mismo ritmo, lo que ha agregado enormes costos y fricciones. La clave para aumentar la productividad radica en eliminar las causas fundamentales de los datos erróneos.

¿Qué hace que los datos sean "buenos" o "malos"?

Por definición, los datos son de alta calidad si son aptos para los usos previstos en operaciones, toma de decisiones, planificación y ciencia de datos. Hay mucho en esta definición. Cada uso viene con sus propios requisitos, y no cumplirlos reduce la productividad. Para ilustrar, considere tres escenarios.

En el escenario uno, un vendedor depende de los datos de clientes potenciales del departamento de marketing para hacer su trabajo. Se requieren relativamente pocos datos (alrededor de 20 elementos de datos), pero el registro debe ser completo y correcto. Por lo tanto, cuando falta el nombre del contacto, o es incorrecto pero fácil de detectar, el vendedor tiene que encontrarlo o corregirlo. Esto es difícil y, en el mejor de los casos, lleva un tiempo considerable. Peor aún, si no detectan un error, pueden perder la venta. Ambos reducen la productividad. Y tenga en cuenta que podría reemplazar " datos de clientes potenciales y ventas" con " datos de ventas y operaciones", " datos de pedidos procesados ​​con administración de inventario y finanzas" o cualquiera de las cientos de formas en que un departamento depende de los datos de otro.

En el escenario dos, un gerente necesita saber cuántos clientes nuevos ha adquirido la empresa en el último trimestre para establecer presupuestos. Utilizan datos de los sistemas de gestión de relaciones con clientes y finanzas, porque ninguno de ellos ofrece una respuesta en la que todos confíen. Surgen problemas adicionales porque Ventas se da crédito por un nuevo cliente cuando se firma el primer trato, mientras que Finanzas espera hasta que se paga la primera factura. En la mayoría de los trimestres, los números son "lo suficientemente cercanos", pero cuando la discrepancia es grande, el gerente debe pedirle a su personal que indague profundamente en ambos sistemas para solucionarlo. Incluso entonces, nunca se confía plenamente en "la respuesta", por lo que, como realidad práctica, los nuevos presupuestos se basan más en conjeturas que en datos. Se desperdicia más dinero cuando los presupuestos son demasiado altos y se pierden oportunidades cuando son demasiado bajos. Una vez más, aunque los detalles difieren,

El tercer escenario implica desarrollar un algoritmo para mejorar la retención de clientes utilizando inteligencia artificial. El conjunto de datos de entrenamiento debe ser razonablemente preciso y las diversas fuentes de datos deben estar alineadas. De lo contrario, los científicos de datos deben dedicar tiempo a poner los datos en forma. Además, estas fuentes deben estar libres de sesgos, lo que puede ser especialmente complejo, ya que los sesgos solo se revelan una vez que se usa el nuevo algoritmo. Finalmente, hay requisitos de datos adicionales una vez que el algoritmo se activa. Si bien los costos de lidiar con todos estos problemas pueden ser considerables, los costos de oportunidades perdidas son aún más importantes. Los datos incorrectos hacen que sea más difícil aprovechar la inteligencia artificial y la transformación digital, lo que priva a las empresas de posibles ganancias de productividad.

Las empresas no capturan estos costos en su sistema contable. Afortunadamente, se pueden obtener estimaciones lo suficientemente buenas como para comenzar aplicando la " regla de 10 ": cuesta 10 veces más completar una unidad de trabajo cuando los datos son defectuosos de alguna manera que cuando el los datos son buenos En la práctica, esto significa que si los datos son buenos para el 90 % de su trabajo, terminar el 10 % restante costará más debido a toda la fricción adicional. (90 x 1 = 90, 10 x 10 = 100). Uno puede ver estos costos adicionales de varias maneras:

• el costo del trabajo "sin valor agregado" (ningún cliente informado paga más porque tiene que corregir datos incorrectos),
• el costo incurrido en la fábrica de datos ocultos ("oculto", porque el sistema de contabilidad no captura el costo; "fábrica de datos", porque las personas están reelaborando los datos),
• el costo de las ineficiencias,
• el "golpe de productividad" o
• quizás de forma contraintuitiva, el tamaño de la oportunidad de mejorar la calidad y aumentar la productividad.

Un gerente o empresa no necesita eliminar por completo los errores. Incluso al reducir la tasa de error a la mitad, reducen significativamente los costos y aumentan la productividad.

¿Cuánto le cuestan los datos de baja calidad?

Como deja claro la regla del 10, cuanto menor es la calidad de los datos, menor es la productividad y mayor el impuesto. Pero, ¿cómo pueden los líderes saber, o estimar, cuando se trata de datos de baja calidad?

Cuando dirijo sesiones de formación ejecutiva, pido a los asistentes que realicen un ejercicio que llamo "método de la tarde del viernes", en el que auditan una muestra de los datos de sus últimas 100 unidades de trabajo. Usando una hoja de cálculo, revisan los elementos de datos para cada unidad de trabajo y buscan errores, marcando cada celda donde encuentran un error. Luego, cuentan cuántas unidades sin errores tenían, lo que proporciona un puntaje de calidad de datos en una escala de 0 a 100. (Por ejemplo, si tuviera 85 unidades con datos sin errores, obtendría un puntaje de 85). Finalmente, para completar la tarea, aplican la regla de 10 y estiman el impuesto para sus áreas.

Permítanme ofrecer dos aspectos destacados de estas sesiones:

• Solo el 8% informa una puntuación DQ de 90 o mejor.
• La mayoría obtiene una puntuación en el rango de 40 a 80, con una puntuación media de 61. En ese nivel, el impuesto es 3,5 veces mayor que el costo total si todos los datos fueran buenos. Del mismo modo, la productividad se reduce a menos de una cuarta parte de lo que sería.

Sin duda, cada empresa es diferente, y también lo es su oportunidad de reducir el costo de los datos incorrectos y mejorar la productividad. Pero es significativo, incluso para las empresas con menos datos. Y para algunos, puede representar su mejor oportunidad para mejorar el rendimiento general.

Qué pueden hacer las empresas

Entonces, ¿cómo deberían las empresas seguir elevando el nivel de calidad de los datos? Encuentro que muchos simplemente aceptan el impuesto asociado con la baja calidad de los datos como otro costo más de hacer negocios. Pero esto es un desperdicio, puro y simple. Los líderes deben reconocer la oportunidad de mejora y actuar.

Primero, adopte el lenguaje que mejor acerque a las personas a la causa y les ayude a comprender el problema. He usado "impuesto" aquí, pero el "trabajo sin valor agregado", la "fábrica de datos ocultos" o la "oportunidad" pueden resonar con otros.

En segundo lugar, desarrolle sus perfiles de calidad de datos, midiendo la calidad de los datos en toda la gama de departamentos, funciones y tareas, utilizando la medición de la tarde del viernes descrita anteriormente.

Tercero, atacar implacablemente las fuentes del impuesto sobre la calidad de los datos. Crear datos correctamente la primera vez es la forma mejor y más rápida de hacerlo. Esto significa eliminar las causas fundamentales del error. He ayudado a las empresas a hacer esto durante mucho tiempo y, de lejos, las dos causas principales más frecuentes involucran:

1. Aquellos que crean datos simplemente no saben que otros tienen requisitos para sus datos, y
2. Los clientes de datos (aquellos que son víctimas de datos incorrectos) actúan por reflejo para corregir datos incorrectos, incurriendo inconscientemente en el impuesto.

Ambos son relativamente fáciles de resolver: los clientes de datos deben acostumbrarse a buscar a los creadores y explicarles sus requisitos de calidad. Los creadores de datos, a su vez, deben comprender estos requisitos y encontrar y eliminar las causas fundamentales de las fallas para cumplirlos. Si esto suena como una gestión de calidad de la “vieja escuela”, lo es. Lo más importante, es increíblemente eficaz.

Finalmente, ignore el discurso de que "la calidad de los datos es aburrido", porque simplemente no es cierto. En mi experiencia, a la mayoría de las personas les gustan sus nuevos roles como creadores de datos y clientes de datos, y ciertamente aprecian pasar menos tiempo trabajando en problemas de datos mundanos. Comience en áreas donde los gerentes tengan la mente abierta y establezca una meta inicial de reducir a la mitad la tasa de error en seis meses. Capacite a las personas, ayúdelas a hacer una o dos mejoras y luego suéltelas. Muévete a la siguiente área, generando impulso a medida que avanzas.

La productividad no necesita, de hecho no debe, estancarse. Muchos encontrarán que la conexión entre productividad y calidad es contraria a la intuición, pero ahí radica una gran oportunidad. Los datos erróneos afectan la productividad. Es hora de hacer que desaparezca.

