Automatizar el análisis de datos es imprescindible para las medianas empresas

Tres estrategias para ayudarte a comenzar.
Automatizar el análisis de datos es imprescindible para las medianas empresas
Automatizar el análisis de datos es imprescindible para las medianas empresas

Los líderes de las medianas empresas tienen razón al estar entusiasmados con las oportunidades de aprovechar el valor de sus grandes conjuntos de datos. Pero los datos de las medianas empresas suelen ser complicados: las hojas de cálculo y los archivos de texto sin formato, muchos de ellos en diferentes formatos, son difíciles (si no imposibles) de integrar. Lleva mucho tiempo y dinero limpiarlo para que sea útil. Los datos desintegrados y de mala calidad pueden sabotear incluso las mejores iniciativas, incluida la IA diseñada para aumentar el valor y la eficiencia. HDL Companies, una firma de servicios gubernamentales con sede en Brea, California, utilizó sus datos estratégicamente y ha experimentado mejoras significativas en su eficiencia. El autor ofrece tres lecciones para que los líderes las tengan en cuenta al comenzar a automatizar el análisis de datos.


A medida que las medianas empresas crecen, desarrollan flujos de datos y lagos de datos (repositorios de datos estructurados y no estructurados) que son demasiado grandes para que una sola persona o incluso un equipo los manipule y use de forma eficaz. E incluso si una empresa está obteniendo valor de sus datos, las personas que realizan el trabajo podrían seguir adelante, dejando a la empresa encargada de encontrar, atraer y contratar a analistas de datos caros con prisa.

Tener un sistema de planificación de recursos empresariales (ERP) capaz y actualizado no resolverá el problema ni aliviará la presión. La mayoría de las empresas medianas comienzan con ERP centrados en las finanzas y terminan utilizando sistemas para almacenar otros datos, como la actividad de los clientes y el rendimiento de fabricación, un movimiento más operativo que estratégico.

En consecuencia, automatizar el análisis de datos a medida que crece el negocio es muy, muy buena idea. La automatización suele ser el lugar en el que los programadores escriben algoritmos que realizan tareas previamente manuales según las instrucciones. Hacerlo genera dividendos rápidamente, impulsa la innovación y aumenta el crecimiento, y allana el camino para implementar la inteligencia artificial, lo que hace que casi todo sea más fácil, eficiente y rentable. La IA está codificada para aprender a realizar una tarea, en cierto sentido inventando y escribiendo sus propios algoritmos.

Pero los datos de las medianas empresas tienden a ser complicados. Las hojas de cálculo y los archivos de texto sin formato, muchos de ellos en diferentes formatos, son difíciles, si no imposibles, de integrar. Lleva mucho tiempo y dinero limpiarlas para que sean útiles. Los datos desintegrados y de mala calidad pueden sabotear incluso las mejores iniciativas, incluida la IA diseñada para aumentar el valor y la eficiencia.

Como dijo Joe Pucciarelli, vicepresidente del grupo y asesor ejecutivo de IT de la empresa de investigación de mercado International Data Corporation (IDC), en un seminario web reciente sobre Channel Company, «Los conjuntos de datos de la mayoría de las organizaciones no están en buenas condiciones. Hablamos de datos y análisis como estrategia y prioridad, pero los datos no están preparados para respaldarlos. … La mayoría de las organizaciones, cuando intentan resolver un problema, el analista que trabaja en él suele dedicar más del 75% del tiempo… simplemente a preparar los datos». 

Como puedes imaginar, el retorno de la inversión del tiempo dedicado a hacer eso no es bueno. Veamos cómo una empresa mediana aprovechó el valor de sus datos y exploremos tres pasos que los líderes de las medianas empresas pueden tomar para hacer lo mismo.

Cómo trató sus datos una mediana empresa

Uno de mis clientes, HDL Companies, una firma de servicios gubernamentales con sede en Brea, California, está contratado por municipios de California, Texas y otros estados para analizar la distribución de los ingresos por impuestos sobre las ventas en sus respectivos estados para asegurarse de que su ciudad o pueblo reciban su parte justa. HDL busca errores de asignación y discrepancias que los municipios pueden señalar cuando solicitan reparación al estado. El corazón de este trabajo es comparar diferentes bases de datos para exponer las discrepancias que afectan a quién debe obtener los ingresos por impuestos sobre las ventas. Por ejemplo, en una base de datos una empresa puede aparecer en Dublín, California, pero en otras dos bases de datos podría aparecer en la vecina Pleasanton. Esto hace que sea muy probable que se produzca un error en la asignación de impuestos; el trabajo de HDL es descubrirlo.

