Por qué IT Fumbles Analytics

En su afán por extraer información de las enormes cantidades de datos que ahora están disponibles de fuentes internas y externas, muchas empresas están gastando mucho en herramientas de TI y en contratar científicos de datos. Sin embargo, la mayoría se esfuerza por lograr una devolución que valga la pena. Esto se debe a que tratan sus proyectos de macrodatos y análisis de la misma manera que tratan todos los proyectos de TI, sin darse cuenta de que son animales completamente diferentes.

El enfoque convencional de un proyecto de TI, como la instalación de un sistema ERP o CRM, se centra en crear e implementar la tecnología a tiempo, según lo planificado y dentro del presupuesto. Los requisitos de información y las especificaciones tecnológicas se establecen desde el principio, en la fase de diseño, cuando se rediseñan los procesos. A pesar de las historias de terror que todos hemos escuchado, este enfoque funciona bien si el objetivo es mejorar los procesos empresariales y si las empresas gestionan el cambio organizacional resultante de forma eficaz.

Pero hemos visto una y otra vez que, incluso cuando estos proyectos mejoran la eficiencia, reducen los costes y aumentan la productividad, los ejecutivos siguen insatisfechos. El motivo: una vez que el sistema entre en funcionamiento, nadie presta atención a cómo utilizar la información que genera para tomar mejores decisiones ni para obtener una visión más profunda (quizás imprevista) de los aspectos clave del negocio.

Por ejemplo, un sistema que una compañía de seguros instale para automatizar su proceso de gestión de siniestros podría mejorar considerablemente la eficiencia, pero también generará información para fines que nadie ha articulado o previsto. Con los nuevos datos, la empresa puede crear modelos para estimar la probabilidad de que una reclamación sea fraudulenta. Y puede utilizar los datos sobre la velocidad, las curvas, el frenado y la aceleración de los conductores (recopilados en tiempo real a través de los sensores instalados en los coches) para distinguir entre conductores responsables y menos responsables, evaluar la probabilidad de accidentes y ajustar las primas en consecuencia. Sin embargo, el simple hecho de poner en marcha el sistema no ayudará automáticamente a la empresa a adquirir este conocimiento.

Nuestra investigación, que ha implicado el estudio de más de 50 organizaciones internacionales de diversos sectores, ha identificado un enfoque alternativo a los proyectos de macrodatos y análisis que permite a las empresas explotar continuamente los datos de nuevas formas. En lugar del despliegue de la tecnología, se centra en la exploración de la información. Y en lugar de ver la información como un recurso que reside en las bases de datos (lo que funciona bien para diseñar e implementar los sistemas de TI convencionales), ve la información como algo que las propias personas hacen valioso.

En consecuencia, es crucial entender cómo las personas crean y utilizan la información. Esto significa que los equipos de proyectos necesitan miembros bien versados en las ciencias cognitivas y del comportamiento, no solo en ingeniería, informática y matemáticas. También significa que los proyectos no se pueden planificar de forma ordenada. Implementar herramientas de TI analíticas es relativamente fácil. Entender cómo podrían usarse está mucho menos claro. Al principio, nadie sabe las decisiones que apoyarán las herramientas ni las preguntas que se espera que ayuden a responder.

Por lo tanto, un proyecto de macrodatos o análisis no puede tratarse como un gran proyecto de TI convencional, con sus resultados definidos, las tareas necesarias y los planes detallados para llevarlas a cabo. Es probable que la primera sea una iniciativa mucho más pequeña y corta. Encargado para abordar un problema o una oportunidad que alguien ha percibido, un proyecto de este tipo formula preguntas a las que los datos podrían dar respuestas, desarrolla hipótesis y, a continuación, experimenta de forma iterativa para adquirir conocimientos y comprensión. Hemos identificado cinco pautas para realizar este viaje de descubrimiento.

Implementar herramientas de TI analíticas es relativamente fácil. Entender cómo podrían usarse está mucho menos claro.