Thomas C. Redman, "el médico de datos", es presidente de Data Quality Solutions. Ayuda a empresas y personas, incluidas empresas emergentes, multinacionales, ejecutivos y líderes de todos los niveles, a trazar sus rumbos hacia futuros basados ​​en datos. Pone especial énfasis en la calidad, el análisis y las capacidades organizacionales.

Doxa 1336

Uso de modelos de incertidumbre para predecir mejor la demanda.

Por Işık Biçer, Murat Tarakci, y Ayhan Kuzu

Analítica y ciencia de datos

Harvard Business Review

#Doxa #modelos #incertidumbre #demanda #predecir #analítica #ciencia #datos #riesgos #desperdicios #inversión #gestión

Resumen. En el esfuerzo por reducir el desperdicio y eliminar la redundancia, muchas empresas se han expuesto a mayores riesgos de interrupción de la cadena de suministro, a pesar de la fuerte inversión en análisis de datos en torno a la predicción de la demanda que, en principio, debería eliminar la incertidumbre. Este artículo sostiene que el fracaso de los modelos de predicción de la demanda tiene su origen en el hecho de que no tienen en cuenta cómo se generan los datos, sino que simplemente exploran las relaciones aparentes en los datos agregados que se han transferido desde otras funciones de la organización. Al descomponer la agregación a través de un proceso que los autores denominan modelado de incertidumbre, los científicos de datos pueden identificar nuevos parámetros para conectarlos a los modelos de predicción, lo que aporta más información a las predicciones y las hace más precisas.

La pandemia Covid-19 ha provocado interrupciones generalizadas en la cadena de suministro en todo el mundo: la escasez de chips está obligando a los fabricantes de automóviles y equipos médicos a reducir la producción, mientras que el bloqueo del Canal de Suez y la falta de contenedores de envío han inflado los plazos de entrega y los precios de envío . . Sus efectos se han visto exacerbados por prácticas de gestión, como la fabricación justo a tiempo, que tienen como objetivo reducir las redundancias en las operaciones: con las redundancias se han ido las barreras de seguridad que antes estaban disponibles para las cadenas de suministro empresariales.

Por supuesto, las empresas entendieron los riesgos que implica la eliminación de búferes en la cadena de suministro, lo que sucedió mientras invirtieron cada vez más en análisis de datos sofisticados . Si pudieran comprender mejor los cuellos de botella en sus cadenas de suministro, se pensaba, las empresas podrían, en teoría, operar con menos redundancia sin incurrir en riesgos adicionales. Pero las interrupciones persisten .

Nuestra investigación en múltiples industrias, incluida la farmacéutica y los bienes de consumo de rápido movimiento, muestra que la razón de esta persistencia se debe menos a las deficiencias del software y más a su implementación. Para empezar, los gerentes tienden a basar su análisis en unidades departamentales. Aunque los equipos de ventas y marketing pueden aportar información y datos importantes, los responsables de la toma de decisiones operativas a menudo no solicitan sus aportaciones.

Además, las soluciones analíticas se centran estrechamente en la propia cadena de suministro de la empresa. Las mejores prácticas siguen siendo específicas de cada caso, y los modelos analíticos con demasiada frecuencia permanecen desconectados de las tendencias en el ecosistema más amplio. Como ilustran los ejemplos citados anteriormente, una interrupción aparentemente local puede crecer como una bola de nieve en todo el mundo.

¿Cómo pueden las empresas evitar estas trampas de la mejor manera? Comencemos por analizar con más detalle lo que implica el análisis de datos.

¿Qué son los análisis de datos?

Los métodos analíticos basados ​​en datos se pueden clasificar en tres tipos:

Analítica descriptiva.

Estos manejan las preguntas de “qué sucedió” y “qué está sucediendo” y son ricas en herramientas visuales como gráficos circulares, diagramas de dispersión, histogramas, tablas de resumen estadístico y tablas de correlación. Cadena de artículos deportivos The Gamma Store , por ejemplo, utiliza gráficos de control de procesos estadísticos para identificar los inconvenientes de la participación del cliente en la tienda.

Analítica predictiva.

Se trata de algoritmos estadísticos avanzados para pronosticar los valores futuros de las variables de las que dependen los responsables de la toma de decisiones. Abordan la cuestión de "qué pasará en el futuro". Las predicciones generadas generalmente se basan en datos históricos observados sobre la respuesta de la decisión a cambios externos (por ejemplo, cambios en las tasas de interés o el clima). Los minoristas como Amazon confían en los datos predictivos sobre la demanda de los clientes al realizar pedidos de los proveedores, mientras que los productores de bienes de consumo de rápido movimiento como Procter & Gamble y Unilever han estado invirtiendo en análisis predictivo para anticipar mejor la demanda minorista de sus productos.

Analítica prescriptiva.

Estos apoyan a los responsables de la toma de decisiones informándoles sobre las posibles consecuencias de sus decisiones y prescribiendo estrategias viables destinadas a mejorar el rendimiento empresarial. Se basan en modelos matemáticos que estipulan una función objetivo y un conjunto de restricciones para colocar problemas del mundo real en un marco algorítmico. Las aerolíneas han estado explotando el análisis prescriptivo para optimizar dinámicamente los precios de los boletos a lo largo del tiempo. Las empresas de logística, como UPS , también aplican análisis prescriptivos para encontrar las rutas de entrega más eficientes.

Las empresas suelen utilizar todos estos métodos y reflejan las etapas de la toma de decisiones: desde el análisis de una situación hasta la predicción de los impulsores clave del rendimiento y luego el análisis de optimización que da como resultado una decisión. El eslabón débil de esta secuencia es la predicción. Fue la incapacidad de su famoso análisis de datos predictivos para pronosticar con precisión la demanda y la oferta lo que obligó a Amazon a destruir aproximadamente 130.000 artículos no vendidos o devueltos cada semana en solo uno de sus almacenes del Reino Unido.

En la mayoría de los casos, la razón por la que fallan los análisis predictivos está relacionada con suposiciones y elecciones en torno a la generación de datos analizados. El estudio de Abraham Wald de los aviones posteriores a la misión en la Segunda Guerra Mundial proporciona el ejemplo clásico . El grupo de investigación al que pertenecía estaba tratando de predecir qué áreas de la aeronave serían atacadas por los enemigos, y sugirieron fortalecer las áreas golpeadas con frecuencia. Pero Wald desafió esta recomendación y recomendó reforzar las áreas vírgenes, ya que las aeronaves dañadas allí es más probable que se pierdan y estén ausentes de los datos observados. Al observar cómo se generaron los datos, los oficiales militares pudieron corregir la decisión sobre qué áreas de aviones reforzar.

La solución radica en un enfoque de la analítica conocido como modelado de incertidumbre , que aborda explícitamente la cuestión de la generación de datos.

¿Qué hace el modelado de incertidumbre?

El modelado de incertidumbre es un enfoque estadístico sofisticado para el análisis de datos que permite a los gerentes identificar parámetros clave asociados con la generación de datos para reducir la incertidumbre en torno al valor predictivo de esos datos. En un contexto empresarial, lo que está haciendo es generar más información sobre los datos en un modelo predictivo.

Para comprender lo que está sucediendo, imagine que es una empresa de empresa a empresa que recibe un pedido cada tres semanas de un cliente para uno de sus productos. Cada pedido debe entregarse de inmediato, lo que hace que el tiempo de entrega de la demanda sea insignificante. Ahora suponga que el primer pedido del cliente es de 500 unidades y que planea aumentar esa cantidad en otras 500 unidades por cada nuevo pedido, pero no informa a la empresa que ese es su plan.

¿Qué ve la empresa? El cliente ordenará 500 unidades en la semana tres, 1,000 unidades en la semana seis, 1,500 unidades en la semana nueve, y así sucesivamente, lo que genera valores de demanda mensuales de 500, 1,000, 1,500, 2,500 y 3,000 unidades durante los primeros cinco meses - un promedio de 2,100 unidades por mes. Pero debido a que los datos de la demanda real muestran desviaciones sustanciales del promedio, este último es un pronóstico muy incierto. Sin embargo, esa incertidumbre desaparece por completo una vez que la empresa obtiene la información de que el cliente está aumentando sistemáticamente las compras en 500 unidades con cada pedido.

