3 cosas están frenando su análisis, y la tecnología no es una de ellas

Los desafíos son organizativos.

3 cosas están frenando su análisis, y la tecnología no es una de ellas

Más de 50,000 líderes se mantienen al día con el futuro de los negocios.

Reportes radicalmente breves que ahorran 2,000+ horas de investigación

Estás aprendiendo en buena compañía

logo amazon
logo salesforce
logo mercadolibre
logo google
logo femsa
logo aeromexico
Resumen.

Muchas empresas siguen luchando con el análisis empresarial. Esto no tiene nada que ver con la tecnología. Hemos encontrado tres obstáculos principales para realizar el valor completo de la analítica: la estructura, la cultura y el enfoque de la organización para resolver problemas. Estructuralmente, los departamentos de análisis pueden variar entre dos extremos opuestos pero igualmente desafiantes. Por un lado, los grupos de ciencia de datos son demasiado independientes del negocio. Estos tienden a producir modelos impresionantes y complejos que demuestran pocos conocimientos procesables. Por otro lado, los analistas que están demasiado profundamente arraigados en las funciones empresariales tienden a estar sesgados hacia el status quo o el pensamiento del liderazgo. Culturalmente, las organizaciones que están demasiado impulsadas por datos (sí, existen) seguirán ciegamente las implicaciones de modelos defectuosos, incluso si desafían el sentido común o van en contra de los objetivos empresariales. Alternativamente, las organizaciones que dependen demasiado del instinto intestinal se resisten a ajustar sus supuestos incluso cuando los datos indican claramente que esas suposiciones son incorrectas. La dicotomía continúa cuando se trata de metodología. En un extremo, vemos grupos de análisis que crean modelos excesivamente complejos con largos plazos de entrega y adaptabilidad limitada a las entradas cambiantes. En el otro lado de la moneda, algunos equipos crean modelos que son demasiado simplistas y no captan los matices de los problemas que están tratando de resolver.


3 cosas están frenando su análisis, y la tecnología no es una de ellas

Durante la última década, las plataformas de análisis de negocios han evolucionado, pasando de admitir funciones de IT y finanzas a permitir a los usuarios empresariales en toda la empresa. Pero muchas empresas se encuentran luchando para aprovechar su promesa. Hemos encontrado tres obstáculos principales para realizar el valor completo de la analítica, y todos ellos están relacionados con las personas, no con la tecnología: la estructura, la cultura y el enfoque de la organización para resolver problemas.

Estructura

Estructuralmente, los departamentos de análisis pueden variar entre dos extremos opuestos pero igualmente desafiantes. Por un lado, los grupos de ciencia de datos son demasiado independientes del negocio. Estos tienden a producir modelos impresionantes y complejos que demuestran pocos conocimientos procesables.

Considere la experiencia de una empresa de servicios financieros minoristas. Allí, la función analítica estaba formada por empleados que utilizaban paquetes de software especializados exclusivamente y especificaban formularios funcionales complicados siempre que fuera posible. Al mismo tiempo, el grupo evitó las normas comerciales tradicionales, como el registro de entrada con los clientes, la presentación gráfica de los resultados, la explicación de los resultados analíticos en el contexto del negocio y la conexión de hallazgos complejos con la sabiduría convencional. El resultado fue un departamento aislado en el que los socios comerciales consideraban que no respondía, poco fiable y que no se podía confiar en iniciativas críticas.

Por otro lado, los analistas que están demasiado profundamente arraigados en las funciones empresariales tienden a estar sesgados hacia el status quo o el pensamiento del liderazgo. En una agencia líder de alquiler de coches, por ejemplo, vimos a los analistas del equipo de flotas presentar inteligencia supuestamente mostrando que la flota debería inclinarse hacia los coches más nuevos. Los menores costos de mantenimiento compensaron con creces los costos de depreciación más altos, dijeron. Esto se alineó con la preferencia del vicepresidente de la flota por una flota más joven.

Pero resultó que los analistas habían seleccionado una muestra sesgada de coches más viejos con costos de mantenimiento superiores a la media entre los coches de la misma edad. Un análisis de una muestra imparcial (o de toda la población) habría arrojado un resultado diferente. (Por supuesto, podría haber habido otras motivaciones para mantener una flota más joven, la satisfacción del cliente y la percepción de la marca, por nombrar dos, pero la reducción de costos no era una de ellas).

Cultura

Culturalmente, las organizaciones que están demasiado impulsadas por datos (sí, existen) seguirán ciegamente las implicaciones de modelos defectuosos, incluso si desafían el sentido común o van en contra de los objetivos empresariales. Eso es lo que pasó en una empresa de servicios financieros donde la gerencia estaba estudiando un cambio en su estructura de comisiones. Querían cambiar la base de su compensación de la fuerza de ventas de los resultados brutos al rendimiento en relación con el potencial del mercado de cada vendedor.

