TIP #3: Entender los datos desde la visión analítica

 

Los dos TIPs anteriormente analizados tenían como objetivo dar soporte a la primera fase del proceso que corresponde a la de "Conocer Necesidades", los próximos 3 TIPs corresponden a la fase de "Conocer los Datos", siendo el primero de ellos "Entender los datos desde la visión de analítica"

Es importante tomar en cuenta que los datos pueden tener múltiples consumidores, así como también tener diferente propósitos como ayudar a la operación del negocio, para la toma de decisiones o inclusive por temas legales o de cumplimiento.

Es por esto que se pueden clasificar los datos desde diferentes perspectivas, una de las cuales puede ser la que los divide en tipos de Almacenamiento, Integración, Cumplimiento y analítica según se muestra a continuación:

Como se puede observar, los que se encuentran del lado izquierdo, se podría considerar como datos brutos o sin procesar, mientras que los datos de Analítica se generan luego de aplicar unas reglas de conversión que permitan facilitar la toma de decisiones.

Profundizar sobre cada uno de estos tipos nos llevaría otro artículo completo, sin embargo lo que queremos anotar aquí es que es necesario entender los datos desde diferentes ópticas o puntos de vista, lo cual nos permitirá tener una visión más amplia de los activos con los que contamos y en función de esto poderlos utilizar de manera adecuada, por lo que basados en esto es importante que tengamos presente estos diferentes esquemas de clasificación a fin de poder hacer un inventario adecuado de lo que tenemos y que se necesitará.

Entonces para poder llevar adelante lo correspondiente a este nuevo TIP, debemos considerar los siguientes pasos:

1. Pulir los datos

2. Transforme los datos en visualizaciones

3. Equilibre costos versus valor

Para el caso de Pulir los datos, es necesario recuperar o extraerlos de su lugar origen o de su fuente, entender luego su estructura, es decir de qué tipo es (numérico, texto, fecha, etc.) y cuál es su contenido (códigos, valores, etc.), luego de lo cual será necesario establecer las relaciones que existen entre las diferentes fuentes (tablas, claves) considerando sus atributos y volumetría, lo cual nos permitirá tener una claridad de los activos con lo que contamos. 

La siguiente fase Transforme los datos en visualizaciones, permite entender el comportamiento de los datos y aquí comenzamos a sacar algunos indicadores que nos muestran su comportamiento utilizando para esto elementos estadísticos como la media, la mediana, la moda, desviación estándar, error estándar entre otros elementos que pueden ser fácilmente graficados y nos permite ver ciertas tendencias. Pero ¿qué hay de los datos que no son numéricos, ¿cómo podemos analizarlos? En estos casos es necesario llevar a cabo ciertas técnicas de análisis de textos, las cuales se muestran a continuación en el siguiente cuadro:

En el ámbito de los científicos de datos esto se llama estudio previo de los datos (o EDA en inglés).

Todo este trabajo tiene un costo importante en costos, ya que normalmente estas fases de análisis son las que más tiempo toman al momento de realizar un proyecto de analítica, esto es alrededor del 80%, por lo que es importante equilibrar el costo de realizar estos análisis versus el valor que ofrecen al negocio, tomando en cuenta que mientras más complejo sean los tipos de datos a manejar su costo será mayor pero a su vez la oportunidad de generar valor también lo será, pero para lograrlo es necesario tener presente que este trabajo de transformación de un estado nativo o bruto de los datos a un estado analítico no es un trabajo puramente técnico sino que implica un ejercicio de negocio a fin de validar las reglas de conversión que se deban aplicar para antes de utilizarlos adecuadamente.

Es por todo esto para lograr un buen entendimiento o conocimiento de los datos se requiere revisar los productos, servicios, clientes y el mercado donde la compañía está operando a fin de tener una mejor visión de negocio.

A continuación, el mapa mental correspondiente a este nuevo TIP:

El siguiente TIP tratará de la aplicación de técnicas de procesamiento de datos.

Tip #2: Crear un equipo de alto desempeño para analítica

Con el objetivo claramente establecido, el siguiente TIP está relacionado con el equipo humano para abordar el proyecto, lo cual es el tema a tratar. Para cual es necesario considerar por la Cultura.

1. Cultura de alfabetización de datos

La cultura de datos es vital para el equipo de analítica, lo cual permite crear un ambiente donde la organización utiliza los hallazgos proveniente de los datos por sobre la intuición para el proceso de toma de decisiones, para lo cual el soporte del equipo directivo es vital, el cual debe ver posiblemente la falta de soluciones de tipo analítico puede llevar a la pérdida de oportunidades y al riesgo de cumplimiento de metas.

2. Un liderazgo sólido en analítica

Es importante tener en mente que la función fundamental de la analítica de datos es la creación de valor y es aquí donde aparece la función del Chief Data Officer (CDO), quien debe tener un sólido entendimiento del negocio, la tecnología y los datos con el fin de trasladar la necesidad de las partes interesadas en resultados medibles para la organización.