1. Poner a las personas en el centro de la iniciativa

La lógica detrás de muchas inversiones en herramientas de TI e iniciativas de macrodatos es que ofrecer a los gerentes más información de alta calidad con mayor rapidez mejorará sus decisiones y les ayudará a resolver problemas y a obtener información valiosa. Eso es una falacia. Ignora el hecho de que los gerentes pueden descartar la información por buena que sea, que tienen varios sesgos y que puede que no tengan la capacidad cognitiva para utilizar la información de forma eficaz.

La realidad es que muchas personas, incluidos los gerentes, se sienten incómodas trabajando con datos. Cualquier iniciativa basada en la información debe reconocerlo. Debe poner a los usuarios (las personas que crearán significado a partir de la información) en el centro. Debería cuestionar la forma en que utilizan o no los datos para llegar a conclusiones y tomar decisiones, instándolos a confiar en el análisis formal en lugar de en el instinto. Y debería cuestionar sus suposiciones sobre los clientes, los proveedores, los mercados y los productos.

Lograr esos cambios de mentalidad era el objetivo de un gran fabricante de productos químicos con sede en Europa. La empresa, a la que llamaremos ChemCo, había crecido rápidamente mediante adquisiciones y tenía un nuevo CEO con la intención de desarrollar un panorama coherente de los clientes. También quería que los directivos y los empleados de todos los niveles utilizaran los datos para mejorar su comprensión de la empresa y tomar decisiones de forma más eficaz.

El equipo ejecutivo y él promovieron la opinión de que basarse en los datos y crear información utilizable deberían formar parte de «seguir como de costumbre». Creían que crear un gran sistema de CRM de inmediato enviaría un mensaje equivocado, a saber, que un nuevo sistema cambiaría la forma en que los gerentes utilizaban y compartían la información de los clientes. También les preocupaba que la iniciativa se considerara únicamente un proyecto de TI. Un directivo sénior comentó: «Tenemos que dejar claro que queremos que los directivos de todos los niveles trabajen de una manera más basada en la evidencia; así es como deberían hacer su trabajo».

El primer paso de ChemCo fue reunir a los analistas de datos existentes de toda la empresa para formar equipos de soporte de información. A cada equipo se le asignó una o dos unidades de negocio y se le encargó entender en profundidad sus decisiones y necesidades de información y, luego, ayudar a los empleados a mejorar la forma en que accedían a los datos y los utilizaban. Al principio, los equipos seguían a los empleados en las visitas a los clientes y proveedores para saber qué información implicaba el trabajo de cara a los clientes, cómo se utilizaba, dónde no estaba disponible y dónde ayudaba u dificultaba la realización de una tarea, como negociar una venta. A continuación, cada equipo organizó talleres con empleados orientados al cliente para presentar lo que había aprendido, ofrecer ideas para ofrecer información mejorada y obtener comentarios.

Sobre la base de los talleres, los equipos desarrollaron prototipos de varios informes informativos y trabajaron con las unidades de negocio para probarlos. Dado que al cerebro le resulta más fácil procesar la información si se presenta visualmente, los equipos incorporaron gráficos, gráficos y diseños de pantalla en los prototipos. Estos experimentos mostraron si los empleados asimilaban la información, los comportamientos que mostraban y, en última instancia, si ganaban el negocio. No fue hasta esta etapa, una vez que la empresa desarrolló una visión profunda de cómo los empleados utilizaban la información, que se implementó un sistema de CRM en toda la organización.

ChemCo no personalizó su sistema más de lo que suelen hacer otras firmas. Pero en comparación con la mayoría de las empresas, tenía una idea mucho más clara de qué información se recopilaría y mantendría y cómo se aplicaría. Y como los vendedores participaron desde el principio, aceptaron sin reservas la necesidad de trabajar de una manera basada en la evidencia.

