[22/05/2023] No es ninguna sorpresa que convertirse en una empresa basada en datos sea una de las prioridades de la agenda corporativa. Según un reciente informe de IDC, las empresas conocedoras de los datos triplican la mejora de los ingresos, casi triplican la probabilidad de reducir el tiempo de comercialización de nuevos productos y servicios, y más que duplican la probabilidad de mejorar la satisfacción del cliente, los beneficios y la eficiencia operativa.
Sin embargo, según una encuesta realizada en enero por NewVantage Partners a ejecutivos de datos e información, sólo una cuarta parte de las empresas se describen a sí mismas como impulsadas por los datos, y sólo el 21% afirma tener una cultura de datos en sus organizaciones.
[Reciba lo último de CIO Perú suscribiéndose a nuestro newsletter semanal]
Varios factores clave ayudan a explicar esta desconexión, pero las cuestiones culturales fueron citadas por el 80% de los encuestados como el principal factor que les impide obtener valor de sus inversiones en datos, mientras que sólo el 20% señaló las limitaciones tecnológicas. Según la experiencia de los expertos que han superado estos obstáculos de primera mano, también quedan otros.
Reconocer los datos erróneos
Incluso la mejor de las estrategias analíticas puede descarrilar si los datos subyacentes son malos. Pero resolver los problemas de calidad de los datos requiere una comprensión profunda de lo que significan los datos y de cómo se recopilan. Resolver los datos duplicados es un problema, pero cuando los datos son erróneos, es mucho más difícil de solucionar, señala Uyi Stewart, director de datos y tecnología de Data.org, una organización sin ánimo de lucro respaldada por el Centro Mastercard para el Crecimiento Inclusivo y la Fundación Rockefeller.
"El reto de la veracidad es mucho más difícil y lleva más tiempo", afirmó. "Aquí es donde se requieren conocimientos especializados que permitan separar los hechos de la ficción".
Los simples conocimientos técnicos no bastan. Eso es lo que descubrió Lenno Maris cuando se incorporó a FrieslandCampina, una cooperativa láctea multinacional, en el 2017, cuando la empresa se embarcaba en un plan estratégico para convertirse en una empresa basada en datos.
Se trataba de un gran reto. La empresa cuenta con más de 21 mil empleados en 31 países, y tiene clientes en más de cien países. Pronto quedó claro que la calidad de los datos iba a ser un gran obstáculo.
Por ejemplo, el inventario se registraba en función del número de palés, pero los pedidos se basaban en el número de unidades, explica Maris, director global senior de datos y autorizaciones empresariales de la empresa. Esto significaba que había que hacer conversiones manuales para garantizar que se entregaban las cantidades correctas al precio adecuado.
Por ejemplo, los códigos de mercancías. Cada planta introducía el código de materia prima que mejor se ajustaba al producto, y las distintas plantas utilizaban códigos diferentes para reclamar los impuestos de importación y exportación. "Pero los informes fiscales se realizan a nivel corporativo, por lo que se necesita coherencia", sostiene Maris.
Para solucionar los problemas de datos, FrieslandCampina tuvo que evolucionar su organización de datos. Al principio del proyecto, el equipo se centraba sobre todo en los detalles técnicos de la introducción de datos. Pero eso cambió rápidamente.
"Hemos podido reciclar a nuestro equipo para que se convierta en experto en procesos, calidad de datos y dominio", afirma Maris. "Eso nos permite hacer la transición a un soporte de datos proactivo y convertirnos en asesores de nuestros compañeros de negocio".
Del mismo modo, la plataforma tecnológica elegida para ayudar a la empresa a mejorar la calidad de sus datos, Syniti, también tuvo que adaptarse.
"La plataforma es buena, pero muy técnica", afirma Maris. "Así que tuvimos algunos problemas con la adopción por parte de nuestros usuarios empresariales. Hemos desafiado a Syniti a proporcionar una interfaz de usuario relevante para el negocio".
