COMPETIR CON ANALYTICS

Autor: Juan Cotrina

Estuve como expositor en el PAE 2019, uno de los eventos más importantes de Analytics en Latinoamérica, presentando nuestro caso de éxito logrado en Financiera Efectiva gracias a la implementación de una suite Big Data Analytics y los impactos muy positivos que ha tenido en la organización.

Foto cortesía de Informese

Los datos son actualmente uno de los activos más importantes en todo tipo de organización. Para obtener el valor que contienen se requiere que la organización aborde cinco pilares clave, que son: cultura, talento, datos, procesos y tecnología.

CULTURA

En este pilar los accionistas necesitan en el directorio tener miembros con dominio de Analytics como centro de la estrategia competitiva. Es un paso clave. Para que la estrategia de la organización esté guiada por la Analytics, al menos debería existir una gerencia corporativa de Analytics quien asegure que la estrategia del negocio en toda su amplitud esté guiada por datos.

Los líderes de Analytics deberán tener pensamiento estratégico, analítico y sistémico, que son las cualidades que les permiten afrontar y resolver problemas complejos, pues deben estar preparados para entender la dinámica de los contextos, los cambios tecnológicos, para luego construir una visión y una hoja de ruta. También deberán entender que hacer Analytics no es contratar a un equipo de matemáticos o estadísticos o de sistemas, tampoco comprar software millonarios y botarlos a la basura o sub utilizarlos. Hacer Analytics es una filosofía de gestión y para ello hay que meterlo en las venas a la organización.

Cambiar muchos paradigmas. Cuando se trabaja con Analytics los ejecutivos deberán estar dispuestos a dejar sus prejuicios, sus sentidos comunes, sus olfatos ejecutivos. Deberán estar dispuestos a perder cada vez más sus explicaciones sencillas a los problemas y dejar de entender el negocio por casos puntuales o casos aislados y tratar de generalizarlos, deberán aprender a pensar y gestionar en base a probabilidades. Nunca cogerán un caso aislado de un cliente y cuestionarán los modelos por ejemplo. Peor tratarán de trasladar sus experiencias pasadas a nuevos contextos, cada organización es distinta, por ende sus procesos son distintos y por tanto sus datos.

Si trabajan con modelos, deberán estar dispuestos a no aplicar reglas expertas que distorsionen los modelos. Y deberán estar dispuestos a estar en la olla de grillos, porque si los modelos guían los negocios, al no ser perfectos como todo, los cuestionamientos recaerán sobre el modelo. Deberán estar dispuestos a invertir porque no es barata esta filosofía de gestión. Los accionistas deberán velar que toda la organización gire entorno al Analytics.

Ya son varias las organizaciones que han tomado conciencia de activar los datos de sus organizaciones y han empezado contratando Chief Data Officer, Chief Analytics Officer, etc. Son buenos inicios al menos en intensiones, pero lamentablemente ante la falta de expertos en la alta dirección estos nuevos puestos están siendo absorbidos como áreas de soporte, algo parecido a las áreas de Inteligencia de Negocios tradicionales no pudiendo impactar la transformación del negocio con la Analytics debido a que es usado como área de soporte. La alta dirección y los accionistas deberían entender que su voz debe tener voto en todo lo que hace la organización, y diría aún más que el promedio de las gerencias, porque debería estar sumamente actualizado con lo último de las tecnologías de datos, visionar el futuro de los negocios y construir una hoja de ruta, en un mundo donde cada vez las cosas están en pleno proceso de automatización y digitalización. No tiene sentido que las organizaciones emprendan planes tradicionales de negocios sin tener al centro la Analytics.