A medida que los empleados de ventas y servicio empezaron a utilizar la nueva información de forma más eficaz, los gerentes se plantearon cómo modificar las bases de datos de clientes para apoyarlos. Con el tiempo, el CEO fomentó una mayor estandarización de las prácticas de venta y uso de la información en todas las unidades de negocio y preparó el camino para desarrollar puntos de vista y una comprensión compartidos de los clientes. Su mantra: «¿Lo hacemos? pensar esto es cierto, ¿o nosotros sabe ¿esto es cierto?» Las unidades identificaron lo que no sabían sobre sus clientes y las prácticas de venta que podían provocar interacciones deficientes con los clientes y pérdida de negocios. A medida que la empresa mejoró sus interacciones con los clientes, los ingresos aumentaron; esto, a su vez, aumentó el deseo de los vendedores por obtener información de mayor calidad sobre los clientes y las ventas que pudieran utilizar para mejorar su rendimiento, un círculo virtuoso.

2. Haga hincapié en el uso de la información como forma de aprovechar el valor de la TI

Las iniciativas diseñadas para extraer información de los sistemas existentes o de nuevas fuentes de datos deben reconocer lo complicado (y complejo) que es ese proceso. Las personas no piensan en el vacío; dan sentido a las situaciones en función de sus propios conocimientos, modelos mentales y experiencias. También utilizan la información de diferentes maneras, según el contexto. La cultura de una organización, por ejemplo, puede enmarcar la forma en que las personas toman decisiones, colaboran y comparten conocimientos. Además, las personas utilizan la información de forma dinámica e iterativa. Los pasos para detectar un posible problema u oportunidad, decidir qué información se necesita y, luego, recopilarla, organizarla e interpretarla se producen en ciclos.

El enfoque convencional de desarrollo de TI ignora esas realidades. El diseño de la mayoría de los sistemas de TI tiene en cuenta los datos que se han identificado como importantes y controlables. Abstraerse de la complejidad del mundo real de esta manera y crear reglas lógicas y formales para el procesamiento de los datos simplifican el diseño del sistema y proporcionan resultados claramente definidos. Ese enfoque es adecuado para actividades muy estructuradas y cuyas tareas se pueden describir con precisión, como procesar los pedidos de los clientes. Es ideal para trasladar la información del dominio humano al dominio de la tecnología, de modo que las organizaciones puedan aprovechar la fenomenal capacidad de procesamiento de los ordenadores y eliminar la participación humana siempre que sea posible.

El problema es que muchas organizaciones aplican por error esta filosofía de diseño a la tarea de obtener datos fuera del dominio de la tecnología y en el dominio humano para que pueda convertirse en información útil y, en esos casos, el enfoque normalmente fracasa. En el caso de los directivos, eso se debe a que sus funciones suelen ser complejas y tienen poca estructura. Incluso cuando una organización trata de captar sus necesidades de información, solo puede tomar una instantánea, lo que no refleja en modo alguno el desorden de su trabajo. En un momento dado, un gerente necesitará datos para respaldar una decisión específica y limitada; en otro, buscará patrones que sugieran nuevas oportunidades de negocio o revelen problemas. Debe ser capaz de desarrollar ambos tipos de conocimiento.

Los gerentes no son los únicos a los que no sirve adecuadamente el enfoque convencional. Lo mismo ocurre con muchos trabajadores del conocimiento. Por ejemplo, un ingeniero que trabaja para un fabricante de motores aeroespaciales no puede esperar que el software de diagnóstico por sí solo determine las causas de los problemas utilizando la enorme cantidad de datos sobre el rendimiento del motor que genera la empresa. Más bien, el ingeniero debe tener una experiencia y unos conocimientos considerables para identificar las relaciones y hacer preguntas sobre los datos, a menudo mediante la prueba de hipótesis. Y al interpretar los resultados de cualquier análisis, debe basarse en la experiencia para eliminar las explicaciones falsas o engañosas. Un ingeniero nos contó que tenía 30 años de experiencia en análisis de vibraciones, pero que aún estaba aprendiendo a filtrar e interpretar los datos.

Los proyectos de TI no suelen animar a las personas a buscar nuevas formas de resolver problemas antiguos.

