Los datos son el nuevo petróleo. Como tal, debe ser procesado y refinado para poder ser usado. ¿Hace tu compañía un uso efectivo de los datos?
Tal y como comentamos en el post fundacional, según FORTUNE en un post de principios del 2016, sólo el 20% de los directores piensan que su compañía hace un uso «altamente efectivo» de los datos. Ahora, la pregunta del millón es: ¿hace su compañía un uso efectivo de los datos? O, mejor aún, ¿su compañía usa datos?
Todas las compañías tienen datos, y es relativamente fácil comenzar a usarlos: sencillamente comience recolectando algunos datos en diversos sistemas y haga algún procesamiento sobre ellos (aunque sea manual). Muy rápidamente nos damos cuenta que hacer un uso (altamente) efectivo de los datos es bastante más difícil de lo que habíamos imaginado. En cualquier caso, centraremos el resto de este post en aquellas compañía que, de una manera u otra ya usan datos y desean hacer un uso más efectivo de los mismos.
El ejercicio clave es determinar qué quiere decir hacer un uso (altamente) efectivo de los datos. Para ello, lo haremos de la manera inversa: determinaremos qué es un uso inefectivo de los datos a partir de situaciones que nos hemos ido encontrando en los últimos años. ¿Serás capaz de pasar el test?
Test #1: ¿Qué tres KPI (indicadores clave de rendimiento) compruebas cada mañana cuando te sientas en tu escritorio? Si la respuesta a esta pregunta no es otra cosa que un conjunto claro y conciso de indicadores o cuadros de mando, entonces tu compañía hace un uso inefectivo de los datos.
Test #2: ¿Los datos que extraes generan alguna duda sobre su calidad? ¿Son datos fiables? ¿Son legibles? Si una sola de las respuestas es «no», entonces tu compañía hace un uso inefectivo de los datos.
Test #3: ¿Tardas demasiado tiempo en extraer datos? Entonces tu compañía hace un uso inefectivo de los datos.
Test #4: ¿Puedes extraer y cruzar datos de diversas fuentes? Si no, o se trata de un proceso manual, o algunas de las fuentes no son accesibles, entonces tu compañía hace un uso inefectivo de los datos.
Test #5: ¿Puedes leer grandes cantidades de datos? Si Excel parece quedarse corto y no se usa ninguna otra herramienta para hacerlo, entonces tu compañía hace un uso inefectivo de los datos.
Test #6: ¿Puedes extraer datos por ti mismo? Si necesitas estar permanentemente pidiendo ayuda (normalmente por la complejidad de los sistemas involucrados), entonces tu compañía hace un uso inefectivo de los datos.
Test #7: ¿Los descubrimientos son comunicados y entendidos (no necesariamente compartidos) por todo el mundo? Si los datos dan lugar a confusión o son pobremente comunicados, entonces tu compañía hace un uso ineficiente de los datos.
Test #8: ¿Experimentas montones de burocracia que hace que quienes tienen que tomar las decisiones no sean provistos con la información correcta y a tiempo? Entonces tu compañía hace un uso inefectivo de los datos.
Test #9: ¿Tienes preguntas concretas que debas contestar, y entonces determinas dónde se encuentra la información necesaria para responderla? Si es que no, entonces tu compañía hace un uso inefectivo de los datos.
Test #10: ¿Tomas acciones concretas a partir de los datos y de los descubrimientos? Si es que no, entonces sólo estás coleccionando información. Por lo tanto, tu compañía hace un uso inefectivo de los datos.
Tu compañía, pues, alcanza una cultura data-driven sí y sólo sí ninguna de las diez situaciones arriba mencionadas tiene lugar. Por lo tanto, ¿cómo las resolvemos?
Solución para #1: Definir KPI, organizarlos y conceptualizar cuadros de mando. Comienza por una servilleta y después pásalos a un papel. Luego haz que alguien lo tenga listo cada mañana en un PDF correctamente distribuido, y asegúrate de tenerlo en tu bandeja de entrada cada mañana. Por último, evoluciona hacia una herramienta de BI.
Solución para #2: Si los datos no son fiables, entonces debemos investigar en qué punto los datos dejan de serlos, tanto entre sistemas como dentro de los mismos. De la misma manera, es posible que haya errores en el proceso de extracción o que los procesos de transformación y manipulación sean defectuosos. El primer caso requerirá probablemente de procesos de congelación de datos. El segundo y tercer caso probablemente necesite nuevas reglas de manipulación.
Solución para #3: Si los datos tardan años en ser extraídos, es posible que las fuentes sean lentas de por sí (API de SalesForce, por ejemplo). También es posible que los procesos de transformación y manipulación presenten fallos o que la herramienta de reporting no esté optimizada. Por último y no menos importante, es posible que que tu departamento de BI esté ahogado en peticiones.
Solución para #4: Si tienes muchas fuentes de datos que necesiten ser accedidas y cruzadas. se deberán definir procesos ETL (Extract, Transform, Load). Si el volumen de datos es verdaderamente grande, un Data Warehouse (DWH) puede ser una buena solución.
Solución para #5: Lo primero es preguntarse si se necesita tal cantidad de datos. Si resulta que sí, entonces se pueden hacer pre-procesamientos y cálculos de datos en servidor. Si esto no es posible (aunque apostamos a que sí se puede), se deberá buscar una herramienta que sea capaz de leer tal cantidad de datos.
Solución para #6: La capacidad de servirse por sí mismo es una quimera para muchas compañías, pero a la vez es algo deseable. Se debe comenzar por decir que no a peticiones sencillas. Forma a tu gente y hazlo muy simple (no necesariamente barato): implementa una herramienta de reporting y enseña a tu gente (desde el analista hasta el CEO) a usarla. Se puede comenzar por tablas muy sencillas que no pueden ser modificadas. Más adelante (mucho más temprano de lo que puede parecer) los usuarios irán pidiendo derechos de modificación y edición.
Solución para #7: Comprueba dónde están los cuellos de botella. Asegúrate que tus analistas tengan buenos dotes de comunicación. Aplica el Principio de Comunicación Piramidal, de Barbara Minto. Y, por favor, evita presentaciones con decenas de diapositivas. La clave es el foco.
Solución para #8: Nuevamente, hay que analizar dónde están los cuellos de botella. Asegúrate que las personas que tienen que tomar las decisiones pueden acceder a los datos (¡y asegúrate de que usan datos!). También es posible que el departamento de BI o de Análisis necesite mejorar en transparencia. La clave puede estar en mejorar los procesos de feedback.
Solución para #9: Por favor, evita el Síndrome de Diógenes en versión datos. No es necesario almacenar todos los datos a la espera de que, por algún milagro, se obtengan descubrimientos a partir de ellos. Hay que conocer bien la estrategia y las operaciones del negocio para identificar los puntos claves que necesiten una decisión. Entonces, y sólo entonces, trata de descubrir qué datos son necesarios. Si los datos están ahí, úsalos. Si no, comienza a almacenarlos inmediatamente.
Solución para #10: Un buen consejo es el de evitar tener montones de cuadros de mandos y KPI (nuevamente, la clave es el foco). Una buena herramienta es el del «Test de las Tres Capas de para qué» (Three Layers of So What Test). A cada indicador, cuadro de mando o análisis se le pregunta: ¿para qué? Frecuentemente, la respuesta a esta pregunta vuelve a requerir nuevamente la pregunta: ¿para qué? Si a la tercera vez que se hace la pregunta no aparece una recomendación clara de qué hacer, entonces el análisis, KPI o cuadro de mando es totalmente inútil. Tírelo.
En todo caso, si esto suena muy complicado, no tiene más que contactarnos: es.ducks-in-a-row.es.
Para acabar, sólo queremos mencionar que los datos representan, o deben representar, acción. Para que esto pase, los datos deben ser accesibles, fiables y comunicados de manera eficiente. Entonces, y sólo entonces, tu compañía estará haciendo un uso efectivo de los datos.
