La ciencia de los datos y el arte de la persuasión

La ciencia de datos está creciendo rápidamente. Durante los últimos cinco años, las empresas han invertido miles de millones para que los científicos de datos más talentosos se establezcan, acumulen zettabytes de material y lo pasen por sus máquinas de deducción para encontrar señales en el insondable volumen de ruido. Está funcionando, hasta cierto punto. Los datos han empezado a cambiar nuestra relación con campos tan variados como traducción de idiomas, venta minorista, atención médica, y baloncesto.

Pero a pesar de las historias de éxito, muchas empresas no obtienen el valor que podrían obtener de la ciencia de datos. Incluso las operaciones bien gestionadas que generan análisis sólidos no aprovechan sus puntos de vista. Los esfuerzos se quedan cortos en la última milla, cuando llega el momento de explicar las cosas a los responsables de la toma de decisiones.

En una pregunta sobre 2017 de Kaggle encuesta de los científicos de datos, a los que respondieron más de 7 000 personas, cuatro de las siete principales «barreras a las que se enfrentan en el trabajo» estaban relacionadas con cuestiones de última milla, no con cuestiones técnicas: «falta de apoyo gerencial o financiero», «falta de preguntas claras que responder», «los resultados no utilizados por los responsables de la toma de decisiones» y «explicar la ciencia de los datos a otros». Esos resultados concuerdan con los que encontró el científico de datos Hugo Bowne-Anderson entrevistar a 35 científicos de datos para su podcast; como escribió en un artículo de HBR.org de 2018: «La gran mayoría de mis invitados me dicen que las habilidades clave de los científicos de datos son… la capacidad de aprender sobre la marcha y de comunicarse bien para responder a las preguntas empresariales y explicar los resultados complejos a las partes interesadas no técnicas».

En mi trabajo dando conferencias y consultando con grandes organizaciones sobre visualización de datos (dataviz) y presentaciones persuasivas, escucho que tanto los científicos de datos como los ejecutivos desahogan su frustración. Los equipos de datos saben que se basan en información valiosa, pero no pueden venderla. Dicen que los responsables de la toma de decisiones malinterpretan o simplifican demasiado sus análisis y esperan que hagan magia para dar las respuestas correctas a todas sus preguntas. Mientras tanto, los ejecutivos se quejan de la cantidad de dinero que invierten en operaciones de ciencia de datos que no proporcionan la orientación que esperaban. No ven resultados tangibles porque los resultados no se comunican en su idioma.

Las brechas entre los tipos de empresa y tecnología no son nuevas, pero esta brecha es más profunda. Tenga en cuenta que hace 105 años, antes de la programación y los ordenadores, Willard Brinton comenzó su histórico libro Métodos gráficos para presentar los hechos describiendo el problema de la última milla: «Una y otra vez ocurre que algún miembro ignorante o presuntuoso de un comité o junta directiva altera el plan cuidadosamente pensado de un hombre que conoce los hechos, simplemente porque el hombre con los hechos no puede presentar sus hechos con la suficiente facilidad como para superar a la oposición… Como la catedral es desde su base, también lo es una presentación eficaz de los hechos a los datos».

Los ejecutivos se quejan de que la ciencia de datos no proporciona la orientación que esperaban.

¿Cómo pudo esta canción permanecer igual durante más de un siglo? Como cualquier otra cosa tan arraigada, los orígenes del problema de la última milla son múltiples. Por un lado, las herramientas utilizadas para hacer ciencia incluyen la función de visualización. Esto fomenta la idea de que es responsabilidad de la persona de los datos ser la comunicadora. La salida por defecto de estas herramientas no puede coincidir con una visualización de datos bien concebida y totalmente diseñada; su visualización a menudo no está tan desarrollada como su manipulación de datos y las personas que utilizan las herramientas no suelen querer comunicarse. Muchos científicos de datos me han dicho que desconfían de la visualización porque puede simplificar su trabajo y llevar a los ejecutivos a sacar conclusiones que desmienten los matices y la incertidumbre inherentes a cualquier análisis científico. Pero con la prisa por captar a los científicos de datos más demandados, las organizaciones han estado contratando a las personas con mayor orientación técnica que pueden encontrar, ignorando su capacidad o deseo (o falta de ellos) de comunicarse con un público laico.