Los proyectos de análisis tienen éxito al desafiar y mejorar la forma en que se utiliza la información, se responde a las preguntas y se toman las decisiones. Estas son algunas formas de hacerlo:

Haga preguntas de segundo orden.

En lugar de dedicarse a crear un sistema que ayude a los profesionales de ventas a responder fácilmente a la pregunta: «¿Qué existencias debemos poner en las estanterías hoy en día?» una iniciativa podría empezar por preguntarse: «¿Hay alguna manera mejor de decidir cómo reponer las existencias?» Al plantear preguntas de segundo orden, es decir, preguntas sobre preguntas, el proyecto supone que los responsables de la toma de decisiones podrían mejorar su forma de operar.

Descubra qué datos tiene y qué no tiene.

Evite verse limitado por datos y sistemas de fácil acceso, que se basan en suposiciones y lógicas particulares sobre la forma en que debe gestionarse la empresa. Si bien pueden haber sido correctos en el pasado, lo más probable es que esos sistemas no hayan estado a la altura de un entorno empresarial y competitivo en continua evolución. Y lo más probable es que no se exploten las montañas de datos atrapadas en silos departamentales, como las operaciones de I+D, ingeniería, ventas y servicio. En muchas instituciones financieras, por ejemplo, las diversas líneas de negocio no comparten datos, lo que impide que las empresas se formen una visión coherente de los clientes individuales y entiendan las carteras de clientes en relación con las tendencias del mercado.

Ofrezca a los equipos de proyectos de TI la libertad de replantear los problemas empresariales.

La apertura a analizar los problemas desde una nueva perspectiva llevó a los banqueros centrales de países como el Reino Unido e Israel a encontrar una fuerte correlación entre las amplias tendencias económicas y las búsquedas de los consumidores en Google de lavadoras, clases de aeróbic, coches y otros artículos de lujo. La idea de buscar esta relación comenzó como un presentimiento en la sede de Google, donde un economista de plantilla comenzó a explorar si determinadas palabras clave podían presagiar las conclusiones de los informes económicos tradicionales. El artículo resultante se distribuyó entre los economistas de los bancos centrales, lo que despertó su interés.

Hemos observado que los proyectos de TI no suelen animar a las personas a buscar nuevas formas de resolver problemas antiguos. Esta falta de creatividad se debe a menudo a una visión miope de los datos y su valor para la empresa. Para combatir esta actitud, algunas organizaciones han adoptado técnicas como la lluvia de ideas y la presentación de suposiciones y las pruebas. Cada vez vemos más foros de descubrimiento en línea, en los que se invita a los empleados de la empresa a aportar ideas sobre los mercados a los que prestar servicio, las nuevas tendencias de los clientes y las nuevas formas de aprovechar este conocimiento.

3. Equipe a los equipos de proyectos de TI con científicos cognitivos y conductuales

La mayoría de los profesionales de TI tienen formación en ingeniería, informática y matemáticas. No es sorprendente que, por lo general, sean muy lógicos y piensen muy bien en los procesos, y tienden a centrarse menos en la «I» y más en la «T» de la TI. Para tareas como el procesamiento de operaciones financieras o transacciones minoristas, estas son las habilidades ideales. Sin embargo, si el objetivo es apoyar el descubrimiento del conocimiento, se convierten en un obstáculo.

Para abordar este problema, muchas empresas han incorporado a personas con un profundo conocimiento del negocio a los equipos de proyectos de TI, han expuesto a los profesionales de TI a problemas empresariales complejos y han contratado a más científicos de datos. Pero esas jugadas no serán suficientes. Cuando trabaje con grandes conjuntos de datos, probablemente pueda encontrar relaciones estadísticamente significativas entre cualquier variable que elija. Lo que lo hace volver a la realidad es el conocimiento del negocio. El dilema es que este conocimiento también puede limitar su esfera de pensamiento.