Para que los gerentes de producción detecten este tipo de información, deben mirar más allá de las cifras de compra. En la mayoría de las empresas, la información de los pedidos de los clientes se almacena en un sistema de gestión de pedidos, que rastrea datos como cuándo se realizan los pedidos, las fechas de entrega solicitadas y qué productos se demandan en qué cantidades. Este sistema generalmente es propiedad, administrado y mantenido por el departamento de ventas. Una vez que se cumplen los pedidos de los clientes, la información agregada sobre los pedidos completados se transfiere al sistema de cumplimiento de la demanda, generalmente propiedad de producción y operaciones, que los gerentes en estas funciones luego analizan para predecir la demanda futura.

El problema es que el proceso de agregación a menudo conlleva una pérdida de información. Sin embargo, con el modelado de incertidumbre, los gerentes pueden aplicar parámetros clave identificados en el sistema de gestión de pedidos para restaurar la información a sus análisis prescriptivos.

Rescatando información en Kordsa

Kordsa, el proveedor turco de refuerzo de neumáticos, ofrece un ejemplo concreto. La empresa recibe grandes pedidos de sus clientes (fabricantes de neumáticos) pero el número de pedidos, así como la cantidad y la fecha de entrega de cada uno, es incierto en cada período. Anteriormente, la empresa simplemente agregaba la información de los pedidos de los clientes para calcular los valores históricos de la demanda mensual que luego se analizaba. Como resultado, el número de parámetros inciertos se redujo de tres a uno, incurriendo en una pérdida significativa de información.

Mediante el uso de modelos de incertidumbre, le mostramos a Kordsa cómo evitar la pérdida de información y obtener mejoras de rendimiento significativas a lo largo de los indicadores clave de rendimiento (como la rotación de inventario y la tasa de cumplimiento). Al aplicar algoritmos avanzados como Fast Fourier Transformation , pudimos integrar los parámetros clave de los pedidos de los clientes que identificamos al estudiar los datos de CRM de la empresa en el modelo de predicción de la demanda de la empresa.

Para aprovechar mejor el poder del modelado de incertidumbre, Kordsa ha creado desde entonces un equipo de análisis avanzado extraído de I + D, ventas, producción, planificación y TI. Los miembros del equipo interactúan regularmente con diferentes departamentos para comprender e identificar mejor los datos y las fuentes utilizadas en los procesos de toma de decisiones fuera de sus propias funciones, que luego pueden tenerse en cuenta en sus análisis predictivos.

Este tipo de traspaso de fronteras no debería detenerse en las puertas de la empresa. No son solo las decisiones de sus clientes y proveedores las que pueden afectar las incertidumbres de la demanda; las decisiones de los actores de industrias adyacentes que producen productos complementarios o sustitutos también pueden afectar la demanda. Acercarse a los datos que generan estos reproductores solo puede ayudar a reducir la incertidumbre en torno a los factores de rendimiento que necesita para poder predecir.

. . .

Aunque los fabricantes y minoristas invierten en análisis de datos para mejorar la eficiencia operativa y el cumplimiento de la demanda, muchos de los beneficios de estas inversiones no se materializan. La información se pierde a medida que los datos se agregan antes de la transformación entre silos, lo que aumenta el nivel de incertidumbre en torno a las predicciones. Al aplicar la matemática del modelado de incertidumbre para incorporar información clave sobre cómo se generan los datos, los científicos de datos pueden capturar los efectos de parámetros previamente ignorados que pueden reducir significativamente la incertidumbre que rodea a las predicciones de oferta y demanda.

Işık Biçer es profesor en la Escuela de Negocios Schulich de la Universidad de York en Toronto, Canadá.

Murat Tarakci es profesor asociado de gestión de la innovación en la Rotterdam School of Management de la Universidad Erasmus. Su investigación investiga cómo crear organizaciones innovadoras. Examina qué motiva la búsqueda de los gerentes de nuevas iniciativas estratégicas y cómo el poder y el liderazgo gerenciales afectan la generación de ideas novedosas. Regularmente enseña y asesora a ejecutivos sobre transformación digital, implementación de estrategias e innovación.

Ayhan Kuzu es gerente de tecnología en Kordsa Inc., un proveedor turco de refuerzo de neumáticos y líder del equipo del proyecto de análisis de datos.

 

Doxa 1204

La economía de los datos es una economía de trueque

Internet se basa en el intercambio de datos personales por servicios gratuitos, y no podemos averiguar si es un comercio justo hasta que lo reconozcamos.

Por Gillian Tett 

Datos

Harvard Business Review

#doxa #economía #internet #datos #comercio #empresa #ética #regulación #trueque

Resumen. ¿Cuál es la mejor manera para que las empresas utilicen los datos de una manera que se sienta ética para los consumidores y no provoque una reacción regulatoria? Esta pregunta está provocando una angustia sin fin en los C-suites de hoy. Se han sugerido todo tipo de respuestas políticas, pero un lugar simple e importante para comenzar es cambiar la forma en que hablamos de ello. Tomar prestada una idea de la antropología cultural y describir este intercambio como "trueque" aclarará las mentes de los reguladores e inversores para centrarse en la escala y la naturaleza de los intercambios ocultos durante mucho tiempo que ahora se encuentran en el corazón del mundo de la tecnología, y cómo crear un marco más aceptable que protege a los consumidores.

El uso de datos de los consumidores en la actualidad se está expandiendo exponencialmente, al igual que la crítica pública y política de estas prácticas. Basta pensar en los escándalos políticos que estallaron hace un par de años en Cambridge Analytica. O reguladores de todo el mundo que examinan si las plataformas de redes sociales como Facebook han abusado de sus poderes de monopolio.

Los nuevos proyectos de ley bipartidistas que piden una regulación tecnológica más estricta que ahora están circulando en el Congreso de los Estados Unidos, y el nombramiento de Lina Khan para encabezar la Comisión Federal de Comercio, solo inflamarán este debate.

Entonces, ¿cuál es la mejor manera para que las empresas usen los datos de una manera que se sienta ética para los consumidores y no provoque una reacción regulatoria? Esta pregunta está provocando una angustia sin fin en las C-suites de hoy. Se han sugerido todo tipo de respuestas políticas: dividir a los gigantes tecnológicos, redefinir los controles de monopolio, introducir nuevas leyes de privacidad y permitir que los consumidores "posean" sus datos, por nombrar algunos.

Un lugar simple e importante para comenzar es cambiar la forma en que hablamos de ello. Los responsables de la formulación de políticas, los economistas, los técnicos, los abogados, los líderes empresariales y los consumidores deberían tomar prestada una idea de la antropología cultural y considerar el concepto de "trueque". Hacer esto aclarará las mentes de los reguladores e inversores para centrarse en la escala y la naturaleza de los intercambios ocultos durante mucho tiempo que ahora se encuentran en el corazón del mundo de la tecnología, y cómo crear un marco más aceptable que proteja a los consumidores.

Al principio, esto puede sonar extraño. Después de todo, la antropología es una de las ciencias sociales menos conocidas; probablemente esté más asociada con Indiana Jones. Y la palabra "trueque" evoca imágenes de cambio de carne por bayas, una imagen que parece muy alejada de la moderna C-suite, y mucho menos de Silicon Valley.

Los economistas tienden a asumir que el trueque es una práctica prehistórica que desaparece cada vez que las sociedades inventan dinero; esa, al menos, fue la visión desdeñosa de Adam Smith, el intelectual del siglo XVIII, y ha dado forma al pensamiento económico actual. La mayoría de los ejecutivos occidentales han absorbido la suposición cultural de que debido a que “el dinero hace girar al mundo”, para citar el cliché, las cosas más importantes de una economía se miden en unidades monetarias y/o se organizan con dinero. Las transacciones que se realizan sin dinero (es decir, las que son "gratuitas") se minimizan y/o ignoran.

Los antropólogos, sin embargo, tienen una visión mucho más amplia de cómo funciona la economía. Observan cómo los intercambios unen a las sociedades en un sentido amplio y saben que los intercambios basados ​​en dinero son solo uno de los flujos que nos unen. Los sistemas de crédito social, obsequios y trueque también son importantes, incluso si rara vez se discuten en público y no pueden incluirse fácilmente en un modelo económico.

Observar lo que se esconde a simple vista, es decir, los flujos no monetarios, puede ayudar a enmarcar la economía digital moderna. Después de todo, lo que impulsa la estrategia comercial de empresas como Facebook, Google y muchas otras es en parte un intercambio que no implica dinero: los datos de los consumidores se recopilan a cambio de la prestación de servicios de Internet, al igual que las bayas se pueden intercambiar. para carne.