Estaría bien que esas organizaciones también contrataran a otras personas para cerrar la brecha, pero no lo hacen. Siguen esperando que los científicos de datos analicen los datos, los analicen en el contexto de conocer la empresa y su estrategia, creen gráficos y los presenten a un público profano. Eso no es razonable. Eso es cosa de unicornios.

Para empezar a resolver el problema de la última milla, las empresas deben dejar de buscar unicornios y replantearse qué tipo de talento forma una operación de ciencia de datos. Este artículo propone una forma para que quienes no están aprovechando al máximo sus operaciones liberen a los científicos de datos de expectativas poco razonables e introduzcan nuevos tipos de trabajadores en la mezcla. Se basa en equipos interdisciplinarios compuestos por miembros con diferentes talentos que trabajan muy cerca. La empatía, que se desarrolla a través de la exposición al trabajo de los demás, facilita la colaboración entre los tipos de talento. El trabajo ya no se pasa entre grupos, sino que se comparte entre ellos.

Un enfoque de equipo (no es nuevo, pero se aplica recientemente) puede hacer que las operaciones de ciencia de datos superen el último kilómetro y ofrecer el valor que han creado para la organización.

¿Por qué las cosas son así?

A principios del siglo XX, los pioneros de la gestión moderna dirigían operaciones sofisticadas para convertir los datos en decisiones mediante la comunicación visual, y lo hacían con equipos. Fue un esfuerzo interdisciplinario que incluyó a pandilleros, clasificadores de tarjetas, gerentes y dibujantes (casi siempre eran hombres). Hay muchos ejemplos de los resultados de esta colaboración en el libro de Brinton. Las compañías ferroviarias y los grandes fabricantes eran especialmente expertos en aprender las rutas más eficientes para enviar materiales a través de las fábricas, alcanzar los objetivos de ventas regionales e incluso optimizar los horarios de vacaciones.

Cómo falla la comunicación

En mi trabajo he aprendido que la mayoría de los líderes reconocen el valor que puede ofrecer la ciencia de datos y pocos están satisfechos con la forma en que se ofrece. Algunos científicos de datos se quejan de que los jefes no entienden lo que hacen y lo infrautilizan. Algunos directivos se quejan de que los científicos no pueden hacer que su trabajo sea inteligible para un público laico.

En general, las historias que escucho siguen uno de estos escenarios. Compruebe si reconoce a alguno de ellos.

La maldición del estadístico

Un científico de datos con algoritmos de vanguardia y datos excelentes desarrolla un conjunto de ideas y se las presenta a los responsables de la toma de decisiones con gran detalle. Cree que su análisis es objetivo e irrefutable. Sus gráficos son «clic y visualización» y se añade algo de texto a las diapositivas; en su opinión, el diseño no es algo a lo que dediquen tiempo los estadísticos serios. El idioma que utiliza en su presentación no es familiar para sus oyentes, que se confunden y frustran. Su análisis es acertado, pero su recomendación no se adopta.

La fábrica y el capataz

Un business stakeholder quiere llevar a cabo un proyecto favorito, pero no tiene datos que respalden su hipótesis. Pide al equipo de ciencia de datos que produzca los análisis y los gráficos para su presentación. El equipo sabe que su hipótesis está mal formulada y ofrece ideas útiles sobre una forma mejor de abordar el análisis, pero solo quiere gráficos y notas orales. Ocurrirá una de dos cosas: su reunión se interrumpirá cuando alguien le pregunte por el análisis de los datos y no pueda dar respuestas, o su proyecto se llevará a cabo y luego fracasará porque el análisis no era sólido.