Por esa razón, los macrodatos y otros proyectos de análisis requieren personas versadas en las ciencias cognitivas y del comportamiento, que entiendan cómo las personas perciben los problemas, utilizan la información y analizan los datos para desarrollar soluciones, ideas y conocimientos. Este cambio refleja el cambio de la economía hacia la economía del comportamiento, que aplica los conocimientos de los campos de la psicología social y las ciencias cognitivas y del comportamiento para desarrollar una nueva comprensión de la forma en que las personas piensan y se comportan en los mercados y las economías.

En algunas organizaciones actuales, los proyectos de macrodatos y análisis ya incluyen a personas con experiencia en esos campos. Her Majesty’s Revenue and Customs (HMRC), la agencia tributaria británica, ha contratado recientemente a psicólogos organizacionales, que ayudan a los equipos de análisis a mejorar sus habilidades interpretativas, por ejemplo, haciéndoles conscientes de sus sesgos confirmatorios: sus tendencias a buscar o interpretar la información de una manera que confirme sus ideas preconcebidas. Uno de esos sesgos era que ciertos enfoques de cobro de deudas funcionaban para categorías particulares de contribuyentes.

Los líderes de HMRC reconocen que, además de saber cómo funciona la empresa (por ejemplo, qué tipo de caso puede ir a los tribunales, qué implica ese proceso y por qué algunos casos fracasan), los científicos de datos también necesitan entender la mentalidad de los cobradores de deudas y el comportamiento de los deudores (por ejemplo, por qué algunas personas que adeudan impuestos pagan antes de que el caso llegue a los tribunales y otras no). Los psicólogos organizacionales ayudan en ello. También pasan tiempo sobre el terreno con los inspectores (que llevan a cabo las investigaciones fiscales) y el personal de los centros de llamadas (que negocian con los contribuyentes).

Las organizaciones que quieren que los empleados estén más orientados a los datos en su forma de pensar y tomar decisiones deben formarlos para que sepan cuándo basarse en los datos y cómo formular preguntas, elaborar hipótesis, realizar experimentos e interpretar los resultados. La mayoría de las escuelas de negocios no enseñan eso actualmente. Eso debería cambiar.

4. Centrarse en el aprendizaje

Los macrodatos y otros proyectos de análisis se parecen más a la investigación científica y los ensayos clínicos que a las iniciativas de TI. Por lo general, comienzan con la detección de problemas u posibles oportunidades, lo que inicialmente puede ser el presentimiento de alguien. Luego, a menudo pasan a desarrollar teorías sobre la existencia de un resultado o efecto en particular, generan hipótesis, identifican los datos relevantes y realizan experimentos. En resumen, son oportunidades de descubrimiento.

El ciclo de detectar, analizar y descubrir se puede repetir muchas veces. En consecuencia, los proyectos pueden durar desde unas horas hasta más de seis meses, según la complejidad de los problemas empresariales, la disponibilidad y la calidad de los datos externos e internos, la naturaleza de los experimentos y las técnicas y herramientas analíticas que se empleen. Sin embargo, la estructura cíclica y evolutiva y su duración relativamente corta hacen que los costes de estos proyectos sean mucho más fáciles de controlar que los de los proyectos de TI tradicionales.

Las organizaciones pueden hacer varias cosas para que el aprendizaje sea el centro de los proyectos de macrodatos y análisis:

Promover y facilitar una cultura de intercambio de información.

La mayor parte del aprendizaje en las organizaciones se lleva a cabo en equipos y en las interacciones entre los colegas. Por lo tanto, es crucial fomentar una cultura de colaboración en la que la transparencia, la confianza y el intercambio motiven a los directores y científicos de datos a aportar sus mejores ideas y conocimientos. Un entorno en el que la información no se comparta libremente y se oculten los fracasos y los errores no tiene cabida en las iniciativas de generación de conocimiento.

Una empresa de servicios financieros que estudiamos ha creado un «laboratorio de datos» para reunir a directivos de diferentes funciones y a científicos de datos para que trabajen en problemas específicos en un entorno de descubrimiento y aprendizaje, libre de las presiones normales del trabajo diario. Esto permite que surjan nuevas interpretaciones de los datos y las ideas de negocio a partir de conversaciones sinceras en todas las disciplinas.

