Por ello, es necesario arrojar luz a las compañías que se encuentran en este proceso y resolver algunas preguntas que ya se están formulando las compañías: ¿cuáles son los elementos clave que apoyan la aceleración de la transformación tecnológica impulsada por los datos? ¿y qué elementos  debemos tener en cuenta a la hora de dar forma a la estrategia de datos de la compañía? Y vamos más allá, porque también ha surgido la necesidad de   describir los procesos de value hacking y de seguimiento de los beneficios para medir el valor que pueden aportar los datos, porque a evaluación del valor debe guiar a la Dirección en el complejo proceso de transformación en el que se encuentran la mayoría de las organizaciones en la actualidad.

Nivel de madurez de los datos en las organizaciones en la actualidad

En el mercado vemos que las organizaciones impulsadas por los datos están creciendo más rápido que el resto. Esto está haciendo que muchas organizaciones inviertan seriamente en mejorar su capacidad de análisis de datos con la ambición de impulsar el valor del negocio.

Tener éxito en este sentido no solo implica invertir en tecnología, infraestructura y contratar a un cierto número de científicos de datos, sino que convertirse en una organización data driven también requiere cambios en la cultura, el modelo operativo de la organización y la obtención de un valor “real” a través de casos de uso que permitan identificar claramente el resultado obtenido.

La mayoría de las organizaciones han centrado sus esfuerzos principalmente en adquirir y desarrollar las condiciones fundamentales para convertirse en una organización basada en datos. Nos referimos a los siguientes elementos:

• Fundamentos técnicos de los datos
• Creación de un ecosistema de socios con conocimientos tecnológicos
• Crear conciencia a nivel interno
• Ejecución de algunos pilotos iniciales de D&A

En cualquier caso, la mejora de la analítica de datos es un viaje largo y complejo que requiere la atención de varios pilares estratégicos.

La conexión entre las necesidades del negocio y las respuestas que facilitan los datos

Y el primer paso es definir la estrategia de datos, para lo que necesitamos sentar unas buenas bases pues un factor de éxito crítico es conectar las demandas del negocio con las posibilidades que ofrecen los datos internos y externos. El objetivo es definir y seleccionar los casos de uso con impacto real sobre la cuenta de resultados y, al mismo tiempo, analizar los distintos elementos de la cadena de valor para acelerar la industrialización de futuros casos de uso en las diferentes áreas de negocio.

Para ello, es importante identificar cuáles son los puntos fuertes y débiles en lo que respecta a la estrategia de D&A, ya que hay que comenzar por resolver los puntos más débiles y en consecuencia construir una hoja de ruta realista que permita visualizar de forma ordenada los próximos pasos.

La mayoría de las organizaciones se autocalifican como maduras si evaluamos aspectos como la visión y ambición, o la organización y gobernanza de D&A, siendo el principal reto corregir la brecha en la ejecución.

Aspectos estratégicos para convertirse en una organización data driven

A la hora de definir los pilares que definen una organización data driven, podemos centrarnos en los siguientes pilares estratégicos (ver figura 1):

• Visión y ambición: ¿Cómo deberían contribuir los datos a nuestros objetivos estratégicos a largo plazo (por ejemplo, excelencia operativa, interacción con el cliente, lanzamiento de nuevos productos/servicios, etc.)?
• Casos de uso: ¿Qué iniciativas deberíamos poner en marcha para ayudar a alcanzar los objetivos estratégicos a través de los casos de uso de la analítica de datos?
• Organización y gobernanza: ¿Qué modelo operativo objetivo se requiere para ejecutar y apoyar con éxito nuestras iniciativas de datos?
• Ecosistemas: ¿Cuáles son nuestros socios clave con los que debemos trabajar para poder impulsar el valor a través de la analítica de datos? Puede tratarse tanto de socios tecnológicos como, por ejemplo, de proveedores/clientes que participan en las diferentes etapas de la cadena de valor.
• Arquitectura y tecnología: ¿Qué tecnologías debemos aprovechar para construir una plataforma de datos flexible y escalable que apoye el desarrollo y el despliegue de nuestros casos de uso de D&A?
• Personas y cultura: ¿Cómo crear una cultura impulsada por los datos y la alfabetización de los mismos en toda la plantilla (con recursos tanto internos como externos)?
• Datos y análisis de confianza: ¿Cómo podemos crear confianza en los datos, garantizar la transparencia de los algoritmos y la tecnología utilizados y realizar controles (éticos) para nuestros análisis?