La cómoda verdad

Un diseñador de información de primer nivel se inspira en algunos análisis de científicos de datos de la empresa y se ofrece a ayudarlos a crear una bonita presentación para la junta, con colores y tipografía propios de la marca e historias atractivas y de fácil acceso. Pero los científicos se ponen nerviosos cuando los ejecutivos comienzan a extraer ideas equivocadas del análisis. Los gráficos claros y sencillos hacen que ciertas relaciones parezcan causa y efecto directos cuando no lo son, y eliminan cualquier incertidumbre inherente al análisis. Los científicos están en un dilema: por último, los principales responsables de la toma de decisiones están entusiasmados con su trabajo, pero lo que les entusiasma no es una buena representación del mismo.

El enfoque de equipo persistió durante la mayor parte del siglo. En su libro de 1969 Técnicas prácticas de cartografía, Mary Eleanor Spear detalla el equipo ideal (un comunicador, un analista gráfico y un dibujante (siguen siendo en su mayoría hombres) y sus responsabilidades. «Es recomendable», escribe Spear, «que [los tres] colaboren».

En la década de 1970, las cosas empezaron a dividirse. Los científicos acudieron en masa a las nuevas tecnologías que les permitían visualizar los datos en el mismo espacio (un programa de ordenador) en el que los manipulaban. Las imágenes eran burdas, pero estaban disponibles rápidamente y no requerían la ayuda de nadie más. Se abrió una brecha en el mundo de la visualización de datos entre la visualización por ordenador y la visualización más clásica basada en el diseño producida por los dibujantes (por fin).

Este artículo aparece también en:

• 

  Análisis estratégico: la información que necesita de HBR

  Tecnología y operaciones Libro

  22.95

  View Details

Chart Wizard, la innovación de Microsoft en Excel, introdujo el «clic y la visualización» para el resto de nosotros, dividiendo por completo los dos mundos. De repente, cualquiera podía crear al instante un gráfico con variaciones exageradas que hacían que las barras fueran tridimensionales o convertían un pastel en una rosquilla. La profundidad de este cambio no puede exagerarse. Ayudó a que las listas fueran una lengua franca para los negocios. Impulsó el uso de los datos en las operaciones y, finalmente, permitió que existiera la ciencia de datos, porque superó el límite mínimo de datos que los diseñadores humanos pueden procesar para la comunicación visual. Lo más importante es que cambió la estructura del trabajo. Los diseñadores —dibujantes— se devaluaron y, finalmente, dejaron de analizar datos. La visualización pasó a ser el trabajo de quienes gestionaban los datos, la mayoría de los cuales no estaban capacitados para visualizar ni tenían ganas de aprender. La velocidad y la comodidad de pegar un gráfico de Chart Wizard en una presentación prevalecieron sobre las imágenes más lentas, que consumían más recursos y se basaban en el diseño, incluso si estas últimas eran demostrablemente más eficaces.

Con la llegada de la ciencia de datos, las expectativas puestas en los científicos de datos siguen siendo las mismas (hacer el trabajo y comunicarlo), a pesar de que las habilidades necesarias se han ampliado para incluir la codificación, la estadística y la modelización algorítmica. De hecho, en el histórico 2012 de HBR artículo sobre el científico de datos como el trabajo más sexy del siglo XXI, el puesto se describe en términos explícitamente unicornistas: «¿Qué habilidades hacen que un científico de datos tenga éxito? Piense en él o ella como un híbrido de hacker de datos, analista, comunicador y asesor de confianza. La combinación es extremadamente poderosa y poco común».

Talentos principales para comunicar datos

Estas son las formas en que varios talentos participan a medida que un proyecto de ciencia de datos pasa de recopilar datos a desarrollar información y presentarlos a las partes interesadas.

