En este artículo explicamos qué tener en cuenta para realizar proyectos de Data Analytics exitosos y damos 4 consejos para poder realizarlos. Hacemos un repaso sobre el paradigma actual para entender cómo funciona hoy el área de datos en las empresas. Además, reflexionamos sobre los motivos que llevan al fracaso de los proyectos de datos. 

El nuevo paradigma y la definición de la estrategia de data analytics

Hace 70 años, para cada dificultad se creaba una tecnología que pudiera resolverla. Hoy, la situación cambió y para solucionar un problema, hay múltiples herramientas. Cada industria y cada parte de la cadena de valor tienen una aplicación tecnológica específica para embeber en sus procesos.

Esto nos ubica ante un nuevo paradigma que está marcado por el exceso de disponibilidad tecnológica, lo que significa que hay muchas herramientas para integrar a cada proceso organizacional. Esta situación suele ser abrumadora, sin embargo —contra lo que podría esperarse— el desafío no es tecnológico, sino profundamente cultural.

En este nuevo paradigma, los datos están en el centro de cualquier estrategia y estas nuevas formas de hacer, nos obligan a empezar a pensar diferente:

¿Qué rol tiene data analytics en el negocio hoy?

En la teoría queda todo muy claro, sin embargo, en la práctica las cosas no se dan de forma tan fluida y aparecen problemas. Un buen proyecto de data analytics tiene que ver con el uso efectivo que las personas le den. Podremos tener el mejor tablero, el modelo más rápido, el reporte más detallado, pero si nadie lo usa, ni toma decisiones basadas en eso, habremos fracasado.

Según Harvard Business Review, la principal causa de fracaso en los proyectos de datos pasa por una dimensión cultural, las personas (muchas veces incluso el alto management) no terminan de entenderlo y, por lo tanto, de adoptarlo.

Las disciplinas vinculadas a data & AI son nuevas y tuvieron un crecimiento exponencial en los últimos años. Esto generó algunos cambios:

• El área pasó de ser algo importante, a ser algo crítico en las organizaciones. Hoy cada vez son más los modelos de datos que están ubicados en el corazón del negocio. Por lo tanto, cualquier falla en uno de esos pipelines puede dejar a una parte de la empresa sin operar o puede tener un impacto en la rentabilidad.

• Ante la demanda creciente de datos por parte del negocio, empezamos a utilizar nuevas herramientas y tecnologías que nos permitieron procesar esa gran cantidad de información de forma más amigable y nos habilitó a resolver los problemas de forma más sana.

• El cambio generó más y más desafíos: más pedidos, más datos, más modelos. En el mejor escenario, nos van a pedir cambios todo el tiempo. Lo cual es muy bueno porque significará, como dijimos más arriba, que las personas usan lo que hacemos. El peor escenario es pensar, erróneamente, que si implementamos algo nuevo y nadie pide nada es porque el producto está bien hecho. La verdad es que no piden porque no lo usan, no porque sea el producto ideal. 😔

El primer paso de cualquier proyecto de data analytics

El trabajo en data analytics implica lograr información explícita a partir de información implícita, se trata de utilizar los datos que tenemos para generar información que NO tenemos.

Por lo tanto, el propósito —y primer paso— de cualquier estrategia de data analytics es definir para qué vamos a usar los datos.

Algunas preguntas que podríamos hacernos para determinar esto son:

• ¿Qué puedo hacer distinto con mis datos?
• ¿Qué datos no estoy capturando?
• ¿Cómo puede enriquecerse mi cadena de valor con mis datos?
• Usando los datos que tengo: ¿puedo mejorar una venta?, ¿puedo hacer una mejor oferta?, ¿puedo predecir un precio?

¿Cuáles son las características de los proyectos de data analytics?

Los proyectos de data analytics se basan en una arquitectura integrada por diferentes componentes que, como un todo, proveen a las personas acceso rápido y fácil a la información. Esto es clave para poder tomar mejores decisiones de negocio.

Las soluciones de data analytics presentan las siguientes características:

• No son un sistema ni un producto: Un proyecto de datos es algo transversal a toda la organización, no se trata necesariamente de una tecnología o de un producto. Llevar adelante este tipo de proyectos, es mucho más que implementar un software de reporting o una plataforma de inteligencia artificial, se trata más bien de dar forma a un conglomerado de diferentes elementos en el que se involucran a múltiples áreas de la organización.

• Las personas usuarias tienen que estar directamente involucradas: El uso que ellas hagan de la solución será la verdadera medida del éxito. Data analytics tiene que trabajar mano a mano con las personas que conocen los datos, que saben cómo funciona el negocio y la industria, que serán responsables de usar los datos y de tomar decisiones a partir de eso. Ellas son las protagonistas y tienen que estar totalmente involucradas desde el comienzo.

• Hay que reducir la barrera lingüística y conceptual: Hay brechas entre las áreas técnicas y las de negocio, por eso data analytics tiene que trabajar en derribarlas. No tenemos que hablar en términos técnicos, tenemos que entender el negocio. Después de todo, para desarrollar un pipeline o un modelo predictivo es clave entender cómo funciona la industria para la cual lo estamos haciendo, para qué es importante y qué valor le aportamos al negocio.