Obtener valor de los datos no es un reto técnico, sino que requiere de liderazgo que implica el desarrollo e implementación de una estrategia de datos a través de toda la organización. Considerando esto, el líder debe desempeñarse en las siguientes áreas:

a. Orientación estratégica: Debe tener la habilidad de encontrar nuevas oportunidades que agreguen valor y no solo supervisar la operación analítica.

b. Liderazgo en el cambio: Desarrollando procesos que rompan los silos y desarrollo proyectos que permitan que los datos fluyan por la organización y una las iniciativas analíticas a la parte operativa.

c. Colaboración e influencia: Debe cultivar una visión completa con el fin de lugar tener influencia y lograr que el análisis fluya dentro de la organización.

3. Equipo humano para el ciclo de vida de datos

Lo ideal es poder contar con un equipo multidisciplinario que pueda abarcar todo el ciclo de vida de los datos. Este ciclo de vida está compuesto por una fase inicial de Captura de datos en donde se encuentran los sistemas transaccionales como ERP, CRM y demás (System of Record - SoR).A continuación tenemos la fase de Transformación que sirve para la limpieza,  perfilamiento, control de calidad y replicación de datos. En la fase de Análisis se crean los repositorios para luego aplicar técnicas estadísticas y dependiendo de la fase de maduración del negocio se aplica analítica descriptiva, de diagnóstico, predictiva y prescriptiva para finalmente entrar a la fase de Visualización en donde se entrega la información a los analistas de negocio.

Considerando estas fases, el equipo podría ser liderado desde el punto de vista técnico por un gerente de producto (Product Manager) o arquitecto de datos el cual tenga un enfoque de buscar una solución que tenga escalamiento y pueda ser utilizada permanentemente, en lugar de ser considerada solo para un proyecto específico.

El equipo de analítica estará constituido con personal de TI que se encargaría de las fases de Captura y Transformación, mientras que el equipo de Datos, se encargaría de las fases de Analítica y Visualización. En lo correspondiente a Analítica es donde se requieren conocimientos estadísticas, así como de programación en R o Python que son las herramientas más populares  por los Científicos de datos para la creación de modelos estadísticos. En la parte de visualización encontramos al personal experto en Business Intelligence (BI), quienes facilitan la entrega de los datos a los usuarios finales para la toma de decisiones a través de la creación de tableros o dashboard.

Finalmente se requiere el apoyo del equipo de Gobierno de Datos que dicta las normas y políticas de uso de datos.

La pregunta que surge a partir de esto es: ¿Entonces debo tener a todo este equipo humano para poder abordar proyectos de analítica desde el inicio? No, como ustedes recordarán en la introducción que hicimos antes del primer Tip, comentamos que existen diferentes niveles de maduración de analítica (Descriptiva, Diagnóstico, Predictiva y Prescriptiva), dependiendo de estos niveles de maduración va a presentarse la necesidad de tener mayor conocimiento y de ahí un equipo con la experiencia necesaria. Normalmente las empresas en el estado Descriptivo y Diagnóstico no requieren de un científico de datos, pero es muy probable que ya tengan algún encargado de BI o inclusive un área estructurada, inclusive en dichas fases apenas estén viendo la necesidad de tener un mayor control sobre los datos a nivel de calidad y seguridad, por lo que es poco probable que tengan un esquema de Gobierno de Datos, esto surge a medida que la empresa usa los datos como generaciones de negocio y es vital que los mismos se encuentren de manera adecuada para la correcta toma de decisiones, por lo que es importante entender el nivel de maduración a fin definir los recursos y conocimientos requeridos.

4. Consideraciones para la ejecución

Adicionalmente a lo mencionado es conveniente tomar en cuenta las siguientes consideraciones:

1. Trabajar de la mano con los patrocinadores: es decir aquellas partes interesadas que estén convencidas que el desempeño del negocio puede ser apalancado por el uso de los datos, con el fin de tener el apoyo correcto que impulse rápidamente el proyecto para que luego el resto de gerencias que aún no están convencidas puedan ver los resultados y apoyen también al proceso.

2. Victorias tempranas: Es importante empezar con proyectos que aunque sean pequeños puedan mostrar victorias tempranas (Quick Wins) y así apoyar al proceso, lo cual e puede hacer con pruebas de concepto, un conjunto de datos más reducido o de corta implementación.

3. Suficientemente bueno: Como dijo Voltaire "La perfección es enemigo de lo bueno", al empezar estas iniciativas no tienen que cubrir todos los aspectos requeridos por las partes interesadas, la idea es que la iniciativa tenga entregas incrementales que vayan resolviendo cada aspecto, así esto facilita entregar victorias tempranas.

Con esto finalizamos el TIP #2, el cual se resumen en un nuevo brazo del mapa mental que empezamos anteriormente.

Continuaremos con el siguiente TIP #3 Entender los datos desde la visión analítica en la próxima entrega.