Talento: gestión de proyectos

Tareas

• Gestione la creación del equipo, el cronograma y los horarios
• Recursos de alguaciles
• Solucionar problemas

Habilidades

• Organización
• Metodología (como el scrum)
• Gestión de personal

Produce

• Durante la creación de una operación de ciencia de datos
• Durante la creación y la ejecución de un proyecto

Apoya

• Operaciones de ciencia de datos en curso

Talento: disputa de datos

Tareas

• Buscar, limpiar y estructurar datos
• Desarrollar e implementar sistemas, algoritmos y modelos de datos y visualización
• Desarrollar plantillas y sistemas para procesos repetibles

Habilidades

• Codificación
• Estadísticas
• Arquitectura de sistemas

Lidera

• Al principio de la existencia de un equipo de datos
• Al principio del desarrollo de un proyecto

Apoya

• Durante el análisis rutinario de datos, las pruebas de hipótesis y la exploración visual de los datos

Talento: análisis de datos

Tareas

• Desarrollar y probar hipótesis sobre datos y modelos de datos
• Encuentre patrones y tendencias útiles para informar las decisiones empresariales

Habilidades

• Estadísticas
• Método científico
• Pensamiento crítico
• Comunicación técnica y no técnica

Lidera

• Durante el análisis rutinario de datos, el diseño del proyecto, las pruebas de hipótesis y la exploración visual de los datos

Apoya

• Al principio de la existencia de un equipo de datos
• Al principio del desarrollo del proyecto
• Durante el desarrollo de la comunicación visual y las presentaciones para el público laico

Talento: experiencia en el tema

Tareas

• Definir los objetivos empresariales
• Desarrollar y probar hipótesis
• Desarrollar una comunicación no técnica

Habilidades

• Conocimientos funcionales
• Pensamiento crítico
• Desarrollo de estrategias
• Comunicación no técnica

Lidera

• Durante el diseño del proyecto, las pruebas de hipótesis y la exploración visual de los datos
• Durante la comunicación con públicos no técnicos

Apoya

• Al principio de la existencia de un equipo de datos
• Durante el proceso de visualización y diseño

Talento: Diseño

Tareas

• Desarrollar la comunicación visual y las presentaciones
• Cree plantillas y estilos para una visualización repetible

Habilidades

• Diseño de información
• Diseño de presentación
• Pensamiento de diseño
• Comunicación persuasiva

Lidera

• Durante la visualización de datos y la creación de presentaciones y sistemas visuales (creación de plantillas)

Apoya

• Durante la iteración visual y la creación de prototipos

Talento: Narración de historias

Tareas

• Desarrollar historias a partir de datos e imágenes
• Ayude a crear presentaciones en formato cuento
• Presentar a un público no técnico

Habilidades

• Diseño de información
• Escritura y edición
• Presentando
• Comunicación persuasiva

Lidera

• Durante la creación de la visualización y las presentaciones de datos
• Durante la presentación ante un público no técnico

Apoya

• Durante la iteración visual y la creación de prototipos

Una combinación poco común de habilidades para los trabajos más solicitados significa que muchas organizaciones no podrán contratar el talento que necesitan. Tendrán que buscar otra forma de triunfar. La mejor manera es cambiar las habilidades que esperan que tengan los científicos de datos y reconstruir los equipos con una combinación de talentos.

Construir una operación mejor de ciencia de datos

Una operación de datos eficaz basada en el trabajo en equipo puede tomar prestado de Brinton y Spear, pero tendrá en cuenta el contexto moderno, incluido el volumen de datos que se procesan, la automatización de los sistemas y los avances en las técnicas de visualización. También tendrá en cuenta una amplia gama de tipos de proyectos, desde la elaboración de informes razonablemente sencilla de los datos analíticos estándar (por ejemplo, los resultados financieros) hasta los esfuerzos de big data más sofisticados que utilizan algoritmos de aprendizaje automático de última generación.

Estos son cuatro pasos para crear uno:

1. Defina los talentos, no los miembros del equipo.

Puede parecer natural que el primer paso para desmantelar el pensamiento unicornio sea asignar a varias personas a las funciones que el científico de datos «perfecto» desempeña ahora: manipulador de datos, analista de datos, diseñador y comunicador.

No del todo. En lugar de asignar a las personas funciones, defina los talentos que necesita para tener éxito. Un talento no es una persona, es una habilidad que poseen una o más personas. Una persona puede tener varios talentos; tres personas pueden gestionar cinco talentos. Es una distinción sutil, pero importante para que los equipos sean lo suficientemente ágiles como para configurar y reconfigurar durante las distintas etapas de un proyecto. (Volveremos a esto.)