Exponga sus suposiciones, sesgos y puntos ciegos.

Esté dispuesto a reformular el por qué, el qué y el cómo de sus prácticas comerciales aceptadas. Desarrolle y pruebe hipótesis para explorar los límites de lo que sabe y lo que no sabe.

Esfuércese por demostrar la causa y el efecto.

La analítica consiste en descubrir relaciones y patrones significativos en los datos, como los factores que parecen causar o están relacionados con ciertos resultados. Por lo tanto, es importante ir más allá de los síntomas y, en cambio, abordar preguntas como: ¿Cuál es el problema que estamos intentando resolver? ¿Cuáles son sus causas fundamentales? ¿Qué factores parecen contribuir a resultados particulares? ¿Qué podemos hacer de otra manera?

Por ejemplo, HMRC recibe alrededor de 300 000 declaraciones en papel al año sobre sucesiones legadas, de las cuales aproximadamente 200 000 afirman estar por debajo del umbral para pagar el impuesto de sucesiones. Debido al gran número de declaraciones, la agencia tuvo problemas para identificar los casos en los que se adeudaban más impuestos de los declarados. Así que buscó descubrir relaciones entre los datos que ayudaran a detectar esas devoluciones. Partiendo de las declaraciones que antes se marcaban como inexactas, los empleados de HMRC construyeron teorías sobre los factores que podrían indicar una declaración insuficiente. A partir de esas teorías, construyeron hipótesis y las pusieron a prueba con datos históricos. Tras muchas iteraciones, la agencia descubrió que una combinación de datos sobre la propiedad y las transacciones de propiedades, la propiedad de la empresa, los préstamos, las cuentas bancarias, el historial laboral y los registros fiscales extraídos de diversas fuentes públicas y privadas era eficaz para identificar posibles declaraciones fraudulentas. A partir de esos datos, la agencia creó un modelo —que sigue afinando— para predecir qué sucesiones tendrían obligaciones tributarias. Las propiedades que no declaran responsabilidades, pero con perfiles particulares, son ahora objeto de un mayor escrutinio. El resultado de este esfuerzo ha sido un aumento significativo de los ingresos fiscales.

Identifique las técnicas y herramientas adecuadas.

Los científicos y analistas de datos tienen sus técnicas y fuentes de datos favoritas. Los directivos deben entender sus puntos fuertes y débiles a la hora de decidir cómo gestionar la avalancha de datos recién disponibles.

Un ejemplo de una industria que se enfrenta a ese desafío es el de los productos farmacéuticos, que están en las primeras etapas de averiguar cómo utilizar las tecnologías de monitorización para reducir los costes y mejorar la calidad de los ensayos con fármacos. Lograr la aprobación de un medicamento por parte de la Administración de Alimentos y Medicamentos de los Estados Unidos puede costar casi mil millones de dólares e implica realizar ensayos con cientos, si no miles, de pacientes. En el pasado, los médicos vigilaban a los participantes en los ensayos principalmente visitándolos periódicamente en sus consultorios. Las tecnologías actuales, como los sensores que se pueden colocar en el cuerpo del paciente, ofrecen la posibilidad de monitorear a los participantes las 24 horas del día y capturar datos en tiempo real sobre su cumplimiento del régimen de tratamiento y los efectos positivos y negativos del fármaco.

Los gerentes deben esperar ensuciarse las manos durante el proceso iterativo de generación de información empresarial.

El desafío para las compañías farmacéuticas es encontrar formas de analizar toda esta información y averiguar qué es lo que es realmente útil y qué es simplemente ruido. Esto requerirá que desarrollen modelos y simulaciones que generen resultados fiables y científicamente válidos sobre la eficacia de los fármacos que la FDA acepte.