Yo diría que "trueque" es la mejor palabra para describir este intercambio. Y si esta frase se insertara en el lenguaje de la alta dirección y la formulación de políticas de hoy, con una perspectiva antropológica más amplia, esto podría generar varios beneficios. Más destacado:

1. Haría que todos conocieran ambos lados de la transacción.

La idea de que la economía tecnológica moderna depende de flujos bidireccionales, no unidireccionales, a menudo se pierde en el debate público sobre el uso de datos. Los consumidores no solo están cediendo datos (que a veces odian), también obtienen servicios a cambio (que casi siempre les gustan). Como no quieren perder esto último, continúan lidiando con los sitios de redes sociales, incluso en medio de protestas políticas.

2. Ilumina el hecho de que los consumidores no parecen querer pagar estas transacciones con dinero.

En los últimos años, las empresas de tecnología han ofrecido a los usuarios de Internet formas de "vender" sus datos por dinero y pagar por herramientas de Internet (con dinero). Por ejemplo, en 2019, Facebook creó una aplicación de "Estudio" que pagaba a los usuarios por acceder a sus datos con fines de investigación de mercado. Pero el interés y la aceptación de los consumidores ha sido bajo. Quizás eso refleje inercia. Pero sospecho que refleja el hecho de que la digitalización ha hecho que el trueque sea tan eficiente que la suposición de Adam Smith sobre la evolución de las sociedades es incorrecta.

3. Llama la atención sobre la escala y la importancia de estas transacciones para la economía en general.

En la actualidad, estos flujos tienden a excluirse de las mediciones económicas (como los datos del producto interno bruto) y de los modelos de valoración de empresas de los inversores. Este es un gran error: este comercio de trueque debe reconocerse para obtener una imagen precisa de cómo funciona realmente la economía y lo que valen las empresas.

4. Podría ayudar a los responsables de la formulación de políticas a comprender el poder de monopolio empresarial actual.

En las últimas décadas, los reguladores estadounidenses tendieron a asumir que la mejor manera de saber si existe un monopolio corporativo (o no) es si los precios al consumidor eran altos. Khan, el nuevo director de la FTC, se encuentra entre los que han argumentado que este enfoque está desactualizado, ya que las empresas están utilizando poderes de monopolio incluso cuando los precios son bajos. Hablar de "trueque" podría ayudar a enmarcar esto de manera más eficaz.

5. Facilitaría la creación de un sistema de datos que se sienta más ético para los consumidores.

El sistema actual está provocando una polémica sin fin. Esto no se debe necesariamente a que los consumidores quieran abolir el uso del trueque; probablemente no, dado lo eficiente que es. Sin embargo, lo que se necesita es un esfuerzo por cambiar los términos del comercio de trueque para dar más poder a los consumidores. ¿Cómo? Obligando a las empresas a proporcionar mucha más transparencia en estos intercambios y permitiendo que los consumidores controlen la duración de un intercambio (es decir, cuánto tiempo se conservan los datos). Lo más importante de todo es que los consumidores deben tener la libertad de cerrar acuerdos de trueque con diferentes proveedores para crear competencia, lo que significa que los reguladores deben responsabilizar a las empresas de tecnología de proporcionar una fácil portabilidad de datos, del mismo modo que los reguladores financieros asignan la responsabilidad a los bancos para hacerlo más fácil para que los consumidores cambien de cuenta bancaria.

Al reconocer la palabra "trueque" y hablar de lo que está oculto a la vista, el sector privado podría y debería remodelar el debate actual, adoptando una visión más amplia de cómo funciona nuestra economía de datos. En lugar de hablar de esto en términos negativos (es decir, "gratis" o la ausencia de dinero), necesitamos un término positivo y activo.

O, si lo prefiere, reflexione sobre otra arruga cultural que los economistas y los expertos en tecnología también suelen ignorar: la raíz lingüística original de la palabra "datos", que proviene de la palabra latina atreverse, que significa "dar". Esto puede parecer sorprendente en nuestro mundo moderno obsesionado con los números. O tal vez no: el significado original de la raíz es un pequeño recordatorio de los intercambios que nos unen, con mucho más que dinero. Hoy ignoramos esto bajo nuestro propio riesgo. Piense en eso la próxima vez que lance la palabra "datos".

Gillian Tett es actualmente presidenta del consejo editorial del Financial Times en EE. UU. Tiene un doctorado en antropología cultural de la Universidad de Cambridge, y títulos honoríficos y reconocimientos de la Universidad de Miami, Carnegie Mellon, Baruch, Universidad de Londres, Exeter, Lancaster y St. Andrews. Ha sido nombrada columnista del año, periodista del año y periodista de negocios del año en los premios de la prensa británica y recibió tres premios de la Society of American Business Editors and Writers (SABEW). Anthro-Vision es su cuarto libro.

 

Doxa 1088

El impacto de ESG es difícil de medir, pero no imposible

Por Jennifer Howard-Grenville 

Datos

Harvard Business Review

Resumen. La medición de ESG es una forma cada vez más popular de responsabilizar a las empresas en lo que respecta a los esfuerzos de sostenibilidad y de darles un incentivo para mejorarlos. Pero la medición, sin importar cuán sofisticada sea, es mucho mejor para capturar entradas fácilmente cuantificables que resultados e impactos complejos y desordenados. Las empresas deben hacer todo lo posible para comprender esos resultados e impactos, y eso requiere hacer algo más que medir. En particular, las empresas deben hacer tres cosas: (1) acercarse para desarrollar conocimientos sobre los procesos, (2) alejarse para ver sistemas más amplios y (3) valorar la curiosidad y el aprendizaje.

En todo el mundo, un tercio de todos los activos administrados profesionalmente, o aproximadamente $ 30 billones, ahora están sujetos a criterios ESG. Esa es una suma notable, una que representa un aumento de más del 30% desde 2016. Solo entre abril y junio de 2020, los inversores invirtieron más de $ 70 mil millones en fondos de capital ESG, superando ampliamente los flujos anuales recientes.

Estos números reflejan una conciencia cada vez mayor, entre empresas, inversores y accionistas por igual, de que para seguir siendo viables, las empresas deben pensar y gestionar su impacto en el planeta de nuevas formas. La sostenibilidad es la nueva aspiración y la clave para lograrla, de acuerdo con un consenso que emerge rápidamente, es el desarrollo de formas sofisticadas de medir las actividades y el impacto de ESG. Dar a conocer esas mediciones utilizando un sistema de puntuación sólido, dice la teoría, y las empresas se verán obligadas a mejorar.

Pero nuestro enfoque actual en la medición de ESG es peligrosamente estrecho. No capta la naturaleza compleja y sistémica de los sistemas sociales y ambientales y, de hecho, la de las propias organizaciones empresariales. En este artículo, reconociendo que la medición es necesaria e inevitable, ofreceré precauciones sobre su uso e interpretación, y orientación sobre lo que deben hacer las empresas para actuar de manera eficaz en los problemas que amenazan nuestro planeta y nuestras sociedades.

Cómo engañan las medidas

Medición de señales, procesos faltantes

“Lo que se mide se administra”: ese viejo mantra suena cierto para la mayoría de las empresas. Pero la medición a menudo no proporciona información sobre los procesos subyacentes desordenados, que es donde se puede encontrar información importante y procesable.

Para hacerlo mejor, no podemos simplemente desarrollar medidas cada vez más precisas. Muchas medidas de ESG ya capturan de manera muy efectiva los insumos, pero presumen causalidad: agregar mujeres a los equipos de alta dirección, por ejemplo, producirá mejores resultados. Pero las medidas que capturan insumos (como el número de mujeres en esos equipos) no capturan resultados (como la toma de decisiones que refleja diversas perspectivas) e impactos (como el valor social creado por tales decisiones). Estudios muestran , por ejemplo, que los equipos de alta dirección toman decisiones complejas mejor cuando no están dominados por ningún género. Los procesos subyacentes que conducen a ese tipo de resultado son a los que debemos prestar atención, lo que significa que tenemos que mirar detrás de los números y preguntar cómo, por qué y en qué condiciones se produjeron.

Medir lo aparente, perder el sistema

Cuando buscamos capturar la causalidad, a menudo trazamos los límites incorrectos alrededor de los problemas que buscamos abordar. Cuando esto sucede, la medición puede desviarnos fácilmente y hacernos colectivamente menos capaces de emprender acciones más importantes y audaces.

Considere lo que sucedió en los Estados Unidos en la década de 1970, después de que el gobierno exigiera que las empresas de automóviles produjeran flotas de automóviles de pasajeros con una economía de combustible promedio más alta. La idea parecía inteligente: para reducir el consumo y las emisiones, primero establece estándares de ahorro de combustible para las empresas, luego mide qué tan bien sus flotas cumplen con esos estándares y, finalmente, aumenta los estándares con el tiempo para obligar a esas empresas a mejorar. Pero las cosas no salieron así. Eso es porque el gobierno había creado estándares de ahorro de combustible que eran más estrictos para los automóviles que para los camiones ligeros. No es sorprendente que las empresas comenzaran a cambiar su producción de automóviles a SUV y camiones, de una manera extremadamente significativa. En la década de 1970, los SUV y las camionetas representaron el 3% de todas las ventas de automóviles nuevos en los Estados Unidos, pero a principios de la década de 2000, el número había aumentado por encima del 50%.