La lista de talentos de cualquier empresa variará, pero un buen conjunto básico incluye estos seis:

Gestión de proyectos. Como su equipo va a ser ágil y cambiará según el tipo de proyecto y lo avanzado que esté, un primer ministro fuerte que emplee una metodología similar a la del scrum se ejecutará en todas las facetas de la operación. Un buen director de proyectos tendrá una gran capacidad organizativa y una sólida habilidad diplomática, lo que ayudará a cerrar las brechas culturales al unir talentos dispares en las reuniones y lograr que todos los miembros del equipo hablen el mismo idioma.

Disputas de datos. Las habilidades que componen este talento incluyen la creación de sistemas, la búsqueda, la limpieza y la estructuración de datos y la creación y el mantenimiento de algoritmos y otros motores estadísticos. Las personas con un talento difícil buscarán oportunidades para racionalizar las operaciones, por ejemplo, creando procesos repetibles para varios proyectos y plantillas para obtener una producción visual sólida y predecible que ponga en marcha el proceso de diseño de la información.

Análisis de datos. La capacidad de establecer hipótesis y ponerlas a prueba, encontrar el significado de los datos y aplicarlo a un contexto empresarial específico es crucial y, sorprendentemente, no está tan bien representada en muchas operaciones de ciencia de datos como podría pensarse. Algunas organizaciones tienen muchos luchadores y también confían en ellos para hacer los análisis. Pero un buen análisis de datos es independiente de la codificación y las matemáticas. A menudo, este talento no surge de la informática sino de las artes liberales. La empresa de software Tableau clasificó la infusión de las artes liberales en el análisis de datos como una de las las principales tendencias en análisis en 2018. El pensamiento crítico, la configuración del contexto y otros aspectos del aprendizaje en humanidades también son habilidades básicas de análisis, datos o de otro tipo. En una conferencia en línea sobre el tema, el científico investigador de Tableau Michael Correll explicó por qué cree que es crucial combinar la ciencia de datos con las artes liberales. «Es imposible considerar los datos divorciados de las personas», afirma. «Las artes liberales son buenas para ayudarnos a entrar y ver el contexto. Hace que las personas sean visibles de una manera que tal vez no estén en la tecnología».

Experiencia en la materia. Es hora de retirar el tropo de que los equipos de ciencia de datos están atrapados en el sótano para hacer su arcano trabajo y salen a la luz solo cuando la empresa necesita algo de ellos. La ciencia de datos no debe considerarse como una unidad de servicio, sino que debe tener talento directivo en el equipo. Las personas con conocimientos del negocio y la estrategia informarán sobre el diseño del proyecto y el análisis de datos y mantendrán al equipo centrado en los resultados empresariales, no solo en crear los mejores modelos estadísticos. Joaquín Candela, que dirige el aprendizaje automático aplicado en Facebook, ha trabajó duro centrar a su equipo en los resultados empresariales y recompensar las decisiones que favorecen esos resultados en lugar de mejorar la ciencia de datos.

Diseño. Este talento es muy malinterpretado. Un buen diseño no consiste solo en elegir colores y fuentes o en crear una estética para los gráficos. Eso es el estilo, parte del diseño, pero no es ni mucho menos la parte más importante. Más bien, las personas con talento de diseño desarrollan y ejecutan sistemas para una comunicación visual eficaz. En nuestro contexto, ellos entienden cómo crear y editar imágenes para centrarse en el público y destilar ideas. El talento para el diseño de la información, que hace hincapié en la comprensión y la manipulación de la visualización de los datos, es ideal para un equipo de ciencia de datos.

Narración de historias. La narrativa es un invento humano extremadamente poderoso y uno de los más infrautilizados de la ciencia de datos. La capacidad de presentar la información de los datos como una historia ayudará, más que cualquier otra cosa, a cerrar la brecha de comunicación entre los algoritmos y los ejecutivos. Sin embargo, «Narrar historias con datos», una frase cansada de moda, es muy malinterpretada. Definitivamente no se trata de convertir a los presentadores en Stephen Kings o Tom Clancy’s. Más bien, se trata de entender la estructura y la mecánica de la narrativa y de aplicarlas a los datos y las presentaciones.