En respuesta, los analistas desarrollaron un admirable modelo envolvente de datos. El modelo comparó simultáneamente las ventas de diferentes tipos de productos con estadísticas demográficas y financieras locales para llegar a una única medida de eficiencia para cada vendedor en relación con sus pares. De hecho, esto parecía haber hecho que la indemnización fuera más equitativa. Pero redujo la compensación de los vendedores que eran menos eficientes pero, en última instancia, más valiosos, causando que desertaran ante los competidores.

Alternativamente, las organizaciones que dependen demasiado del instinto intestinal se resisten a ajustar sus supuestos incluso cuando los datos indican claramente que esas suposiciones son incorrectas. La mencionada agencia de alquiler de coches, por ejemplo, era extremadamente reacia a cambiar de rumbo incluso después de descubrir que los datos no apoyaban sus reclamaciones de reducción de costos.

Metodología

La dicotomía continúa cuando se trata de metodología. En un extremo, vemos grupos de análisis que crean modelos excesivamente complejos con largos plazos de entrega y adaptabilidad limitada a las entradas cambiantes.

Un ejemplo de esto fue el equipo de ciencia de datos, compuesto por actuarios reutilizados, en una compañía nacional de seguros de automóviles. Este equipo creó un modelo muy impresionante para predecir si un coche sería una pérdida total o parcial después del primer informe de accidente. El modelo de conjunto consistió en un bosque aleatorio, un análisis de componentes principales y un clasificador Bayes.

Desafortunadamente, la empresa carecía de la infraestructura necesaria para implementar directamente el modelo capacitado en un entorno de producción. El modelo también era demasiado complejo para que el equipo de IT lo reprodujera. Al final resultó que una simple regresión logística fue casi tan efectiva.

Por otra parte, algunos equipos crean modelos demasiado simplistas y no captan los matices de los problemas que están tratando de resolver. Un gran minorista de moda se encontró con este problema. La compañía notó que ciertas promociones estaban muy correlacionadas con el aumento del tráfico peatonal. No se dieron cuenta de que tendían a ejecutar esas promociones los viernes y sábados, cuando el tráfico peatonal era sustancialmente mayor que otros días de la semana para empezar.

Elementos de una organización analítica eficaz

A la luz de estos obstáculos, creemos que una organización de análisis empresarial eficaz equilibra el conocimiento funcional, el instinto empresarial y el análisis de datos, con una filosofía operativa para agregar complejidad solo cuando los conocimientos adicionales lo justifican. Este tipo de organización incluye:

Un centro neurálgico analítico. Idealmente, un pequeño equipo de científicos de datos independientes y altamente cualificados, normalmente con títulos avanzados en estadística, matemáticas, informática, etc., sirve como el centro neurálgico de la analítica de una organización. Además, los informes en este centro neurálgico son generalistas de análisis integrados en cada una de las principales funciones empresariales.

En esta configuración, los generalistas incorporados obtienen el profundo conocimiento funcional que necesitan para iniciar y desarrollar análisis procesables. Ellos confían en el centro nervioso para apoyo adicional, validación de modelos y entrenamiento. Conociendo los lenguajes de análisis y negocios, los generalistas integrados también sirven como enlaces entre los científicos de datos independientes y los socios comerciales en sus funciones.

Representación en la parte superior. ¿Dirigiendo el centro nervioso? Un director de análisis que lleva la voz de la analítica directamente al C-suite, donde el instinto tiende a gobernar. Cuando el análisis y el instinto se unen, una estrategia se vuelve más poderosa. Cuando los dos no están de acuerdo, la investigación puede revelar si es el modelo o la suposición empresarial lo que está defectuoso.

Un enfoque campeón-retador. Para gestionar la compensación de la complejidad en esta estructura ideal, los analistas se centran inicialmente en crear un tipo de producto mínimo viable, o MVP. Aquí, un MVP es un modelo que resuelve el problema a un nivel mínimo aceptable de la manera más sencilla posible. Este MVP se convierte en el «campeón» y pone en marcha desafíos para añadir complejidad y desbancarlo. Un retador puede reemplazar al campeón, pero solo si todas las partes interesadas están de acuerdo en que sus beneficios valen la pena la mayor complejidad. Un subproducto interesante de este enfoque es que casi siempre produce algo utilizable, incluso si el proceso se interrumpe.

La analítica empresarial moderna ha permitido extraer nuevos tipos de información a partir de grandes volúmenes de datos. El resultado es que la analítica se ha convertido en crucial para la capacidad de cualquier organización grande para tomar decisiones. Obtener esta capacidad correcta significa crear una organización de análisis con la estructura, la cultura y la metodología de resolución de problemas para revelar los conocimientos prácticos que los líderes empresariales necesitan para competir.