• Los problemas de calidad de datos se vuelven cada vez más visibles: Las personas y los usos que se le dan a los datos son cada vez más. Esto amplifica cualquier problema de calidad de datos que pueda llegar a existir. Podemos desarrollar el mejor modelo predictivo, tener la arquitectura más eficiente, pero, si los datos no reflejan una realidad fiel, cualquier cosa que hagamos no va a servir o, lo que es peor, podría llevar a tomar decisiones basadas en datos incorrectos.

• Naturaleza dinámica: Los datos —igual que la realidad, que el mercado y que la tecnología— cambian en forma constante. Esto hace que los tiempos de desarrollo se acorten ya que el negocio nos demanda que entreguemos valor de forma constante, iterativa y rápida.

• Necesitamos estándares: El mundo de los datos, es cada vez más atractivo para más áreas de negocio. Entonces, no podemos desarrollar como se nos ocurra, debemos tener estándares que nos permitan escalar.

¿Por qué fallan los proyectos de data analytics?

Como ya dijimos, desarrollar un proyecto de data analytics es mucho más que solo instalar un software o una aplicación. Implica involucrar de forma activa a diferentes personas y áreas de negocio que no siempre van a manejar un lenguaje técnico ni conocer los detalles del trabajo de ingeniería de datos (algo que no tienen por qué saber ya que no se dedican a eso).

Cuando el nivel de demanda aumenta, los problemas de calidad de datos se hacen más visibles y las posibilidades de fracaso son mayores. Si bien, los motivos por los que esto sucede son varios —y muchos tienen que ver con la dimensión cultural de la organización—, a nivel práctico, podríamos decir que estas son las dos causas más comunes por las que fracasan los proyectos de data analytics.

• Parálisis por análisis: Esta situación se da cuando decidimos no empezar el proyecto hasta no estar 100% seguros de qué es lo que vamos a hacer. Para dar el puntapié inicial, esperamos a tener todo relevado, toda la documentación firmada, etc. La realidad muestra que esto es más una traba que un habilitador porque nos lleva a no hacer nada y, una vez que nos decidimos a empezar, las cosas cambiaron y lo que hicimos, probablemente, haya quedado obsoleto.

• Extinción por acción: Es justamente todo lo contrario a lo anterior. Empezamos rápido y hacemos a medida que las cosas se van definiendo. Accionamos sin tener una meta ni un objetivo claro. Entonces, lo que sea que hagamos, no termina de ser nada, no puede crecer ni evolucionar, no sabemos hacia dónde vamos y termina en un gran fracaso.

¿Cómo evitar el fracaso de los proyectos de data & AI?

En este video Claudio Buffa, Gerente de Servicios de Datalytics Argentina, nos explica algunas cuestiones a tener en cuenta antes de empezar cualquier proyecto de data analytics. Estos consejos nos van a ayudar a evitar el fracaso de los proyectos de data & AI y ahorrar muchos dolores de cabeza.

4 consejos para hacer proyectos exitosos

En la era digital en la que vivimos, los datos se han convertido en un activo invaluable para las organizaciones de todos los tamaños y sectores. Sin embargo, el simple hecho de tener acceso a grandes volúmenes de datos no garantiza el éxito. En este sentido, se han identificado cuatro consejos que pueden guiar a las organizaciones en la ejecución de proyectos de data analytics exitosos.

🔨 Construirlos por partes: El secreto de cualquier proyecto de datos es hacerlo por partes, no hay que intentar abarcarlo todo desde el inicio porque de esa manera, más tarde o más temprano, vamos a fracasar.

👩‍💻 Empezar por algo simple: Los primeros pasos de un proyecto de datos dependerán de las capacidades y de la experiencia que tenga el equipo. Es recomendable comenzar por algo para lo cual estén preparados, pueden empezar por algo simple a partir de lo cual sigan creciendo. Lo importante es asegurarse que el equipo pueda conocer la tecnología, el negocio, los datos, el entorno, las personas usuarias, etc.

🧩 Las relaciones entre las partes tienen que marcar el ritmo. Cuando definimos los proyectos de datos, deberíamos armar una especie de rompecabezas. Por ejemplo, si hacemos un Data Mart de “ventas”, el segundo no debería ser el de “recursos humanos”, porque ambas áreas no se relacionan. Lo ideal sería elegir un segundo Data Mart que esté cerca del primero, por ejemplo, si empezamos con “ventas”, deberíamos seguir por algo como “marketing” o “logística” por ejemplo.

🛑 Parar y replantearse todo. Cada vez que sea necesario tomarnos un tiempo par analizar y pensar si vamos por el buen camino, discutamos con las personas usuarias, con el equipo y con los clientes internos qué es lo que estamos haciendo y hacia dónde vamos.

En conclusión

Lo importante es no perder de vista que somos las personas quienes trabajamos con los datos. Tenemos que armar equipo, no solo con quienes trabajan con nosotros sino también con los clientes, esto va a generar confianza mutua. Ambas partes tendrán la seguridad que cada una dará todo para que el proyecto salga adelante.

Al poner el foco en las personas, vamos a poder generar compromiso, inspiración, podremos construir vínculos más empáticos y, sobre todo, fijar y alcanzar objetivos en común. Después de todo, por más que trabajemos con las tecnologías más avanzadas, fuimos, somos y seremos personas que trabajamos con datos.