Los 40 millones de residentes de California compran productos sujetos a impuestos a 5,9 millones de distribuidores autorizados, lo que crea un conjunto masivo de datos de casi 46 millones de registros fiscales en 2020. Durante años, HDL empleó a analistas para examinar estos datos cada trimestre en busca de errores. El grupo de IT de HDL creó software para ayudar, pero a lo largo de los años su equipo de análisis adoptó muchas técnicas manuales idiosincrásicas, y el grupo de IT tuvo mucho trabajo pendiente para seguir construyendo la base de código para incluir esas técnicas. Hacer frente a los atrasos retrasaba los proyectos de automatización de HDL y el desarrollo de nuevas técnicas para poner de relieve las discrepancias fiscales de manera más eficiente. Al mismo tiempo, el estado de California estaba realizando sus propias mejoras, dejando menos discrepancias que se podían encontrar con las herramientas antiguas de HDL. «Nuestro equipo siempre encuentra nuevas técnicas analíticas para identificar errores de asignación difíciles de encontrar», afirma Matt Hinderliter, director de servicios de auditoría de HDL. «Sin embargo, hemos dependido en gran medida de las exportaciones manuales y la manipulación de datos en Excel, así como de la necesidad de que los analistas de alto nivel revisen manualmente las hojas de cálculo que a menudo superan las 70.000 u 80.000 filas de datos».

Para hacer frente a los factores estresantes externos (mejoras de California) e internos (el departamento de IT sobrecargado de HDL y el laborioso análisis manual), HDL, una empresa mediana con un presupuesto mediano, contrató a una becaria talentosa que estaba obteniendo su maestría en análisis de datos a tiempo completo. Pudo convertir algunos de los procesos analíticos utilizados por los miembros del equipo para identificar posibles errores de asignación en algoritmos que podrían generar más oportunidades de reasignación de ingresos fiscales en una fracción del tiempo.

Dada esta mejora de la eficiencia, se podría suponer que HDL estaría considerando despidos. En cambio, su departamento de auditoría está dotando de personal para aprovechar todas las oportunidades que ha surgido el análisis automatizado. Además, HDL se ha acercado a centrarse en la implementación y la implementación de la IA.

Mejorar la eficiencia operativa es casi siempre una prioridad para las medianas empresas. En un Encuesta Channel Company de los líderes de IT del mercado medio, el 75% de cuyas empresas tienen entre 50 y 1 000 millones de dólares en ingresos, el 58% de los encuestados dijo que su prioridad principal era mejorar la eficiencia operativa. Esto superó con creces su segunda prioridad, aumentando los nuevos ingresos (36%). Ambos objetivos se pueden respaldar mediante la automatización del análisis de datos, como lo hicieron en HDL.

Empezar

Las medianas empresas no pueden hacer frente a todas las oportunidades. Sus presupuestos y mano de obra y el apresuramiento de las operaciones cotidianas no lo permitirán. (Después de todo, no son Google). Por lo tanto, las medianas empresas deberían empezar a automatizar sus procesos de análisis de datos centrándose en áreas en las que las operaciones críticas son ineficientes o dependen demasiado de una persona o de un puñado de personas. Antes de automatizar, HDL tenía 15 personas dedicando una parte significativa de su tiempo a hacer lo que los algoritmos están haciendo hoy en día.

HDL ya estaba trabajando con los datos; muchas empresas (impresoras, proveedores de fontanería, etc.) no lo están. Sin embargo, esas empresas siguen acumulando datos y pueden beneficiarse si los usan estratégicamente. Es importante empezar con una base sólida. Estos son tres aspectos que los líderes deben tener en cuenta al comenzar a automatizar el análisis de datos.

Prioriza la limpieza. Los datos de una mediana empresa suelen ser complicados y necesitan ser ordenados mucho antes de que puedan ser útiles. Otra actividad fundamental es identificar qué datos son importantes y luego depurarlos. Esto puede ser un trabajo lento al principio y no es barato, así que busque áreas en las que la empresa pueda recuperar la amortización durante el primer año. Eso convertirá a los escépticos en creyentes.

Contrata a las personas adecuadas. Los ejecutivos no son analistas. Carecen del tiempo, la paciencia y las habilidades para realizar análisis de datos como complemento de sus tareas cotidianas. Los analistas de negocios son en parte programadores y en parte empresarios. HDL comenzó con una becaria y la contrató como analista de negocios a tiempo completo.

Prepara los datos. Solo cuando tus datos estén preparados a fondo podrás empezar a pensar en la IA. La IA crea su propia lógica a partir del análisis de los patrones que descubre en los datos. Aunque la IA y el aprendizaje automático son útiles y emocionantes, ambas tecnologías necesitan grandes conjuntos de datos sobre los que entrenar, con resultados positivos y negativos confirmados. Tras una limpieza de datos suficiente y unos cuantos barridos basados en algoritmos, la mayoría de las empresas medianas dispondrán de un conjunto de datos suficientemente grande y útil para entrenar un modelo de IA.

Los líderes de las medianas empresas tienen razón al estar entusiasmados con las oportunidades de aprovechar el valor de los grandes conjuntos de datos. Ahora es el momento de comenzar este viaje de varios años y comprometerse a contratar al talento adecuado mientras se toman medidas graduales para generar valor a partir de la automatización de datos y otros tipos de análisis avanzados.


  • RS
    Robert Sher leads Mastering Midsized, a consulting firm that partners with leaders of midsized companies to build strong business infrastructure needed to grow predictably and sustainably. His most recent book is Driving Midsized Growth: People. He can be reached at [email protected] and @RobertSher.
  • Related Posts