Todo esto generó consecuencias no deseadas. Las emisiones no bajaron tanto como se suponía. Las muertes por accidentes de tránsito aumentaron porque más vehículos pesados ​​chocaban con otros más livianos. En términos más generales, al exigir mejoras cuantificables en la economía de combustible a nivel de la flota, el gobierno alentó a las empresas de automóviles a dedicarse de manera limitada a resolver (o eludir) ese problema en lugar de desarrollar innovaciones y soluciones más amplias y sostenibles. Estos últimos, como los vehículos eléctricos o los modelos reinventados para la movilidad, requerían capacidades fundamentalmente diferentes. Sin incentivos para desarrollarlos, los fabricantes estadounidenses se quedaron atrás en relación con sus contrapartes extranjeras.

Abundan ejemplos similares, en los que nos concentramos en una pequeña parte de un sistema complejo y, al hacerlo, encontramos soluciones al problema equivocado. Las medidas ASG pueden perpetuar este comportamiento, especialmente cuando las medidas y las recompensas para los inversores permanecen vinculadas a empresas individuales. A nivel individual, por ejemplo, BP puede atribuirse el mérito de reducir sus emisiones vendiendo su negocio de petroquímicos. Pero ese negocio y sus emisiones, por supuesto, no han desaparecido.

Medir lo monetizable, perder lo valorado

Algunas cosas son intrínsecamente más fáciles de medir que otras. Pero eso no significa que sean más valiosos.

Las emisiones de CO2 equivalente son un buen ejemplo. Son fáciles de medir y en un solo número transmiten el impacto creado por una serie de gases de efecto invernadero, cuya relación causa-efecto entre las emisiones y el cambio climático está bien establecida. Además, las emisiones de CO2eq, una vez medidas, se pueden monetizar en forma de precio del carbono, lo que permite la comparación entre empresas y actividades.

Mucho más difíciles de capturar y comparar son los impactos sobre la biodiversidad y el hábitat, donde las relaciones de causa y efecto son endiabladamente más complejas. Pero esos impactos pueden tener enormes consecuencias.

Considere la producción de cultivos. Gran parte de la industria, con un valor de cientos de miles de millones al año, depende de los insectos polinizadores, y esos insectos están en grave declive. Pero es casi imposible medir lo que han hecho diferentes empresas para contribuir a esta disminución. Están involucrados una variedad de factores importantes: cambio de uso de la tierra, agricultura intensiva, uso de pesticidas, cambio climático, enfermedades y más. Pero incluso si tales medidas fueran posibles, ¿se sumarían al valor de la naturaleza?

Incluso con medidas ASG claras y comparables, existe una arrogancia considerable al permitir que los inversores, administradores de activos y administradores de empresas de hoy en día decidan lo que constituirá y permitirá una buena vida para nuestros hijos. Los cambios en los valores y preferencias subyacentes podrían alterar fundamentalmente la relevancia incluso de las mejores medidas ASG actuales. ¿Nos agradecerán nuestros niños por permitir que los administradores de activos recompensen a las aerolíneas que cambian de manera más efectiva a los biocombustibles o compensan agresivamente sus emisiones de carbono? ¿O medirán nuestros hijos el valor de sus inversiones y sus vidas de una manera diferente, por ejemplo, a través de la calidad de las relaciones que mantienen o del tiempo que tienen para el ocio?

Más allá de las medidas: claves para una acción eficaz

Estas preocupaciones, que las medidas de ESG pueden ocultar información importante sobre los procesos, desviar nuestra atención de los sistemas y tergiversar peligrosamente valores más amplios, no significa que las empresas no deban medir. Ellos deberían. Pero necesitan hacer más. Aquí hay tres formas en que pueden ampliar su enfoque para capturar información no solo sobre los insumos, sino también sobre los procesos y sistemas que rigen los resultados y los impactos.

1. Acérquese para desarrollar conocimientos sobre los procesos

Para comprender los procesos subyacentes, las empresas deben centrarse en comprender en profundidad un puñado de cuestiones más relacionadas con sus actividades principales. A través de esto, tienen una mayor posibilidad de comprender profundamente los hilos causales que permiten un impacto mejorado y, en última instancia, dirigir los recursos suficientes para actuar sobre ellos.

Cuando Nike fue criticada por las prácticas laborales de sus proveedores en la década de 1990, por ejemplo, se tomó el tiempo de entrevistar a 67,000 trabajadores para explorar los problemas a través de sus experiencias, gracias a la red de investigadores y organizaciones de mujeres de la miembro de la junta Jill Ker Conway. A partir de esto, la empresa pudo crear una estrategia a más largo plazo que involucraba la divulgación, la asociación con otras marcas para mejorar las condiciones laborales y la movilización del apoyo de la comunidad.

2. Alejar para ver sistemas más amplios Alejar

brinda una perspectiva más amplia y a más largo plazo sobre los problemas que exigen un conocimiento profundo. Comenzar con el estado final y solicitar los aportes de diversas partes interesadas son dos enfoques para comprender los sistemas y el papel de cada uno dentro de ellos.

Considere el cambio climático. Las emisiones de carbono dominan los titulares, por supuesto, pero aléjese y comenzará a ver hasta qué punto el estrés hídrico es un problema que tendremos que enfrentar: para 2030, el mundo requerirá un 40% más de agua de la que necesita. hoy. Algunas empresas con cadenas de suministro agrícola, como Cargill, Diageo y Unilever, han reconocido un futuro de responsabilidad compartida por las cuencas hidrográficas a nivel de cuencas hidrográficas, lo que las ha llevado a desarrollar enfoques de agricultura regenerativa y restauración de cuencas hidrográficas que involucren a las poblaciones locales y se adapten a las condiciones locales. .

Alejarse exige un compromiso significativo más allá de los límites organizacionales, que también deben aprovechar las diversas perspectivas, lo que permite a una empresa aprender de y con otros sobre enfoques colaborativos para problemas sistémicos.

3. Valorar la curiosidad y el aprendizaje

Mucha gente pide a las empresas que articulen un propósito más allá de la maximización de beneficios, para que puedan servir mejor a los valores sociales. Pero el propósito está vacío sin la capacidad de ejecutarlo. Comenzar con el "hacer" enfocado es un enfoque más fundamentado, y potencialmente complementario, que puede aprovechar las capacidades y el talento existentes.

A pesar de toda la promesa de la economía circular de reimaginar cómo pensamos sobre los residuos, algunas empresas que están aprendiendo tenazmente de lo que hace su gente en el frente de batalla han desbloqueado algunas posibilidades completamente poco glamorosas. Hace años, los técnicos e ingenieros de reparación de Xerox descubrieron que las piezas simples de las fotocopiadoras alquiladas (ruedas de plástico o soportes de metal) podían rediseñarse para que fallaran con menos frecuencia y fueran reutilizables incluso después de haber fallado. De manera similar, Patagonia sabe que las cremalleras se agotan mucho antes de lo que se desgasta la tela. Aprovechar la sabiduría de su equipo de reparación ayuda a la empresa a repensar la construcción del producto para que las cremalleras se puedan reemplazar sin destruir un saco de dormir o una chaqueta.

El punto en común de lo anterior es el énfasis en la acción y el aprendizaje, es decir, en no ser impulsado únicamente por medidas. Las sólidas medidas de ESG y de impacto pueden ayudarnos a llevar la puntuación y, cuando sea necesario, a hacer correcciones en el rumbo. Sin embargo, en última instancia, no importa cómo y qué midamos, debemos actuar de nuestra manera hacia una mayor comprensión, percepción e incluso un propósito.

Jennifer Howard-Grenville es profesora Diageo de Estudios Organizacionales en la Cambridge Judge Business School.

Doxa 987

Las reglas de privacidad de datos están cambiando. ¿Cómo pueden mantenerse al día los especialistas en marketing?

Por Einat Weiss

Datos

Harvard Business Review

A medida que la pandemia obliga a las empresas de todo el mundo a cambiar al trabajo remoto y los sistemas digitales, se ha prestado una atención renovada a las cuestiones relacionadas con la privacidad de los datos. Después de todo, los consumidores pueden estar dispuestos a aceptar un paquete retrasado, un vuelo cancelado o una ventana de servicio extendida a la luz de la pandemia, pero comprometen sus datos personales y se acabó el juego. ¿Qué pueden hacer los especialistas en marketing para satisfacer las crecientes expectativas de los consumidores (sin mencionar los requisitos reglamentarios) con respecto a la privacidad de los datos?