2. Contrate para crear una cartera de talentos necesarios.

Una vez que haya identificado los talentos que necesita, libere a su contratación de la idea de que son puestos para los que debe contratar personas. En vez de eso, concéntrese en asegurarse de que estos talentos están disponibles en el equipo. Algunos de ellos tienden a ir de la mano de forma natural: el diseño y la narración, por ejemplo, o la discusión y el análisis de datos, pueden existir en una sola persona.

A veces el talento no se encuentra en los empleados sino en los contratistas. Para mi trabajo, guardo un armario de cocina con personas que tienen talento en las áreas en las que soy débil. Puede que quiera contratar a una empresa de diseño de información o contratar a algunos gestores de datos para limpiar y estructurar los nuevos flujos de datos.

Pensar en los talentos como algo independiente de las personas ayudará a las empresas a abordar el problema de la última milla, porque las liberará de intentar encontrar a la persona que pueda dedicarse a la ciencia de datos y comunicarla. Capturar a personas con habilidades de diseño superiores permitirá a los científicos de datos centrarse en sus puntos fuertes. También abrirá la puerta a personas que antes podrían haber sido ignoradas. Un programador normal que también tenga buenas habilidades de diseño, por ejemplo, podría ser muy útil.

Randal Olson, científico principal de datos de Life Epigenetics y comisario del canal Reddit Data Is Beautiful (dedicado a compartir y hablar sobre buenos datos), solía centrarse únicamente en lo bien que alguien hacía la parte técnica de la ciencia de datos. «Lo sé, cuando empecé, no apreciaba nada la parte de la comunicación», dice. «Creo que es común». Ahora, en algunos casos, ha cambiado el proceso de contratación. «Ya sabe, vienen e inmediatamente empezamos con modelos de pizarra blanca y matemáticas», dice. «Son los científicos de datos que hablan con los científicos de datos. Ahora, a veces traigo a una persona sin conocimientos técnicos y le digo: «Explíquele este modelo a esta persona».

3. Exponer a los miembros del equipo a talentos que no tienen.

Superar los choques culturales empieza por entender las experiencias de los demás. El talento del diseño a menudo no está expuesto a las estadísticas o los algoritmos. Se centra en el refinamiento estético, la sencillez, la claridad y la narrativa. La profundidad y la complejidad del trabajo con los datos son difíciles de conciliar para los diseñadores. Los científicos de datos empedernidos, por el contrario, valoran la objetividad, el rigor estadístico y la exhaustividad; la parte de la comunicación no solo les es ajena sino que les distrae. «Va en contra de su espíritu», afirma un director de una operación de ciencia de datos en una gran empresa de tecnología. «Yo igual, trabajé en ciencia de datos durante 10 años, pero fue revelador para mí cuando tuve que formar un equipo. Me di cuenta de que si aprendiéramos un poco más sobre la parte de la comunicación, podríamos defender mucho más para la empresa».

Cree un panel de talentos

Realizar una auditoría de talento ayuda a los directivos a planificar mejor los proyectos y configurar los equipos.

Ponlo en uso

Al saber los talentos disponibles, los gerentes ahora pueden asignar unidades de talento a un proyecto según el momento en que se necesite. Por lo general, un grupo de talentos toma la iniciativa al principio de un proyecto y diferentes grupos lo hacen en las etapas posteriores. La gestión de proyectos suele desempeñar un papel importante en todo momento.

Hay muchas maneras de exponer a los miembros del equipo al valor del talento de los demás. Los diseñadores deberían aprender algunas estadísticas básicas (hacer un curso de introducción, por ejemplo) mientras los científicos de datos aprenden los principios básicos del diseño. Ninguno de los dos debe convertirse en expertos en el campo de sus homólogos, solo tienen que aprender lo suficiente como para apreciarse.