En el 2018, los objetos de datos maestros de nivel 1 estaban en su lugar: proveedores, materiales, clientes y finanzas. Al año siguiente, esto se amplió a objetos de datos de nivel 2, incluidos contratos, listas de materiales, rebajas y precios. A finales del 2022, la empresa había terminado de orquestar los flujos lógicos de negocio y el proyecto estaba totalmente implantado. El resultado fue una mejora del 95% en la calidad de los datos y del 108% en la productividad.
"Antes de la implementación de la plataforma de datos fundacionales, teníamos más de 10 mil horas de retrabajo en nuestros datos maestros sobre una base anual", anota. "Hoy, esto se ha reducido casi a cero".
La calidad de los datos también era un problema en Aflac, señala Shelia Anderson, CIO de Aflac. Cuando Aflac comenzó su viaje hacia convertirse en una empresa basada en datos, había diferentes operaciones comerciales en los diversos libros de negocios de Aflac, comenta.
"Había múltiples sistemas de entrada de datos, lo que presentaba incoherencias en la calidad de los datos", afirma. Esto dificultaba la obtención de información útil a partir de los datos". Para resolver el problema, Aflac adoptó un enfoque digital centrado en el cliente. Esto requirió la consolidación de datos en varios ecosistemas y, como resultado, la experiencia del cliente ha mejorado, y la empresa ha podido aumentar la automatización en sus procesos de negocio y reducir las tasas de error.
"Una ventaja significativa es que libera ancho de banda para los agentes de atención al cliente, lo que les permite centrarse en reclamaciones de mayor complejidad que requieren un toque más personal", sostiene.
Ver la consolidación de datos como un problema tecnológico
Uno de los anteriores jefes de Randy Sykes pasó ocho años construyendo un almacén de datos sin éxito.
"Eso se debió a que intentamos aplicar técnicas estándar de desarrollo de sistemas, sin asegurarnos de que el negocio le acompañaba al pie de la letra", afirma.
Hoy, Sykes es director informático de servicios de datos en Hastings Mutual Insurance Co. Esta vez, adoptó un enfoque diferente para consolidar los datos de la organización.
Hace diez años, la empresa decidió reunirlo todo en un almacén de datos. En aquel momento, los informes tardaban 45 días en elaborarse, y los usuarios no disponían de la información necesaria para tomar decisiones empresariales.
En primer lugar, los datos se recopilaban en una zona de aterrizaje mediante importaciones nocturnas por lotes desde los sistemas heredados. A continuación, se trasladaban a una área de preparación, donde se aplicaban reglas de negocio para consolidar y conciliar los datos de los distintos sistemas. Esto requería un profundo conocimiento del funcionamiento de la empresa y del significado de los datos. Pero esta vez, el proyecto tuvo éxito porque había expertos en la materia en el equipo.
"Teníamos un par de personas de negocios que llevaban mucho tiempo en la empresa y conocían muy bien la organización", señala. "En realidad, para tener éxito hay que contar con un equipo interfuncional".
Por ejemplo, los distintos sistemas de pólizas de seguros pueden tener términos diferentes, y distintas áreas de cobertura y riesgos. Para consolidar toda esta información, el equipo de datos debe conocer bien el lenguaje empresarial y las reglas necesarias para transformar los datos brutos en un formato universal.
"Ese es el mayor reto al que se enfrentan las empresas", afirma. "Intentan obtener los datos y unirlos técnicamente y se olvidan de la historia empresarial que hay detrás de la información. Muchas veces, este tipo de proyectos fracasan".
Hoy en día, un informe que solía tardar 45 días puede estar listo en 24 horas, comenta. Además, a medida que las bases de datos se modernicen y se basen en eventos, la información estará disponible en tiempo real.
Sin beneficios empresariales a corto plazo
Una vez que Hastings comenzó a reunir datos, el proyecto de datos comenzó a producir valor para la empresa, en el plazo de un año, a pesar de que el proyecto de almacén de datos, que comenzó en el 2014, no se entregó hasta el 2017.
