Cómo Crear un Equipo de Alto Desempeño para Analítica

En la entrada anterior, como el primer paso del proceso para realizar proyectos de analítica exitosos, vimos cómo vincular los objetivos con las partes interesadas, las preguntas y los KPIs.

En este artículo, abordaremos un tema crucial que tiene que ver con el equipo humano y lo que se requiere para lograr analítica de valor.

Para esto, vamos a considerar 4 aspectos fundamentales. 

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 esto, el soporte del equipo directivo es vital, el cual debe ver que 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: 

•  Orientación estratégica: debe tener la habilidad de encontrar nuevas oportunidades que agreguen valor y no solo supervisar la operación analítica.
• Liderazgo en el cambio: debe desarrollar procesos que rompan los silos y proyectos que permitan que los datos fluyan por la organización, y unir las iniciativas analíticas a la parte operativa.
• Colaboración e influencia: debe cultivar una visión completa con el fin de 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 un 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, se requieren conocimientos estadísticos, 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 (dashboards).

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: ¿Debo tener a todo este equipo humano para poder abordar proyectos de analítica desde el inicio?

No, como ustedes recordarán en la introducción a estos Tips de Analitica, 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 o Diagnóstico no requieren de un científico de datos, pero es muy probable que ya tengan una persona encargada de BI, o inclusive hasta un área estructurada. Sin embargo, en estas fases apenas se ve la necesidad de tener 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. Dicho esquema surge a medida que la empresa usa los datos como generadores de negocio y es vital que los mismos se encuentren de manera adecuada para la correcta toma de decisiones.

En este sentido, es importante entender el nivel de maduración a fin definir los recursos y conocimientos requeridos.

4. Consideraciones para la ejecución

Adicionalmente, 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. Esto brinda el apoyo necesario para impulsar rápidamente el proyecto, y que, posteriormente, el resto de gerencias aún no convencidas vean 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 se puede hacer con Pruebas de Concepto, un conjunto de datos más reducido o uno de corta implementación.
3. Suficientemente bueno: Como dijo Voltaire «La perfección es enemigo de lo bueno».  Al empezar con estas iniciativas no se tienen que cubrir necesariamente todos los aspectos requeridos por las partes interesadas. La idea es que la iniciativa tenga entregas incrementales que vayan resolviendo cada aspecto, ya que esto facilita entregar victorias tempranas.

Para concluir con el segundo Tip para realizar proyectos exitosos de analítica, resumimos lo expuesto en el siguiente gráfico, que no es sino un nuevo brazo del mapa mental que empezamos anteriormente.

En el siguiente TIP #3, hablaremos sobre «Cómo entender los datos desde la visión de la analítica«. No se lo pierda.

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