Las técnicas analíticas y los experimentos controlados son herramientas para pensar. Pero son las personas las que piensan y aprenden realmente, por lo que los directivos deben esperar ensuciarse las manos durante el proceso iterativo de generación de información empresarial. Si bien puede haber momentos de «ja, ja», en los que las ideas y los conocimientos surjan rápidamente, habrá muchas más ocasiones en las que los gerentes (y no solo los especialistas y analistas de datos) deberán replantearse el problema, cuestionar los datos y dejar de lado sus expectativas.

5. Preocúpese más por resolver los problemas empresariales que por implementar la tecnología

La gestión de proyectos de TI convencional es reacia al riesgo. Se concentra casi exclusivamente en neutralizar las amenazas a la entrega exitosa de un nuevo sistema. Por el contrario, los proyectos relacionados con el uso de la información y los macrodatos deberían centrarse menos en gestionar los riesgos del despliegue de la tecnología y más en resolver los problemas empresariales o, dicho de otra manera, estos proyectos deberían tratar de evitar el riesgo de no lograr resultados empresariales exitosos. Este enfoque es razonable porque, como hemos señalado, los proyectos de análisis no son ni de lejos tan grandes ni tan caros como el despliegue de un sistema ERP o CRM.

Pensemos en un minorista europeo de artículos eléctricos que estudiamos y que quería regalar iPads a los vendedores de todas sus tiendas. El objetivo principal era proporcionar información sobre el producto que pudiera ser útil en el proceso de venta. Las tabletas también ayudarían a los gerentes de las tiendas y a los vendedores con la comercialización y el diseño, y les pondrían al día sobre las promociones y las actividades de marketing. Uno de los principales problemas empresariales que abordó el proyecto fue que los argumentos de venta en las tiendas no siempre tenían éxito.

Para evaluar ideas para mejorar las interacciones entre los vendedores y los clientes, el minorista llevó a cabo experimentos controlados en los que los vendedores utilizaron varios diseños de información sobre los productos y estilos de presentación para comunicarse con los clientes. Al principio, este experimento retrasó el despliegue de los iPads para su uso en las tiendas, lo que aumentó el riesgo de que el proyecto no cumpliera su fecha límite y superara su presupuesto, lo que podría haberse traducido en una reducción del alcance del proyecto si el minorista hubiera aplicado el enfoque convencional de gestión de proyectos de TI. Sin embargo, saber qué diseños de información funcionaban ayudó a reducir el riesgo empresarial de perder ventas. En nuestra investigación, hemos considerado que las conexiones entre las personas y los eventos son los principales impulsores del uso de la información. Las personas utilizan la información para entender la interacción social (por ejemplo, cómo funcionan las conversaciones de ventas con los distintos segmentos de clientes) y para entender las relaciones (por ejemplo, cómo responden los segmentos de clientes a determinadas formas de diseño de productos). Solo es posible proporcionar información relevante si se entiende esta interconexión. Si bien implementar las tabletas de forma adecuada en las tiendas es una preocupación importante, el objetivo principal del proyecto debería ser mejorar la forma en que los directores de ventas y el personal utilizan la información para impulsar las ventas. Las organizaciones llevan mucho tiempo recurriendo a la TI para controlar los datos mediante la automatización de las transacciones, la racionalización de los flujos de información y el almacenamiento de los datos para su posterior recuperación. Los enfoques convencionales de despliegue de la TI funcionan bien para lograrlo. La paradoja es que las tecnologías que se suponía que ayudaban a gestionar los datos ahora están provocando una avalancha masiva. A medida que las organizaciones buscan explotar los datos internos y externos, corren el riesgo de aplicar métodos convencionales cuando, en cambio, necesitan un enfoque y una mentalidad fundamentalmente diferentes.

Mejorar la forma en que las empresas extraen valor de los datos requiere algo más que herramientas analíticas. Implica crear un entorno en el que las personas puedan utilizar los datos de la empresa y sus propios conocimientos para mejorar el rendimiento operativo y estratégico de la empresa. En este nuevo paradigma, la prioridad del director es hacer descubrimientos que puedan beneficiar a la organización e identificar las incógnitas que puedan ponerla en riesgo.