Las reuniones de monólogos y otras reuniones siempre deben incluir una mezcla de talentos. Un monólogo de scrum orientado principalmente a actualizar el progreso tecnológico todavía puede incluir a un vendedor que haga presentaciones, como ocurre en la empresa de Olson. Los expertos en la materia deberían llevar el talento de análisis y análisis de datos a las reuniones de estrategia. Las sesiones especiales en las que las partes interesadas responden a las preguntas del equipo de datos y viceversa también ayudan a cerrar la brecha. El director de algoritmos de Stitch Fix, Eric Colson (que es algo parecido a un unicornio, ya que tiene talento estadístico y de comunicación en una empresa en la que la ciencia de datos es intrínseca), pide a los miembros de su equipo que hagan presentaciones de un minuto ante un público no técnico, lo que los obliga a enmarcar los problemas de manera inteligente que todos puedan entender. «Hasta el día de hoy», dice Colson, «si dice «cocos» aquí, la gente sabrá que era parte de la metáfora que una persona usó para describir un problema estadístico en particular que estaba abordando. Nos centramos en enmarcarlo de manera que todos entiendan, porque la empresa no hace lo que no entiende». Otro director de un equipo de ciencia de datos creó un glosario de términos utilizados por el talento técnico y el talento del diseño para ayudar a los empleados a familiarizarse con el idioma de los demás.

Si su organización contiene a algunas de esas pocas personas que, como Colson, tienen tanto talentos de datos como de comunicación y diseño, ayuda que sean mentores unos de otros. Hay que animar a las personas que expresan interés en desarrollar talentos que no tienen pero que usted necesita, incluso si esos puntos fuertes (habilidades de diseño, por ejemplo) están muy lejos de los que ya tienen (discusión de datos). De hecho, en mis talleres escucho a científicos de datos a los que les encantaría desarrollar su talento para el diseño o la narración, pero no tienen tiempo para comprometerse con ello. A otros les encantaría que se añadiera talento a sus equipos, pero la gestión de sus proyectos se centra principalmente en los resultados técnicos, no en los empresariales.

Toda esta exposición tiene como objetivo crear empatía entre los miembros del equipo con diferentes talentos. La empatía, a su vez, crea confianza, una base necesaria para un trabajo en equipo eficaz. Colson recuerda una época en la que utilizó el talento narrativo para ayudar a explicar algo que surgía del análisis de datos: «Recuerdo haber hecho una presentación sobre un problema de comercialización, en la que pensé que lo estábamos abordando mal. Tenía que ir a por mercadería para comprar la entrada». En lugar de explicar la distribución del betabinomio y otros conceptos estadísticos para reforzar su punto de vista, contó una historia sobre alguien que saca bolas de una urna y lo que pasó con el tiempo con el número y el tipo de bolas de la urna. «A la gente le encantó», dice. «Vio la sala y cómo encajaba con ellos y les daba confianza, de modo que en ese momento las matemáticas subyacentes ni siquiera eran necesarias de explicar. Confiaron en nosotros».

4. Estructurar los proyectos en torno a los talentos.

Con una cartera de talentos, es hora de utilizarla para cumplir sus objetivos. La naturaleza cambiante de los talentos que se necesitan y cuándo puede hacer que los proyectos sean difíciles de manejar. Sus sólidas habilidades de gestión de proyectos y su experiencia en metodologías ágiles ayudarán a planificar la configuración y la reconfiguración de los talentos, a organizar los recursos según sea necesario y a evitar que los cronogramas abrumen cualquier parte del proceso.

Juntándolo todo

Querrá tomar otras medidas para que sus proyectos tengan éxito:

Asigne un único y empoderado stakeholder.

Es posible, o incluso probable, que no todas las personas cuyos talentos necesita dependan del director del equipo de ciencia de datos. El talento del diseño puede depender del marketing; los expertos en la materia pueden ser ejecutivos que dependen del CEO. Sin embargo, es importante dar al equipo el mayor poder de decisión posible. Las partes interesadas suelen ser personas con experiencia empresarial que están estrechamente relacionadas con los objetivos empresariales o son responsables de ellos; el objetivo del trabajo, al fin y al cabo, son mejores resultados empresariales. Esas personas pueden crear objetivos e incentivos compartidos para el equipo. Lo ideal sería evitar la trampa de la responsabilidad sin autoridad, en la que el equipo trata con varias partes interesadas que tal vez no estén todas alineadas.