Bienvenido a la era de la protección de datos del consumidor

Esta conversación no es nueva. Un estudio reciente encontró que el 84% de los clientes abandonarán una compra en línea si el sitio web no es seguro. En 2018, la UE aprobó el histórico Reglamento General de Protección de Datos (GDPR) para aumentar los requisitos de privacidad de los datos y, a principios de este año, California anunció que no habría demoras relacionadas con la pandemia en la aplicación de la recién aprobada "Ley de privacidad del consumidor de California" ( CCPA).

Doxa 915

Desbloquee el valor oculto de sus datos

Por Stefaan G. Verhulst
Datos
Harvard Business Review

Hace veinte años, Kevin Rivette y David Kline escribieron un libro sobre el valor oculto contenido en las patentes subutilizadas de las empresas. Estas patentes, argumentaron Rivette y Kline, representaban "Rembrandts en el ático" (el título de su libro). Las patentes, sugirieron los autores, no deberían verse simplemente como propiedades pasivas, sino como activos estratégicos: una "nueva moneda" que podría desplegarse en la búsqueda de la competencia, la reputación de la marca y los avances en investigación y desarrollo.

Todavía vivimos en la economía del conocimiento, y las organizaciones todavía están tratando de descubrir cómo desbloquear activos subutilizados. Pero la moneda ha cambiado: los Rembrandts de hoy en el ático son datos.

Es ampliamente aceptado ahora que la gran cantidad de datos que generan las empresas representa un enorme depósito de valor potencial. Este valor es monetario y también social; Contiene un tremendo potencial para impactar el bien público. Pero, ¿las organizaciones, y nosotros como sociedad, sabemos cómo desbloquear este valor? ¿Sabemos cómo encontrar los conocimientos ocultos en nuestros áticos digitales y utilizarlos para mejorar la vida de la sociedad y las personas?

Doxa 913

Ordena los datos de tu empresa al estilo Marie Kondo

Por Kon Leong
Datos
Harvard Business Review

"No puedo encontrar mi anuario de la escuela secundaria. No, no sé en qué caja estaba almacenada, y no sé dónde está esa caja, y no recuerdo qué más había en esa caja ". ¿Suena familiar? Organizar nuestras "cosas" siempre ha sido un desafío, lo que puede explicar por qué Marie Kondo se ha convertido en un nombre familiar en el arte de limpiar y organizar sus efectos personales.

Lo creas o no, las empresas enfrentan un desafío similar en la gestión de los datos de la compañía, aunque a una escala mucho mayor y con requisitos mucho más complejos. A lo largo de los años, la mayoría de las grandes empresas han acumulado varios petabytes de datos oscuros: registros web, correos electrónicos antiguos y perfiles de clientes desactualizados, todos recopilados en el curso normal del negocio que probablemente nunca se volverán a usar, con cada petabyte equivalente a 20 millones de archivadores de cuatro cajones completamente llenos. A medida que el crecimiento de datos continúa acelerándose, los requisitos legales y reglamentarios para controlar esta montaña digital en expansión siguen aumentando, lo que hace que la limpieza de datos se convierta en una de las principales prioridades comerciales.

A pesar del abismo entre la limpieza en el hogar y la empresa, así es como podemos aplicar las seis reglas de Kondo para ordenar la empresa.

Doxa 898

Use sus datos de cliente para ayudar realmente a sus clientes

Por Joe Ucuzoglu y John Hagel III
Datos
Harvar Business Review

Así como los datos sobre los clientes se vuelven cada vez más valiosos, los clientes se preocupan cada vez más por cómo se usan sus datos. Simultáneamente, se están volviendo más poderosos y tienen un mayor control sobre sus vidas digitales. Sea testigo del Reglamento General de Protección de Datos (GDPR) de la Unión Europea, el derecho al olvido, la "eliminación profunda" y las leyes que rigen la soberanía de datos. Con el aumento del populismo y las encuestas en todo el mundo que demuestran constantemente que la confianza en las empresas (y en todas las instituciones) se está erosionando rápidamente, las empresas deben estar preparadas para intensificar estas preocupaciones.

Todos somos consumidores y, como tales, los líderes pueden comprender la ansiedad cuando los rastros digitales que dejamos en el ciberespacio pueden revelar aspectos muy personales y privados de nuestras vidas. Incluso para estar dispuestos a compartir sus datos con una empresa, los clientes deben confiar en que la empresa no reutilizará ni revenderá los datos de manera descendente de una manera que puedan considerar inescrutable u objetable. Deben confiar en que sus datos están razonablemente seguros contra las infracciones cibernéticas y que la empresa hará lo correcto si se produce una infracción.

Pero ahora, imagine clientes que no solo están dispuestos a compartir sus datos con una empresa, sino que están ansiosos por compartir más. ¿Qué tomaría esto? Más fundamentalmente, los clientes necesitarían ver que sus datos se están utilizando para su beneficio, en formas que valoran mucho. Si eso sucede, estarán ansiosos por compartir más sobre sí mismos para recibir aún más valor.

Es hora de que muchas organizaciones se pregunten: ¿cómo se utilizan los datos sobre los clientes para ayudarlos?

Considere la forma en que las compañías de seguros usan nuestros datos. Por lo general, se centra en el producto: utiliza algoritmos actuariales para crear una transacción para cantidades específicas de cobertura. Pero, ¿qué pasaría si una compañía de seguros utilizara formas novedosas de big data de manera centrada en el cliente? Pueden crear productos para ayudar a los conductores a comprender mejor su comportamiento de conducción (o el de sus familiares) para incentivar una conducción más segura. Esta es la esencia de la centrada en el cliente: usar datos para ayudar a las personas a alcanzar mejor sus propios objetivos, en lugar de solo usarlos para fijar precios o segmentar u orientar a los clientes.

Otro ejemplo proviene de algoritmos de recomendación. Tales algoritmos tienen una influencia cada vez mayor en nuestra vida diaria, dando forma a nuestras experiencias. Pero lo que es "probable" que compre no es necesariamente lo que le alegrará haber comprado. Lo que probablemente haga clic, vea o lea no es necesariamente lo que enriquecerá su vida. Las empresas que aprovechan los datos para el beneficio del consumidor tienen una oportunidad real de diferenciarse al enfocarse no solo en lo que haremos clic, sino en lo que es convincente en un nivel más profundo; no solo lo que es probable que compremos, sino lo que probablemente genere alegría. Esta utilidad más profunda para el cliente es la razón por la cual las disciplinas de la IA centrada en el ser humano se volverán esenciales, tocando no solo el diseño, sino incluso áreas inesperadas como las ciencias sociales, la psicología, el arte y las humanidades.

Entonces, ¿cómo pueden las empresas demostrar un valor convincente centrado en el consumidor y crear relaciones de datos confiables con ellas? Creemos que hay varios puntos de partida:

• Utilice los datos que ya tiene para beneficiar al cliente. Los clientes intuitivamente tienen una idea de cuándo se utilizan los datos para beneficiar a la empresa, en lugar de ofrecer más valor para ellos. De hecho, una cantidad cada vez mayor de datos se está almacenando en almacenes de datos sin ser utilizada en absoluto. Cuando se usa, se trata principalmente de orientar a los clientes de manera más eficiente para que se puedan generar más ingresos a un costo menor. Volviendo a los datos que ya tiene con una lente centrada en el cliente y las disciplinas de la IA centrada en el ser humano, seguramente descubrirá nuevas vías para deleitar a sus clientes con los datos que ya le han confiado.
• Piense en todo el cliente, en todo el ciclo de vida. Aprovechar el potencial de los datos también requiere un cambio desde un enfoque transaccional estrecho. En cambio, las empresas deberán explorar cómo pueden mejorar el valor en un contexto mucho más amplio: preventa y posterior a la venta. Recuerde que ofrecer información proactiva de datos a veces requiere un alto grado de intimidad y permiso implícito, y puede sentirse horrible cuando sale mal. Pero cuando es natural y ayuda a los clientes a obtener mucho más valor del producto o servicio que han comprado, es perfecto. Por ejemplo, ¿qué pasa si los datos del supermercado generan no solo cupones, sino sugerencias de recetas personalizadas? "Si le sobra algún pollo, puede usarlo con el cilantro y el yogurt que compró de la siguiente manera". Ya sabemos que el supermercado tiene estos datos, y la sugerencia podría ayudar a romper la monotonía de la cocina. La clave es comprender lo que sería bienvenido en un contexto individual y en evolución.
• Prepárese para reenfocar sus operaciones. A medida que las empresas evolucionan y comienzan a adaptar mejor sus productos, servicios y experiencias en función de los conocimientos obtenidos de los datos, es probable que veamos una transformación significativa de sus operaciones internas. Tendrán que reevaluar su enfoque actual en procesos comerciales altamente estandarizados, cambiando a interacciones con los clientes más personalizadas que respondan a las necesidades únicas y cambiantes de los clientes individuales. Los datos ayudarán con esto, brindando una visión más rica y en tiempo real de cada cliente que permitirá a los empleados adaptar sus actividades sobre la marcha y ofrecer un mayor valor. Sin embargo, estos usos ampliados y personalizados de los datos solo serán posibles si las empresas son al mismo tiempo capaces de incorporar controles de privacidad adecuados para mantener el cumplimiento normativo, proteger la marca y preservar la confianza del cliente. Para hacerlo, las empresas requerirán prácticas de seguridad y privacidad más sofisticadas, como Privacy by Design (PbD), que incorpora controles de privacidad apropiados en el diseño y operación de sistemas de TI, infraestructura de red y prácticas comerciales.    