Para el 2030 el 70% de las organizaciones serán agentes de información, entonces es vital que en base a esta visión la Analytics se acelere cuanto antes. La alta dirección y los accionistas deben entender que la Analytics es una filosofía y que implica diversos dominios como: machine learning, inteligencia artificial, analítica predictiva, analítica cognitiva, vehículos autónomos, robos humanoides, asistentes virtuales, realidad virtual, realidad aumentada, telemedicina, criptomonedas, transformación digital, cloud, blockchain, etc. ¿Y por qué tanto?, es sencillo: porque toda la lista que acabo de indicar trabaja con datos como entrada, procesos los datos y genera datos e información de salida, en el fondo todo es información, incluso cuando nuestro organismo recibe alimentos, viaja información de carbono, nitrógeno, oxígeno, hidrógeno, fosfato, potasio, calcio, etc. Todo nuestro organismo es información. Todo el futuro tiende a la digitalización y la automatización y la sangre de la digitalización es la Analytics, sin la cual, todo el futuro sería un montón de fierros imantados llamado hardware al que se les trasmite con electricidad, pero no hacen nada, menos piensan, peor resuelven inteligentemente problemas.

Transformar una organización no es implementar sistemas, modernizarlos, reemplazarlos. Es antes que nada decidir el modelo de competencia por el que apostará la organización para que construya sus ventajas competitivas a largo plazo y por qué no ventajas comparativas, y si decide que es la Analytics, entonces primero construir una visión de negocio guiada por la Analytics, luego una hoja de ruta y finalmente las estrategias. Y una de las estrategias será implementar sistemas o lo que ahora lo llaman las organizaciones digitalización, pero no al revés, es decir, primero implementar sistemas y luego ver por la Analytics, simplemente serán proyectos largos, sin un fin, y cuando estén listos podrían ya ser anticuados, inversiones no útiles, y peor podrían frenar la innovación Analítica.

La Analytics es una filosofía, por tanto hay que construirla. No es válido hacer quick wins, es terrible. Porque los quick wins o shotcuts acotan demasiado el ámbito de oportunidades, encerrando a la organización en una única solución, obliga a la organización a mirar un único árbol y hacer todo lo posible por lograr ese único árbol, dejando el bosque y el valor está en ver el bosque. Porque luego cuando se quiera escalar al resto de árboles causa desencanto, causa más gastos, mayor estrés laboral y lo peor se puede dejar de usar, se abandona. Y si se persiste podría llevar meses o años e incluso rehacer las cosas llegando a gastar más del doble o triple de lo que se hubiera hecho con una ruta bien visionada y planificada. Imagine al Excel de su ordenador solo con 5 celdas, un tipo de letra, una fórmula de sólo suma, y un único color, el negro. Eso es un quick win. Es algo incompleto de lo bonito, potente, de largo plazo que pudo haber sido.

Las cosas buenas, toman su tiempo, se visionan y cuando se implementan le dan saltos cuantitativos a las organizaciones. Les dejan en otro nivel en comparación al resto de organizaciones y de eso vive por algunos meses o años, luego nuevamente hay que reciclar y volver a construir el siguiente eslabón, que nuevamente tomará meses o años, pero deberá repetirse el ciclo.

TALENTO

Ya lo he dicho, hacer Analytics es sencillo. Competir con Analytics es el reto. El talento es clave. En el talento hay varios roles clave, ninguno es más importante que el otro, nadie es más que el resto y ninguno menos que los demás. Acá varias organizaciones fallan porque quieren hacer Analytics y creen que contratando personas de matemáticas, estadística y sistemas ya están con Analytics, esto está muy lejos de poder competir con Analytics. Se requieren varios roles con diversas experiencias, desde ingenieros de datos, arquitectos de datos, científicos de datos, logísticos de datos, analistas de negocios, analistas de kill apps, full stacks, etc. No que todos los roles se requieran a la vez, sino dependiendo de cada organización.