BIBLIOGRAFIA

• INDUSTRIAL ANALYTICS  2016/2017, IoT Analytics, December 2016

• Data and Analytics - Data-Driven Business Models: A Blueprint for Innovation, University of Cambridge, February 2015

• The Data Science Industry: Who Does What (Infographic), DataCamp, 2015, <https://www.datacamp.com/community/tutorials/data-science-industry-infographic#gs.WS28U94> 

• Split on Data Science Skills: Individual vs Team Approach, KD Nuggets, 2014, <http://www.kdnuggets.com/2014/01/split-on-data-science-skills-individual-vs-team-approach.html> 

• Business Analysis Body of Knowledge, BABOK Guide v3, International Institute of Business Analysis, http://www.iiba.org/babok-guide.aspx

• Think Big, Start Small, Scale Fast – Digital Transformation | LinkedIn

Analytics best practices, Prashanth H Southekal, 2020

TIP #1: Vincular los objetivos de las partes interesadas con las preguntas y KPI's de analítica

Como dijo Charles Kettering "Un problema bien encarado es un problema medio resuelto" y este es el punto de partida de cualquier problema de analítica, estableciendo un objetivo que permita responder la pregunta de negocio que esté relacionada con las partes interesadas y que cuente con los KPI's que utilice la organización.

 

Para llevar a cabo esto se considerarán los siguientes pasos:

 

1. Identifique los objetivos del negocio y la analítica de las partes interesadas
2. Apalanque el objetivo con las preguntas correctas
3. Soporte el objetivo con KPI's

 

 

1. Identifique los objetivos del negocio y la analítica de las partes interesadas.

Según PMI las partes interesadas son un grupo o individuo que está relacionado con el cambio, la necesidad o la solución y en algunas situaciones esas partes relacionadas pueden tener objetivos diferentes, como por ejemplo el lograr un mayor volumen de ventas versus la optimización de costos, por lo que es importante tener una visión global de los objetivos de la compañía para poder establecer de mejor forma los objetivos de analítica.

 

Para tener una visión global del negocio y establecer los objetivos se puede considerar además de entrevistas a las partes interesadas los siguientes elementos o fuentes de información:

 

• Estados financieros: como por ejemplo hoja de balances, estados de pérdidas y ganancias, Flujo de efectivo, declaraciones de accionistas.
• Informes de evolución del negocio: como desempeño financiero, condiciones de mercado, leyes y regulaciones, nuevos proyectos, evolución de productos y servicios.
• Planes estratégicos: en donde se pueda conocer la visión de la administración.

 

Con estos elementos se podrá establecer un objetivo preliminar, al cual se le deberá aplicar los criterios SMART (Specific, Measurable, Assignable, Realistic and Time-realetd),  con el fin de que tenga una definición clara.

 

2. Apalanque el objetivo con las preguntas correctas.

Con el fin de validar la consistencia del objetivo planteado, se puede hacer una validación del objetivo considerando alguna técnica de generación de preguntas. Como por ejemplo se puede utilizar la técnica 5W1H que utiliza 6 preguntas clave a resolver sobre un tema o problemática en particular a fin de validar la consistencia del objetivo, a continuación se muestra un ejemplo de las preguntas que pueden considerarse utilizando esta técnica:

 

 

3. Soporte el objetivo con KPI's

Una vez se haya revisado el objetivo con las preguntas correctas, se puede considerar que KPI's que normalmente utiliza la empresa pueden servir de soporte para este objetivo, lo cual depende del giro de negocio, de la cultura o la necesidad estratégica, como por ejemplo algún elemento particular que puede provenir de indicadores tales como EBITDA, CAPEX u OPEX que utilice frecuentemente la empresa y que esté relacionado con el objetivo.

 

 

Con el fin facilitar la explicación con respecto a los TIP's y como estos están vinculados con el proceso de analítica, hemos desarrollado un mapa mental con las grandes actividades del proceso y los TIPs que se vinculan a cada una de ellas:

 

 

 

 

La idea es que a partir de este mapa mental, podamos ir registrando los elementos de cada TIP que para el caso del actual quedaría de la siguiente forma:

 

 

 

Continuaremos con el siguiente TIP #2 Crear un equipo de alto desempeño para analítica en la próxima entrega.

 

 

BIBLIOGRAFIA

• Creating a Data-Driven Organization, Practical Advice from the Trenches, Carl Anderson, 2015
• Analytics best practices, Prashanth H Southekal, 2020
• Two Keys To Conquering The Last Mile In Analytics (forbes.com)

• Breaking away: The secrets to scaling analytics (mckinsey.com)
• Closing the Results Gap in Advanced Analytics: Lessons from the Front Lines | Bain & Company
• With Goals, FAST Beats SMART (mit.edu)

• 5W 1H Method for Problem Solving Explained with Example (nikunjbhoraniya.com)

• BABOK  v3, A Guide to the Businness Analysis Body of Knowledge