¿Qué areas están adoptando D&A y para qué tipo de análisis?

Actualmente, la mayoría de las áreas de negocio y soporte han empezado a integrar la analítica de datos en sus procesos, observándose la mayor adopción y uso de la analítica de datos en áreas como Ventas, Marketing y Finanzas, mientras que, por ahora, el impacto en áreas como RRHH en general es bajo. Esto podría estar relacionado con la sensibilidad especial y precaución con la que se deben tratar los datos relacionados con personas.

Por otra parte, en el ámbito de Riesgos, que puede parecer un área de negocio no prioritaria para aprovechar las capacidades analíticas, observamos un impacto creciente de la analítica de datos. En la figura 3 puede verse el nivel de penetración de D&A en las diferentes áreas de las compañías.

Con todo ello, podemos decir que en general los informes y la visualización de datos tradicional están desplegados de forma bastante generalizada en todas las áreas y funciones de las empresas, mientras que la adopción de modelos de analítica más avanzados tiene todavía un gran recorrido por delante. Por lo que romper los silos internos de la organización e implementar la analítica avanzada en todas las funciones sigue siendo un reto para muchas organizaciones.

Asimismo, las organizaciones están empezando a obtener resultados mediante el uso de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML). Existe un reconocimiento generalizado del valor añadido potencial de la IA, pero la mayoría de las organizaciones aún están lejos de haber adoptado realmente su potencial en toda la organización. Solo las organizaciones más maduras son capaces actualmente de utilizar ampliamente la IA o la analítica avanzada y de impulsar realmente el valor empresarial, mientras que otras parecen estar estancadas en la “fase de prueba”.

El reto de generar valor tangible con D&A

Medir el valor de las iniciativas de D&A es una de las mayores oportunidades, pero también uno de los retos clave a los que se enfrentan las organizaciones hoy en día para convertirse en líderes digitales.

En general, menos de la mitad de las organizaciones son capaces de medir el valor que aporta la analítica de datos. Sin embargo, esta habilidad tiene un retorno realmente positivo para la compañía. Sin ir más lejos, ser capaz de “demostrar” el valor que los datos generan dentro de una organización ayuda a desbloquear nuevas inversiones con mayor facilidad, lo que podría aumentar la brecha aún más entre las organizaciones “líderes” y las “emergentes”, en el ámbito de D&A. La capacidad de medir el valor es un indudable factor de éxito y puede considerarse metafóricamente como la “brújula” necesaria para que las organizaciones sigan avanzando en la dirección correcta.

Para comenzar a medir el valor esperado y generado por las soluciones de D& A, las organizaciones deben invertir tiempo y esfuerzo al principio para explorar el potencial de valor de las soluciones a implantar mediante un proceso que denominamos “Value Hacking“.

Por otra parte, es importante implementar un modelo de seguimiento de los beneficios obtenidos por los casos de uso de D&A (incluyendo directrices en torno a los procesos, las herramientas y la estructura de gobierno) para agilizar la gestión del valor una vez que los modelos y las ideas se desarrollen y se desplieguen a los stakeholders del negocio.

El reto de tratar los datos como un activo

A medida que las organizaciones toman conciencia del valor de sus datos y del valor que supone gestionarlos de forma eficaz, hay varios temas que encabezan la agenda de gestión de los datos: la supervisión, la búsqueda y el gobierno de los mismos. Para convertirse en una organización verdaderamente orientada a los datos es importante empezar a tratarlos como un activo.

Con el auge de la analítica, ha aumentado la necesidad de contar con datos buenos. Sin embargo, las inversiones en programas de gestión de datos suelen quedarse en segundo plano ya que las organizaciones no consideran la gestión de datos como una prioridad en su agenda estratégica.

Cuando se gestionan los datos de manera consistente, la calidad de los datos mejora y asimismo mejora la confianza en la analítica y como resultado se toman mejores decisiones. Lo anterior permite acelerar la ejecución de los análisis, ya que no es necesario que los usuarios (de datos) dediquen una media del 80% de su tiempo a buscar y/o limpiar datos.

Así, para una implementación exitosa, deberíamos tener en cuenta estos cinco pasos:

1. Definir las prioridades estratégicas en materia de datos e identificar las áreas que requieren más inversión
2. Publicar los éxitos rápidamente para aumentar la concienciación y la adopción
3. Conseguir que el máximo de áreas y usuarios se sumen al movimiento D&A
4. Hacer un seguimiento periódico de la adopción de la gestión de datos
5. Invertir en habilidades y en la adopción, no sólo en una nueva solución tecnológica

La arquitectura de datos

Como la tecnología es un componente integral de cualquier transformación digital, la arquitectura de soluciones de datos es esencial para mejorar la toma de decisiones basada en datos. Las soluciones de datos deben definirse en toda la cadena de valor de los datos, desde los sistemas operativos, las soluciones de gestión y procesamiento de datos, una o varias plataformas ERP y hasta las herramientas de informes y análisis. Para cualquiera de estas soluciones es importante identificar a los usuarios y requisitos adecuados. La arquitectura de datos debe estructurar estos elementos bajo una solución global, sólida y escalable para abordar los retos tecnológicos futuros.

¿Cómo integramos de forma estructural los algoritmos en los procesos de negocio y los hacemos confiables?

Muchas organizaciones están reflexionando sobre sus soluciones existentes y ahora se esfuerzan en conseguir un marco más integrado para conectar sus sistemas operativos de manera uniforme a una plataforma de datos global empresarial. Estos ejercicios pueden suponer procesos largos de solicitud de propuestas y comparaciones de proveedores si el propósito de la plataforma no está claramente articulado y los requisitos no han sido definidos en detalle.

Por este motivo, a muchas organizaciones les resulta difícil industrializar su enfoque e integrar los algoritmos en los procesos de negocio clave de forma más estructural. Esto es especialmente cierto cuando se trata de organizaciones con un mapa de sistemas amplio y diverso. Su reto no es sólo garantizar la calidad de los datos, sino también armonizarlos. Utilizar herramientas y desarrollar casos de uso en compartimentos aislados ya no es una opción. Hoy en día, las organizaciones necesitan un enfoque sólido para combinar los datos de todas las unidades de negocio y departamentos corporativos.

Como paso inicial en este sentido, debe definirse un enfoque que combine las mejores prácticas de la industria para el almacenamiento de datos, el procesamiento de datos, la gestión de datos, las visualizaciones y los análisis en un conjunto de soluciones de fácil implementación, adaptados a los requisitos de la organización sobre la base de los últimos conocimientos y experiencias.

Como ya sabemos, la adopción de la analítica avanzada está creciendo rápidamente y se está convirtiendo en un factor importante para el éxito general de las compañías, sin embargo, el uso de la analítica también introduce nuevos riesgos.

Para mejorar la confianza en los datos, las soluciones de D&A deben desarrollarse e implementarse de forma proporcional a los riesgos e impactos potenciales que las mismas generan sobre los usuarios que las utilizan. Y por supuesto, sin olvidar  los aspectos éticos, que también deben ser considerados. Porque a falta de un marco legislativo, las organizaciones deberán considerar la adopción y la implementación de un conjunto de principios para el uso ético de las soluciones basadas en datos.