El talento es cada vez más escaso, pero también es cierto que cada vez la automatización también está llegando a profesionales de estas ramas también. Los primeros algoritmos que aplicaban los matemáticos surgieron en 1805, por ejemplo la regresión lineal, así que no es nuevo. Con ello la regresión logística binaria, que con los primeros ordenadores empezó a facilitar su aplicación, pasó a llamarse machine learning, y la extracción del valor de los datos pasó a llamarse minería de datos, hasta nuestros días esto no ha cambiado, pero es cierto que ha aumentado el poder de cómputo y hay nuevos algoritmos. En los métodos estadísticos iniciales obviamente se requerían los profesionales en estadística y econometría. Con el paso del tiempo aparecieron técnicas de machine learning más amigables y orientados y practicados principalmente por informático o de sistemas, y hay técnicas como las redes neuronales, las máquinas de vectores, los árboles de consenso, etc. En 1950 aparecieron las redes neuronales, el perceotron primero, luego el perceptron multicapa, hasta nuestros días que hay por ejemplo el Generative Adversarial Networks (GAN), que son métodos desarrollados por ingenieros de software y por tanto más simples de aplicar, ya no tan manuales el calibrado de parámetros como los métodos estadísticos. Actualmente se vive toda una corriente del fenómeno inteligencia artificial y métodos cognitivos, pero si vemos no son nuevo, dichos algoritmos tienen 70 años de antigüedad, solo que el mundo del marketing tecnológico los promociona de forma exagerada.

Bien, luego del repaso anterior es clave entender con qué quieren empezar las organizaciones para poder tener el perfil adecuado del talento. Al inicio se solicitó perfiles estadísticos, luego de sistemas, creo que a futuro ya no se debería pedir tales perfiles necesariamente, sino perfiles de investigadores en datos y técnicas, y en pueden entrar tranquilamente químicos, físicos, astronomía, biología, etc. ya que finalmente cada vez vemos en los cursos y talleres a nivel mundial diversos perfiles muy interesados en la Analytics que vienen de estas formaciones, esto debido a que aún no existe la carrera profesional de Analytics.

Una cualidad importante en el talento es la capacidad de resolver problemas complejos. Trabajar con datos por ahora es un problema muy complejo, agotador, porque sencillamente casi todas las organizaciones sufren de procesos de gestión de datos robustos, aún hay islas de información, peor poco interés en invertir en proyectos de datos. Entonces es importante que tengan resiliencia y persistencia.

Otra cualidad es que tengan capacidad de comunicar sus análisis y resultados. Como están en el mundo del detalle de datos, les cuesta mucho poder sintetizar y comunicar a un público que por lo general conocen poco de Analytics, sus técnicas y métodos. El talento está como pez en el agua, pero a la hora de comunicar cuesta. Y esta es una cualidad a desarrollar fuertemente y cada vez más, porque se generan datos nuevos y más complejos cada vez, y a otras velocidades y de diversos formatos.

DATOS

Es el mayor problema que tiene todo tipo de organización, que finalmente impacta en que se den malos servicios a los usuarios y clientes. Los gobiernos tampoco ayudan, sino más bien complican las cosas con temas como leyes de protección de datos en lugar de facilitar mediante sistemas seguros que las personas obtengan beneficios de sus datos. Hace tiempo publiqué cómo sería un escenario de ley para que las personas obtengan beneficio de sus datos (ver). Lo plantearé ante el Congreso del Perú, espero prospere.

Pero las organizaciones están en este punto complejo de datos, porque nunca han tomado en serio que su estrategia competitiva esté centrada en la Analytics, porque es la única forma en que se planifiquen los datos. Los gerentes de finanzas procuran sus estados financieros, los de ventas sus pronósticos y ejecuciones, los de logística sus inventarios, los de sistemas sus servidores, redes; los de Analytics deberían de planificar y resolver las necesidades de datos, si fuera de esa forma no habrían tantos problemas de datos.

Hay muchas organizaciones que han tomado conciencia de la necesidad de gestionar y gobernar sus datos, y ya han contratado perfiles de gobierno de datos, Chief Data Officer, gerentes de datos, pero nuevamente caen en errores, porque es como que querer construir un auto, y se empieza contratando al llantero, una locura. Y gastan millones de dólares y hay poco retorno. Insisto que es clave que en la alta dirección existan directores de Analytics. Investigando un poco nos encontramos que lo primero que estos perfiles de gerentes de datos han hecho es construir data lakes y se han convertido en pantanos de datos, sin una catalogación, sin sentido de uso, y sin un control de la calidad, todo por seguir la moda del big data. Y por supuesto muchas consultoras hacen buenos negocios con los temas de datos.