Esto se debe a que las áreas de aterrizaje y puesta en escena ya estaban proporcionando valor en términos de recopilación y procesamiento de los datos.
Los proyectos de datos tienen que aportar valor empresarial durante todo el proceso, afirma Sykes. "Nadie va a esperar eternamente".
Una "victoria rápida" similar contribuyó al éxito de un importante proyecto de datos para Denise Allec, consultora principal de NTT Americas, cuando era directora de TI corporativa en una gran empresa.
Un proyecto de prueba de concepto de seis semanas demostró que el proyecto tenía valor, afirma, y ayudó a superar retos como la reticencia de las unidades de negocio a renunciar a sus silos de datos.
"Para muchos, renunciar a la propiedad de los datos representa una pérdida de control", afirma. "La información es poder".
Pero este tipo de acaparamiento de datos no se limita a los altos ejecutivos.
"Los empleados tienden a no confiar en los datos de los demás.
Quieren validar y depurar sus propias fuentes, y masajear y crear sus propias herramientas de informes que funcionen para sus necesidades únicas.
"Todos hemos visto las numerosas bases de datos duplicadas que existen en una empresa y los problemas que surgen de esta situación", afirma.
Elegir proyectos de datos que no tengan beneficios inmediatos es un obstáculo importante para el éxito de las iniciativas de datos, confirma Sanjay Srivastava, estratega digital jefe de Genpact.
"Hasta que no se hace esto, todo es una discusión teórica".
La otra cara de la moneda es elegir proyectos que no tengan capacidad de ampliación, otro obstáculo importante.
Sin la capacidad de escalar, un proyecto de datos no tendrá un impacto significativo a largo plazo, sino que consumirá recursos para un caso de uso pequeño o idiosincrásico.
"La clave está en cómo ofrecer valor empresarial a trozos, en un plazo de tiempo que mantenga la atención de la gente y que sea escalable", afirma.
No dar a los usuarios finales las herramientas de autoservicio que necesitan
Dar prioridad a los usuarios de la empresa significa proporcionarles los datos que necesitan en la forma en que los necesitan. A veces, eso significa hojas de cálculo de Excel. En Hastings, por ejemplo, el personal copiaba y pegaba históricamente los datos en Excel para poder trabajar con ellos.
"Todo el mundo usa Excel", sostiene Sykes. "Ahora decimos: '¿Por qué no les damos los datos para que ya no tengan que copiarlos y pegarlos?".
Pero la empresa también ha creado cuadros de mando. En la actualidad, una cuarta parte de los 420 empleados de la empresa utilizan los cuadros de mando, así como agencias externas.
"Ahora pueden ayudar a los agentes a hacer ventas cruzadas de nuestros productos", indica. "Antes no teníamos eso".
Pero proporcionar a la gente las herramientas analíticas de servicio que necesitan es un reto. "Todavía vamos un poco por detrás de la bola ocho", indica. Pero con 200 cuadros de mando centrados en el negocio ya en marcha, el proceso está bien encaminado.
Otra organización que ha iniciado recientemente el proceso de democratización del acceso a los datos es el Hospital Infantil de Dayton (Ohio).
"Hace cinco años no lo hacíamos tan bien", afirma el director de información, J.D. Whitlock. "Todavía había muchas hojas de cálculo. Ahora utilizamos la pila de datos de Microsoft, como hace mucha gente. Así que mientras alguien sepa un poco cómo usar PowerBI, estamos sirviendo los datos apropiados, en el formato apropiado, con la seguridad apropiada".
Además, los analistas de datos también se han descentralizado, por lo que la gente no tiene que acudir a un solo equipo con sus preguntas sobre datos.
"Digamos que quiere saber cuántos procedimientos de X hizo el médico Y el año pasado", comenta Whitlock. "Es una consulta relativamente sencilla. Pero si no das a la gente las herramientas para hacerlo por sí mismos, entonces tienes miles de peticiones".