Estos cambios sin duda serán desafiantes. Pero las recompensas serán sustanciales, tanto para los clientes como para las empresas que los atienden. Puede resultar que la mejor manera de generar ganancias es ayudar a los clientes a obtener cada vez más valor de los productos y servicios que utilizan. Las empresas que resuelvan esto probablemente serán las que prosperen en mercados cada vez más exigentes.

La ventaja competitiva en este mundo en evolución se basa en la confianza y el valor. La tecnología es un habilitador poderoso, pero es solo un habilitador. Las empresas que aprovechan el poder de los datos para crear más y más valor para sus clientes son las que tendrán más probabilidades de aumentar la confianza y obtener acceso privilegiado a los datos.

Joe Ucuzoglu es el director ejecutivo de Deloitte U.S., liderando la organización de servicios profesionales más grande de los Estados Unidos. Joe habla con frecuencia sobre una amplia gama de problemas actuales que enfrenta la comunidad empresarial, como el panorama normativo en evolución y el papel que las empresas deben desempeñar en la sociedad líder a través del rápido ritmo del cambio impulsado por la tecnología.

John Hagel III es fundador y presidente del Deloitte Center for the Edge, un centro de investigación con sede en Silicon Valley. Un residente de mucho tiempo de Silicon Valley, también es un escritor compulsivo, después de haber escrito 7 libros. Su último, con John Seely Brown y Lang Davison, es The Power of Pull: How Small Moves, Smartly Made, Can Set Big Things in Motion.

Doxa 854

¿Está utilizando sus datos o simplemente los está recopilando?

Por Robert Glazer
Datos
Harvard Business Review

Una de las lecciones de negocios más importantes es también la más simple: el éxito a menudo es el resultado de tomar más decisiones buenas que malas a lo largo del tiempo. La pregunta es cómo hacer eso.

Esto debería ser más fácil de hacer hoy. La tecnología y la inteligencia empresarial (BI) proporcionan una gran cantidad de datos para guiar incluso la toma de decisiones más matizada. Para muchos escenarios, hay datos que pueden mostrarle el resultado de decisiones pasadas que fueron similares y revelar los resultados proyectados a lo largo del tiempo.

A pesar de esto, muchos líderes no aprovechan al máximo las herramientas a su disposición y dependen en gran medida del instinto en situaciones donde los datos proporcionan una imagen más completa. En situaciones sin datos o precedentes, la toma de decisiones instintiva es probablemente la opción más viable. Pero esta estrategia es innecesariamente riesgosa en los casos en que los datos muestran el resultado de situaciones similares que ocurrieron en el pasado.

En estos casos, muchos líderes usan excepciones pasadas como justificación para ignorar el costo del fracaso. Las razones para esto pueden variar, desde la desconfianza de la analítica hasta el deseo de tener éxito con un movimiento audaz y poco convencional, pero a largo plazo puede resultar costoso.

Una ilustración de esto es el juego profesional. Los casinos prosperan porque muchos apostantes creen que son más inteligentes que las probabilidades y que pueden vencer a la casa con apuestas audaces. Estos son los jugadores que manejan la mayoría de las ganancias de los casinos.

Los apostadores que ganan a largo plazo evalúan clínicamente las probabilidades de cada apuesta y toman decisiones cuidadosas, respaldadas por datos, y hacen sus mayores apuestas cuando las probabilidades están a su favor.

Las estadísticas tienden a normalizarse con el tiempo, eliminando las aberraciones a corto plazo que dan la falsa apariencia de buena o mala suerte. Cuanto más juegues el mismo juego, más probabilidades ganarás.

El problema de memoria de la bombilla

Al confiar en la experiencia previa, tenga en cuenta que la memoria es inconsistente y falible. Es más probable que recordemos eventos extremadamente inesperados, en lugar de eventos más mundanos, gracias a la "memoria de flashbulb".

Según la Asociación Estadounidense de Psicología, la memoria de flashbulb describe distintos recuerdos de sucesos emocionalmente significativos. APA señala: "Aunque es más probable que se retengan los recuerdos de las bombillas que los recuerdos de un evento cotidiano, no siempre son precisos".

En un contexto comercial, la memoria flash hace que las personas recuerden resultados excepcionales, en lugar de los resultados esperados. Por ejemplo, un ejecutivo puede recordar vívidamente arriesgarse en una contratación no convencional y ver a ese empleado convertirse en un actor estrella. Es menos probable que recuerden cuando hicieron una apuesta más segura a un candidato obviamente calificado que resultó ser tan competente como se esperaba, o las contrataciones riesgosas que no funcionaron. La excepción se convierte en la leyenda.

Aprovechando los datos

Existe una gran diferencia entre comprender la importancia de los datos y convertirlos en una prioridad en su organización. Toda empresa necesita expertos responsables de analizar los datos pertinentes y ayudar a informar la toma de decisiones de los empleados.

Por ejemplo, en Acceleration Partners (AP), un miembro de nuestro equipo es responsable de usar BI para decirnos qué marcas, en función de sus atributos, comportamiento pasado y tasas de fracaso, serían riesgosas de asumir como clientes. Si se deja a sus propios dispositivos, un vendedor, naturalmente, no estaría muy inclinado a rechazar una perspectiva. Las reglas informadas por BI pueden anular nuestro equipo de ventas si la perspectiva parece tener un alto potencial de fallar en base a datos pasados.

Esto no significa que siempre sea una mala idea correr riesgos. Los líderes aún deben confiar en su instinto si creen firmemente que tienen razón. Pero comparar esa intuición con el consenso de datos es una buena manera de probar la certeza de la decisión.

Del mismo modo, si un líder decide ir en contra de los datos, debe tomar posesión de esa elección si las cosas van mal y asumir la responsabilidad del resultado. Las excepciones deben ser responsables porque, como dice el dicho, "El éxito tiene muchos padres, mientras que el fracaso es huérfano".

Establecer reglas y políticas

Por supuesto, la toma de decisiones se ejecuta en todos los niveles del organigrama. Si bien el equipo ejecutivo se encargará de las decisiones que toman o rompen el negocio, las empresas exitosas aseguran que los empleados estén facultados para tomar decisiones en cada nivel de la empresa. Cuando los datos son abrumadores, los líderes pueden optar por establecer pautas basadas en la evidencia.

Otro ejemplo pertinente en Acceleration Partners es nuestro enfoque de las contraofertas. En nuestra experiencia, las contraofertas tienen un mal resultado a corto plazo porque afectan negativamente la relación con el empleado y solo solucionan temporalmente los problemas subyacentes. Por ejemplo, un estudio de Heidrick & Struggles encontró que el 80% de los altos ejecutivos piensan que la confianza con un empleado disminuye después de que el empleado acepta una contraoferta.

Sabiendo esto, hicimos una política general para que nuestro equipo de talentos no extendiera las contraofertas. Creemos que es un error hacer algo con una tasa de fracaso tan alta, y al establecer una política, liberamos a los empleados menos experimentados de tomar esas decisiones difíciles sin el beneficio de los datos o la experiencia. Estamos jugando las probabilidades.

Educar a los empleados sobre las probabilidades históricas de tomar decisiones les impide tomar decisiones innecesariamente riesgosas y les da al liderazgo la oportunidad de consultar cuidadosamente los datos y sopesar las consecuencias y los costos del fracaso.

El instinto todavía tiene un lugar en los negocios, pero no debería ser el único impulsor de la toma de decisiones. Al hacer que los datos y el BI sean un punto focal del pensamiento estratégico de su equipo, y usarlos para elaborar políticas organizacionales inteligentes, los líderes pueden proteger sus negocios contra fallas innecesarias y garantizar que la compañía tome más decisiones buenas que malas.

Robert Glazer es el fundador y CEO de Acceleration Partners, una agencia de marketing de rendimiento global y destinatario de numerosos premios de cultura empresarial. Bob también fue nombrado Director Ejecutivo Principal de Glassdoor para Pequeñas y Medianas Empresas en la lista de EE. UU., Ocupando el puesto número 2 de 50. Es el autor del libro internacional más vendido, Performance Partnerships y el próximo libro Elevate: Push Beyond Your Limits and Unlock Success en ti y en los demás. 100.000 líderes de todo el mundo leen su semanario Friday Forward.

Doxa 851

Presente sus datos como un profesional

Por Joel Schwartzberg

Datos

Harvard Business Review

Con tantas formas de girar y distorsionar la información en estos días, una presentación necesita hacer más que simplemente compartir grandes ideas: debe respaldar esas ideas con datos creíbles. Eso es cierto si usted es un ejecutivo que presenta nuevos clientes comerciales, un proveedor que vende sus servicios o un CEO que defiende el cambio.

"Saber cómo desarrollar y entregar una presentación basada en datos es ahora una habilidad crucial para muchos profesionales, ya que a menudo tenemos que contar historias a nuestros colegas que son mucho más convincentes cuando están respaldados por números", dice la investigadora y consultora Alexandra Samuel.

No hay problema, puedes decir. Un gráfico de barras aquí, y un gráfico circular allí, y te vas a las carreras, ¿verdad?

No tan rápido. Porque si bien una buena presentación incluye datos, los datos por sí solos no garantizan una buena presentación. No es la mera presencia de datos lo que le da poder al presentador. Así es como se presentan esos datos.

La presentación de datos puede parecer simple en la era de PowerPoint, Prezi, Canva, Visme, Haiku Deck y otras plataformas tecnológicas sin sentido. Pero levante la mano si alguna vez se ha confundido con un cuadro que vio en una conferencia o si alguna vez escuchó a un presentador decir: "Probablemente no pueda ver bien este diagrama, pero lo que muestra es ...". ¿Qué podría ser un fracaso de un gráfico más grande que el gráfico en sí que se vuelve inútil?

La forma en que presenta los datos puede duplicar, o diezmar, su impacto, así que tome nota de estas siete formas de asegurarse de que sus datos estén haciendo su trabajo.

1) Asegúrese de que sus datos puedan verse

Esto puede sonar obvio, pero a veces estás demasiado cerca de tu presentación, literalmente. Lo que se puede leer en su computadora portátil puede ser mucho menor cuando se proyecta en una pantalla. Tu audiencia no aprenderá lo que no puede ver. Para evitar la debacle de traducir tímidamente números y etiquetas difíciles de ver, ensaye su presentación con colegas sentados tan lejos como lo haría la audiencia real. Pregúnteles: "¿Pueden ver esta tabla claramente?" Si la respuesta es cualquier cosa menos un firme "sí", rediseñe para que sea más fácil a la vista.

2) Céntrate más en los puntos que ilustran tus datos

En términos de cómics, eres la Mujer Maravilla, y los datos son tu lazo mágico, una herramienta que fortalece tu impacto pero no tiene valor hasta que lo apliques a propósito. No deje la carga de decodificar sus datos a su audiencia. Es su trabajo explicar cómo los datos respaldan sus puntos principales.

"Las diapositivas de datos no son realmente sobre los datos. Se trata del significado de los datos ", explica la experta en diseño de presentaciones Nancy Duarte. "Depende de usted dejar claro ese significado antes de hacer clic. De lo contrario, el público no procesará, y mucho menos comprará, su argumento ".

Cuando conecta datos a los puntos esenciales que admite, la transición debe ser explícita y debe ser así:

"Estos datos muestran ..."

"Este cuadro ilustra ..."

"Estos números prueban ..."

Estas transiciones pueden ser tan importantes como las conclusiones en sí mismas, porque estás atrayendo la atención del público hacia esas conclusiones.

3) Comparta uno, y solo un, punto principal de cada gráfico

La forma más rápida de confundir a su audiencia es compartiendo demasiados detalles a la vez. Los únicos puntos de datos que debe compartir son aquellos que respaldan significativamente su punto, e idealmente, un punto por gráfico. Para mantener sus cuadros bajo control, pregúntese: "¿Cuál es el aprendizaje más importante que quiero que mi audiencia extraiga de estos datos?" Ese es el aprendizaje que debes transmitir. Si tiene varios puntos importantes que hacer, considere demostrar cada uno con una nueva visualización.

El error que cometen muchos presentadores es pensar que están obligados constitucionalmente a compartir cada viñeta, idea y punto de datos en una diapositiva. Pero si comparte una tendencia fundamental que creció dramáticamente entre 2014 y 2017, lo que sucedió en 2013 puede ser inútil. Si el 77% de los encuestados prefiere un producto y el 21% prefiere otro, lo que el 2% restante prefiere también puede ser demasiado insignificante para justificar su mención.

El gurú de la presentación de datos Scott Berinato dice: “El impulso es incluir todo lo que sabes, [pero] los cuadros ocupados comunican la idea de que has estado solo eso: ocupado, como en: 'Mira todos los datos que tengo y el trabajo Hice.'"

4) Etiquetar los componentes del gráfico claramente

Si bien ha estado trabajando con el mismo gráfico durante semanas o meses, su público estará expuesto a él por solo unos segundos. Bríndeles la mejor oportunidad de comprender sus datos mediante el uso de un lenguaje simple, claro y completo para identificar los ejes X e Y, piezas circulares, barras y otros elementos esquemáticos. Intente evitar abreviaturas que no sean obvias, y no asuma que los componentes etiquetados en una diapositiva se recordarán en las diapositivas posteriores.

Algunos miembros de su audiencia son aprendices visuales (¡como yo!) Que procesan lo que ven mucho mejor de lo que oyen, por lo que la intuición visual y la claridad de su gráfico son cruciales.

5) Destacar visualmente "¡Ajá!" zonas

Cada valioso cuadro o gráfico circular tiene un "¡Ajá!" zona: un número o rango de datos que revela algo crucial para su punto.

Los presentadores inteligentes explican la relevancia del "¡Ajá!" zona oralmente, compartiendo el aprendizaje, la tendencia o la historia que cuentan los datos.

Los mejores presentadores lo explican en voz alta, pero también lo escriben en la diapositiva como una bala.

Pero los mejores presentadores hacen todo lo anterior Y resaltan visualmente el "¡Ajá!" zona con un círculo o sombreado para llegar a los alumnos diferenciados (auditivos, verbales, visuales) en su audiencia, así como para reforzar tres veces las conclusiones más importantes.

6) Escriba un título de diapositiva que refuerce el punto de datos

Incluso cuando los datos se presentan de manera efectiva en una diapositiva, la propiedad inmobiliaria más valiosa es el título de la página porque ese es el primer elemento que la audiencia notará y procesará. Pero con demasiada frecuencia, los presentadores usan palabras y frases genéricas como "Estadísticas" y "Por los números" que no tienen ningún propósito funcional.

Incluso cuando los títulos son específicos, como "Preferencias del milenio" o "Conciencia de la campaña", todavía se pueden elevar con títulos más específicos de puntos como "Millennials Prefer Mobile" o "La conciencia de la campaña está aumentando".

7) Presente a su audiencia, no a sus datos

Muchos presentadores miran sus diapositivas mientras comparten datos como si el PowerPoint fuera su audiencia. Pero solo tu audiencia es tu audiencia y, como seres humanos, reciben tus puntos mejor cuando los miras a los ojos. Esto no significa que nunca deba mirar sus datos, simplemente no tenga una conversación con ellos. Eche un vistazo a sus diapositivas como referencia, pero haga puntos críticos directamente a su audiencia.

Cuando se presentan de forma clara y precisa, los datos pueden elevar la credibilidad y la confiabilidad de su punto. Presentar mal los datos no solo desperdicia esa oportunidad, sino que puede dañar su reputación como presentador. Al igual que el lazo de Wonder Woman, es una herramienta poderosa para extraer verdades convincentes, manejarlo sabiamente.

Joel Schwartzberg supervisa las comunicaciones ejecutivas para una importante organización nacional sin fines de lucro, es un entrenador profesional de presentaciones y es el autor de “¡Ve al grano! Agudice su mensaje y haga que sus palabras importen".