Los datos deben tener muchos atributos: ser relevantes, es decir que expliquen de manera importante diversos fenómenos de la organización; deben ser oportunos, es decir que estén en el momento necesario, y momento necesario significa que ayuden a cumplir con el objetivo del negocio o la meta en un instante, ni antes ni después; deben ser de calidad; deben ser parsimoniosos, es decir, lo suficiente que ayude y no estorbe; deben ser accesibles y baratos, y acá dependerá de la transaccionalidad, del funnel de ventas, del uso batch o transaccional, en tiempo real o cercano al tiempo real, etc; deben ser de preferible de captura automática, para evitar el error humano de digitación; deben ser estables en su suministro, es decir, si son claves debería asegurarse su continuidad de suministro por períodos largos, si hay proveedores externos de dichos datos exclusivos, habrá que hacer contratos de largo plazo, penalidades, etc; deben ser de uso a gran escala, y esto es clave, ya que las organizaciones a futuro consumirán terabytes de datos, entonces si no se tiene el efecto escala se complica su gestión y los gastos se multiplican.

PROCESOS

Me refiero tanto a los procesos analíticos como a los procesos de negocios. No tengo duda que las organizaciones para que verdaderamente se transformen a futuro lo harán mediante plataformas, que por hoy se conoce como la uberización de los negocios, pero creo que compararlo con Uber es una buena idea, pero Uber queda corto, porque Uber nació digital, pero las empresas de hoy en el pasado nacieron de cemento y ladrillo, y peor algunas con impresoras matriciales y transformarlas no será una travesía fácil. Por ello creo que si un accionista me preguntara cómo transformo mi organización, le diría no la transformes, déjala que mejore poco a poco y en paralelo crea un nueva, de cero, que nazca digital y aprovecha el conocimiento del segmento al que atiende de la vieja organización y acelera la nueva organización, pero me parece una locura transformar la vieja organización, es muy caro, cuesta millones, despidos de empleados comprometidos de siempre, alta rotación, estrés, infartos (sino leer hay varios casos a nivel mundial), desalientos, desencantos. Las estadísticas indican que los proyectos de transformación de las viejas organizaciones toman entre 2 a 4 veces más del tiempo inicial planificado y muchas ni siquiera a la fecha han terminado.

Cuando la Analytics está al centro, entonces se tiene una visión de qué productos y servicios se brindarán a los clientes y usuarios, luego para bridarles diversas experiencias positivas se planifican qué datos serán necesarios, a través de qué medios, canales o tecnologías fluirán los datos y al final se diseñarán y construirán los procesos analíticos y de negocios para cumplir con estos propósitos, y mirar que esto rompe varios esquemas de planificación estratégica y que la verdad nunca lo encontré mucho valor.

La vieja organización no tiene procesos ágiles y procesos creativos, es más, en su afán de transformarse incluso se vuelven burocráticas, una diversidad de controles, autorizaciones, puntos de vista, opiniones, aprobaciones, una locura. Probablemente modas como PMBOK, gestión de proyectos, métodos de control para “ordenarse” porque están todos “informales” es que se ha llegado al punto de la inacción. El siguiente artículo grafica a la vieja organización. Luego surgen cosas como Open Innovation, Scrum, Design Thinking, etc., que son modas para que consultoras ganen dinero, pero en el fondo son un verdadero problema, porque experiencias en la literatura demuestran que matan la innovación y creatividad porque más se centran en los pasos de las metodologías que tratar de entender que simplemente son una herramienta. Al punto que si alguien quiere agregar algo, no se puede porque hay que esperar otro ciclo, otro sprint, otro entregable, una locura. Cada organización debe crear sus propios modelos ágiles de trabajo y más que modelos, se trata de gente.