Poner en marcha herramientas de autoservicio de datos ha ayudado a la empresa a avanzar hacia una organización basada en datos, afirma. "Con la advertencia de que siempre es un viaje y nunca declaras la victoria".
No incluir a los usuarios finales en el proceso de desarrollo
Ignorar las necesidades de los usuarios es casi siempre una receta para el desastre. Por ejemplo, Nick Kramer trabajó recientemente con una empresa nacional de servicios de restauración, con oficinas en 46 estados de Estados Unidos y hasta 500 millones de dólares de ingresos anuales. Kramer es el responsable de soluciones aplicadas de SSA & Company, una consultora global. La empresa de servicios de restauración estaba creciendo rápidamente, pero los niveles de servicio estaban bajando.
"Todo el mundo se señalaba con el dedo", indica. "Pero el CIO no tenía cuadros de mando ni informes: solo anécdotas y opiniones".
Uno de los problemas era que se ignoraba mucho el sistema de instalación central. Los empleados actualizaban los registros, pero a posteriori. El sistema les había sido impuesto y era difícil de utilizar.
"La gente del departamento de pedidos, de ventas, del departamento jurídico y de instalación tenía sus propias hojas de cálculo con las que elaboraban sus calendarios", explica Kramer. "No había comunicación y los datos no fluían. Así que había que ir oficina por oficina para averiguar quién hacía qué y cómo, y qué retrasos eran irresolubles y cuáles podían solucionarse".
La solución fue acercarse a los usuarios empresariales, para entender cómo se utilizaban los datos.
Joshua Swartz, socio de Kearney, tuvo una experiencia similar hace poco, cuando trabajaba en un proyecto de consultoría con una empresa alimentaria estadounidense con varios miles de millones de ingresos anuales.
La empresa quería que los jefes de producción pudieran tomar mejores decisiones sobre qué producir basándose en datos reales.
"Por ejemplo, hay una línea de producción en un determinado centro de producción que puede fabricar chips de tortilla o pan de pita", explica Swartz. "Si hay que cambiar, hay que parar, limpiar y cambiar los ingredientes".
Pero, por ejemplo, la forma antigua era hacer cuatro horas de tortillas y cuatro horas de pan de pita, y los datos muestran que hay que hacer dos horas de chips de tortilla, y mañana puede ser al revés. Y como los productos alimentarios son perecederos, equivocarse en la producción significa que habría que tirar parte del producto. Pero cuando la empresa diseñó por primera vez su solución, los trabajadores de producción no participaron, sostiene Swartz. "Estaban demasiado ocupados produciendo alimentos y no tenían tiempo de pararse a asistir a reuniones".
No se esperaba que esto fuera un problema porque la cultura de la empresa era jerárquica. "Cuando el director general dice algo y da un puñetazo en la mesa, todos tienen que seguirle", anota.
Pero el nuevo sistema sólo se utilizó un par de semanas en el centro piloto, y luego los empleados se dieron cuenta de que el sistema no les funcionaba realmente y volvieron a hacer las cosas a la antigua usanza. Tampoco ayudó que el zar de los datos de la empresa estuviera situado un par de niveles más abajo en la organización tecnológica de la empresa, en lugar de estar más cerca de la alta dirección o de las unidades de negocio.
Para solucionar el problema había que llevar a los empleados reales a la sala de diseño, aunque para ello fuera necesario aumentar la capacidad de las líneas de producción para liberar trabajadores.
"Las empresas alimentarias con márgenes muy estrechos no se sentían cómodas haciendo esa inversión", afirma Swartz. Pero cuando entraron a formar parte del proceso, pudieron contribuir a la solución, y hoy entre un tercio y la mitad de las instalaciones utilizan la nueva tecnología".
Swartz también recomienda que el director de datos se sitúe más cerca de los datos más valiosos de la empresa.
"Si los datos son un activo estratégico de la empresa, yo situaría al CDO más cerca de la parte de la empresa que tiene la propiedad de los datos", afirma. "Si la organización se centra en el uso de los datos para la eficiencia operativa, entonces bajo el COO podría ser el lugar adecuado".
Sin embargo, una empresa orientada a las ventas podría querer poner al CDO bajo el responsable de ventas, y una empresa de productos, bajo el responsable de marketing, indica. En una empresa de bienes de consumo con la que trabajó, el CDO dependía directamente del CEO.
"Si pensamos en los datos como un problema tecnológico, seguiremos encontrándonos con el problema de cuánto valor estamos obteniendo realmente de los datos y el análisis", afirma Swartz.
Falta de confianza
El uso responsable de los datos es importante para el éxito de las iniciativas de datos, y en ningún lugar más que en las finanzas.
"La confianza es de suma importancia en el sector bancario", afirma Sameer Gupta, director de análisis de DBS Bank. "Es crucial utilizar los datos y los modelos de forma responsable, y hay que tener en cuenta consideraciones éticas al usar los datos".
El uso de los datos debe ser intencionado, respetuoso y explicable, y nunca debe ser una sorpresa. "Las personas y las empresas deben esperar que se utilicen los datos", afirma.
Al centrarse en la confianza, añade, el banco ha sido capaz de desplegar casos de uso de IA y datos en toda la empresa -260 en el último recuento- que van desde negocios orientados al cliente como la banca de consumo y de pequeñas y medianas empresas, a funciones de apoyo como el cumplimiento, el marketing y los recursos humanos.
"En el 2022, el aumento de los ingresos de nuestras iniciativas de IA y aprendizaje automático fue de unos 150 millones de SGD [112 millones de dólares], más del doble que el año anterior", afirma. "Aspiramos a alcanzar los mil millones de SGD en los próximos cinco años".
Ganarse la confianza requiere tiempo y compromiso. Convertirse en una empresa basada en datos es casi imposible sin ella. Pero una vez ganada la confianza, comienza un círculo virtuoso. Según un estudio de gestión del cambio de CapGemini publicado en enero, en las organizaciones con una sólida analítica de datos, es un 18% más probable que los empleados confíen en la empresa. Y cuando esas empresas necesitan seguir evolucionando, la probabilidad de éxito del cambio es entre un 23% y un 27% mayor que en otras organizaciones.
"Mucha gente, incluidos los expertos en datos, piensa que la mayoría de los problemas en la transición hacia una empresa basada en datos están relacionados con la tecnología", afirma Eugenio Zuccarelli, científico de datos de un minorista global y antiguo científico de investigación de IA en el MIT.
Pero los verdaderos obstáculos son personales, señala, ya que la gente tiene que aprender a entender el valor de tomar decisiones basadas en datos.
"Mientras investigaba en el MIT, a menudo vi a expertos y líderes de organizaciones luchar con su transición hacia convertirse en una organización más impulsada por los datos", añade. "Los principales problemas solían ser culturales, como la creencia de que la tecnología habría superado su toma de decisiones, en lugar de potenciarlas, y una tendencia general a tomar decisiones basadas en la experiencia y las corazonadas".
La gente tiene que entender que su experiencia sigue siendo vital, agrega, y que los datos están ahí para proporcionar una aportación adicional.
Las empresas tienen que dejar de pensar que convertirse en una empresa basada en datos es un problema tecnológico.
"Todos nuestros clientes hablan de centrarse más en los datos, pero ninguno sabe lo que significa", afirma Donncha Carroll, socio de la práctica de crecimiento de ingresos y jefe del equipo de ciencia de datos de Lotis Blue Consulting. Se centran en sus capacidades tecnológicas, dice, y no en lo que la gente podrá hacer con los datos que obtengan.
"No ponen al usuario de la solución en el marco", afirma. "Muchos equipos de análisis de datos proporcionan cuadros de mando con información que no es útil ni procesable. Y se queda en agua de borrajas".
Basado en el artículo de Maria Korolov (CIO) y editado por CIO Perú