Los científicos de datos encuentran que comunicar su trabajo no solo es extranjero sino que distrae.

Asigne el talento líder y apoye el talento.

Quién dirija y quién apoye dependerá del tipo de proyecto del que se trate y de la fase en la que se encuentre. Por ejemplo, en un proyecto profundamente exploratorio, en el que se procesan y visualizan grandes volúmenes de datos solo para encontrar patrones, la discusión y el análisis de los datos toman la iniciativa, con el apoyo de expertos en la materia; es posible que el talento del diseño no participe en absoluto, ya que no se requiere comunicación externa. Por el contrario, para preparar un informe para la junta sobre las pruebas de un ajuste de estrategia recomendado, líder de narración y diseño con el apoyo del talento de los datos.

Colocar.

Haga que todos los miembros del equipo trabajen en el mismo espacio físico durante un proyecto. También creó un espacio virtual compartido para la comunicación y la colaboración. No sería deseable que los que tienen talento para el diseño y la narración utilizaran un canal de Slack mientras el equipo técnico utiliza GitHub y los expertos en negocios colaboran por correo electrónico. Utilice técnicas de «análisis pareado», en las que los miembros del equipo se sientan literalmente uno al lado del otro y trabajan en una pantalla en un proceso iterativo similar al scrum. Pueden ser personas con talento para la discusión y el análisis de datos que refinan los modelos de datos y prueban hipótesis, o una pareja con experiencia en el tema y capacidad de narración que trabajan juntas para pulir una presentación, recurriendo al diseño cuando tienen que adaptar un gráfico.

Que sea un equipo de verdad.

La idea crucial de la colocación es que se trata de un equipo empoderado. En Stitch Fix «nuestra regla es no entregar», dice Colson. «No queremos tener que coordinar a tres personas en todos los departamentos». Con este fin, ha hecho que sea una prioridad garantizar que sus equipos tienen todas las habilidades que necesitan para lograr sus objetivos con un apoyo externo limitado. También trata de contratar a personas que muchos considerarían generalistas que cruzan la brecha entre la tecnología y la comunicación. Amplía este modelo con comentarios periódicos para, por ejemplo, una persona de datos que necesita ayuda para contar historias o un experto en la materia que necesita entender algún principio estadístico.

Reutilización y plantilla.

Colson también creó un «equipo de interfaz de usuario de algo». Piense en esto como un grupo de personas que combinan sus talentos de diseño y de manipulación de datos para crear conjuntos de códigos reutilizables que produzcan una buena visualización de datos para los equipos del proyecto. Estas plantillas tienen un valor incalculable para que un equipo funcione de manera eficiente. Las conversaciones que un diseñador de información, por ejemplo, tendría con un analista de datos sobre las mejores prácticas de visualización se codifican en las herramientas. Graham MacDonald, científico jefe de datos del Urban Institute, ha fomentado con éxito este tipo de cooperación en materia de plantillas. Su grupo produce datos por condado para muchos condados de EE. UU. Al reunir información y experiencia en el tema para entender las necesidades de comunicación, el grupo creó una plantilla reutilizable que podía personalizar la salida para cualquier condado en particular. Ese resultado habría sido difícil sin la integración de esos talentos en el equipo.

CONCLUSIÓN

La presentación de la ciencia de datos al público profano —la última milla— no ha evolucionado tan rápido ni tan plenamente como la parte técnica de la ciencia. Debe ponerse al día y eso significa replantearse la forma en que se forman los equipos de ciencia de datos, cómo se gestionan y quién participa en cada punto del proceso, desde el primer flujo de datos hasta el gráfico final que se muestra a la junta. Hasta que las empresas no puedan recorrer con éxito esa última milla, los equipos de ciencia de datos tendrán un rendimiento inferior. Proporcionarán, en palabras de Willard Brinton, cimientos sin catedrales.