Tres preguntas para hacerle a su equipo de análisis avanzado
por Niko Karvounis
Esto es algo que los altos directivos deben tener en cuenta al lanzar iniciativas de Big Data: La analítica avanzada consiste principalmente en encontrar relaciones entre diferentes conjuntos de datos. La primera tarea del líder es asegurarse de que la organización tiene las herramientas para hacerlo.
Tres preguntas sencillas y de alto nivel pueden ayudarlo a guiar el progreso en ese frente y a mantener a las personas centradas en esa tarea central. En una entrada posterior, propondré una segunda serie de preguntas que surgen cuando la organización profundiza en sus iniciativas de Big Data.
1. ¿Cómo vamos a coordinar los datos multicanal?
Las empresas operan en más ámbitos que nunca: en las tiendas, en persona, por teléfono, la web, los dispositivos móviles y los canales sociales. Recopilar datos de cada uno de estos canales es importante, pero también lo es coordinar esos datos. Supongamos que es gerente en una tienda minorista de consumo, ¿cuántos clientes de Internet también compran en sus tiendas físicas y con qué frecuencia?
Una solución en este caso es un identificador multicanal común. En Quovo, hemos creado una plataforma de análisis de inversiones que agrupa las cuentas de los inversores de varios custodios y casas de bolsa en un solo perfil de cliente. Esto permite a los inversores analizar fácilmente el panorama completo de sus inversiones, sin importar dónde se encuentren los datos.
En última instancia, ese es el valor de un identificador común para cualquier empresa: un panorama más completo de los datos relacionados en un solo anuncio. En el ejemplo de la venta minorista, una sola cuenta de registro para el comercio web y móvil puede ayudar a consolidar los datos de ambos canales y ofrecer una mejor visión de las compras en línea de un cliente. En términos aún más generales, un programa de fidelización de clientes puede ayudar, ya que proporciona a los consumidores un identificador único que pueden aplicar a cada compra, independientemente del canal. Las farmacias como CVS y Walgreens llevan años utilizando este sistema para hacer un seguimiento del comportamiento de los clientes y tener una visión completa de los patrones de compra, las tendencias de fidelización y el valor de por vida de los clientes.
Una nota final: los identificadores comunes son útiles para cualquier organización, pero pueden ser especialmente importantes para las grandes organizaciones que gestionan varios sistemas o que han crecido mediante adquisiciones. En este caso, los identificadores compartidos pueden ayudar a unir diferentes conjuntos de datos y sistemas que, de otro modo, podrían tener problemas para «comunicarse» entre sí.
2. ¿Cómo vamos a tratar los datos no estructurados?
Si su organización quiere tomarse en serio la idea de aprovechar al máximo el valor de los datos, es imprescindible abordar los datos no estructurados. Los datos no estructurados son datos cualitativos y desordenados (piense en correos electrónicos, notas, declaraciones en PDF, transcripciones, documentos legales, multimedia, etc.) que no caben bien en los formatos cuantitativos estandarizados. Puede contener información valiosa; un ejemplo que se cita con frecuencia son las notas clínicas manuscritas de los médicos, que suelen contener la información más importante sobre el estado de los pacientes.
Hay varias formas diferentes de empezar a pensar en la captura de datos no estructurados. Sus sistemas de bases de datos pueden tener espacio para campos de formulario, comentarios o archivos adjuntos; permiten adjuntar fuentes y archivos no estructurados a los registros. Los metadatos y las taxonomías también son útiles. Los metadatos son datos sobre datos: etiquetar anuncios o registros específicos con descripciones para ayudar a categorizar contenido que de otro modo sería idiosincrásico. Las taxonomías consisten en organizar los datos jerárquicamente según características comunes. En el ejemplo de la historia clínica, podría etiquetar las historias clínicas de los pacientes con niveles altos de colesterol (esta etiqueta sería un ejemplo de metadatos) y, a continuación, configurar su gobierno de datos para poder desglosar este grupo por género y, dentro del género, por edad (la capacidad de respaldar esta creciente granularidad dentro de una categoría es un ejemplo de taxonomías).
3. ¿Cómo podemos crear los datos que necesitamos a partir de los datos que tenemos?
En última instancia, los análisis de datos solo son útiles si le ayudan a tomar decisiones empresariales más inteligentes, pero es posible que los datos que tiene no sean tan relevantes para esas decisiones como deberían serlo. Las empresas tienen que pensar detenidamente qué variables o combinaciones de variables son las más importantes para las decisiones empresariales clave.
Los proveedores de seguros de automóviles se enfrentan a este problema todos los días, como descubrí durante mi trabajo en el sector con LexisNexis. Hoy en día, muchas compañías de seguros están poniendo a prueba programas telemáticos, que rastrean los patrones de conducción de los asegurados en tiempo real a través de dispositivos integrados en el automóvil. A continuación, estos datos telemáticos se introducen en los modelos actuariales para predecir el riesgo de conducción (y, por lo tanto, las primas de seguro). La idea es que el comportamiento de conducción directa a lo largo del tiempo sea más predictivo que los indicadores tradicionales, como la edad, la calificación crediticia o la ubicación geográfica. Si bien esto parece una suposición lógica, la verdadera pregunta no es si el comportamiento de conducción es más predictivo que los poderes tradicionales, sino si el comportamiento de conducción combinado con los proxies tradicionales es lo más predictivo de todo.
Para las aseguradoras, transformar estos datos en su forma más útil puede requerir la creación de nuevas variables o puntuaciones compuestas a partir de los datos existentes, algo así como una puntuación de riesgo de conducción que dé peso a los datos telemáticos, la geografía, y calificación crediticia. Lo mejor de este enfoque es que consolida varios flujos de datos únicos en una métrica utilizable que refleja directamente una decisión empresarial fundamental: a quién asegurar y por cuánto. ¿Cuál es el equivalente a una puntuación de conducción para su ¿organización?
El Big Data es algo complicado y las tres preguntas que se abordan aquí no son el final del camino. Pero sí reflejan la mentalidad estratégica que los altos directivos deben mantener para aprovechar al máximo la analítica avanzada y generar un contexto de datos rico y estratificado en torno a la confusa realidad de los negocios.
_____________________
Artículos Relacionados
La IA es genial en las tareas rutinarias. He aquí por qué los consejos de administración deberían resistirse a utilizarla.
Investigación: Cuando el esfuerzo adicional le hace empeorar en su trabajo
A todos nos ha pasado: después de intentar proactivamente agilizar un proceso en el trabajo, se siente mentalmente agotado y menos capaz de realizar bien otras tareas. Pero, ¿tomar la iniciativa para mejorar las tareas de su trabajo le hizo realmente peor en otras actividades al final del día? Un nuevo estudio de trabajadores franceses ha encontrado pruebas contundentes de que cuanto más intentan los trabajadores mejorar las tareas, peor es su rendimiento mental a la hora de cerrar. Esto tiene implicaciones sobre cómo las empresas pueden apoyar mejor a sus equipos para que tengan lo que necesitan para ser proactivos sin fatigarse mentalmente.
En tiempos inciertos, hágase estas preguntas antes de tomar una decisión
En medio de la inestabilidad geopolítica, las conmociones climáticas, la disrupción de la IA, etc., los líderes de hoy en día no navegan por las crisis ocasionales, sino que operan en un estado de perma-crisis.