Ver que cuando toco procesos, es que en resumen me refiero a crear procesos en otra nueva organización y los procesos de la vieja organización optimizarlos constantemente, automatizando procesos, interconectando mejor la información, etc.

TECNOLOGÍA

La Analytics necesita fuerte soporte tecnológico y acá recaen tanto hardware, software como metodologías.

Se requiere tecnologías para almacenar y procesar los datos, tecnología para consumir datos en tiempo real, tecnologías para obtener valor de los datos como herramientas de machine learning, tecnologías para desplegar el valor de los datos o visualizar los datos, tecnologías para hacer el delivery del valor de los datos que es vía modelos, tableros, etc.

Hay tecnologías abiertas y propietarias, on premise y cloud. Dependerá de cada organización el que elija. Pero el futuro es el cloud, aunque una solución híbrida puede ser recomendable. Hay diversas cloud, Google, AWS, IBM, Oracle, Microsoft y otras Startups muy retadoras. Es más seguro que se aborden y se dispongan de varias nubes. Unas tienen ventajas en almacenamiento y costos, otras en machine learning, otras en plataformas API, otras de fábricas de software online, otras conexiones con el GitHub, etc. La ruta de las tecnologías puede ser larga.

Se requieren de diversos lenguajes de programación y de minería de datos, además, el Excel no pasa de moda nunca, y con Power BI tiene alcances impensables, además ya se dispone de Sheets on cloud como Google sheets, etc. Herramientas hay en abundancia. Aunque hay algunas herramientas más populares como R y python. El primero más orientado al trabajo científico estadístico con datos y el segundo más orientado a la programación aunque también tiene algoritmos de machine learning.

Dentro de los métodos hay desde las regresiones tradicionales, árboles de decisiones, hasta llegar a las técnicas de Deep Reinforcement Learning (DRL) y las técnicas las hay hasta el infinito por exagerar, por ello cuando las empresas reclutan alguien que sepa R o Python nivel avanzado es pedir algo imposible, nadie sabe todo. Por ejempo, hay cerca a 15,000 paquetes en R, hay más de 100,000 paquetes en Python, ¿y se puede pedir alguien con nivel avanzado?, por eso cuando veo ese tipo de publicaciones que piden nivel avanzado entiendo que hay una ignorancia grande aún. Lo que se tiene que pedir es que conozcan R, Python, que las hayan usado y que tengan habilidades para que rápidamente sigan aprendiendo y aplicando. Además, los lenguajes cambian con tanta velocidad que poca gente se quiere comprometer a dedicar su vida a un lenguaje que en uno o dos años ya no es tendencia o “viral”, teniendo que volver a empezar.

La solución que expuse en el PAE 2019, es una suite global World Class on premise, privada. Por diversos motivos, para los que quieran ver la presentación lo pueden descargar. Y cumple con los mismos propósitos que Watson de IBM, que AWS, que Google Cloud, que Microsoft Azure machine learning y otras soluciones en la nube, además tiene más técnicas de machine learning (ver). Y en sus versiones Premium y Gold se pueden trabajar con redes sociales, internet of things, deep learning y analítica cognitiva. No estoy defendiendo lo que hemos implementando, sino comparando, además nuestra suite tiene componentes para despliegue de modelos en tiempo real, en caliente, cosa que para muchas organizaciones les puede tomar varios meses, esta suite permite en un extremo hacer del despliegue en 10 minutos. Pero es producto de una visión, ha tomado su tiempo el armar el rompecabezas. Necesitábamos algo que nos de una ventaja competitiva, no un quick win. Luego ya podríamos abordar el ir al Cloud, pero analizando un modelo híbrido, porque el Cloud aún falta por perfeccionar y las nubes podrían estar mejor preparadas en 3 a 4 años calculo leyendo sus avances, planes, proyectos y probando sus servicios.

En resumen, competir con Analytics de verdad, es una filosofía que hay que construir y toma su tiempo, pero permite dar saltos cuantitativos a la organización.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *