En este artículo abordamos algunos de los debates más importantes que actualmente tenemos en el mundo de los datos.
Reflexionamos acerca del rol que las áreas de data analytics cumplen hoy en las empresas. Repasamos cuáles son los principales problemas que hoy enfrentan y cuáles son las formas tradicionales de estructurarlas. Además, brindamos consejos para lograr que el área de analytics deje de cumplir requerimientos aislados y pase a brindar soluciones que aporten valor de negocio real.
¿Cuál es el principal problema que hoy enfrenta el área de data analytics?
Hace no mucho tiempo las áreas de data analytics estaban siempre dentro de tecnología, ahora la tendencia es que dependan cada vez más de un directorio o que directamente estén sentadas en él.
Esto hace que estén más expuestas —visiblemente y en presupuesto— y que tengan una responsabilidad mayor ante el desafío de producir resultados. Pero, lo cierto es que aún muchas áreas de datos siguen sin poder entregar valor al negocio. Este es un problema que desvela a muchos responsables de datos.
Tal y como están las cosas hoy, es muy complejo poder desarrollar productos de data & AI a los que las personas accedan de manera autónoma y que les sirvan para tomar mejores decisiones.
La buena noticia es que está todo por hacerse. Si somos capaces de organizar correctamente el área de datos, vamos a poder entregar valor de negocio real.
Contexto actual de las áreas de data analytics
La situación es compleja: en las organizaciones aún no abundan las personas que tengan el expertise suficiente para definir objetivos y proyectos de datos. Las expectativas no son claras, la información se obtiene de diferentes lugares, no se siguen mejores prácticas y muchos etcéteras más. ¿El resultado? Por un lado, áreas de data analytics colapsadas sin un norte claro y por el otro, un negocio que invierte mucho en equipos de datos que son costosos y no entregan el valor esperado.
A diferencia de otras áreas o servicios de IT, analytics es una disciplina cross a toda la organización. Se sostiene sobre una arquitectura de distintos componentes que, como un todo, provee a las personas acceso rápido y fácil a la información que las habilita a tomar mejores decisiones. Por lo tanto, analytics no es una tecnología ni un producto.
Cómo organizan las empresas sus áreas de data analytics: ventajas y desventajas
Dado este contexto, en general, las empresas han organizado el área de dos formas:
- Como un departamento analítico que da servicios a los distintos negocios.
- En distintos departamentos analíticos integrados a cada área de negocio.
Si bien la decisión de dónde ubicar el área dependerá de varios factores, a continuación, explicamos cuáles son las ventajas y las desventajas de cada una de estas formas.
ÚNICA ESTRUCTURA -> QUE BRINDA SERVICIO A LAS DISTINTAS ÁREAS DE NEGOCIO:
En general, TI es un área que opera de forma centralizada dentro de la organización y se compone de otras subáreas que dependen de ella, aquí es donde ubicaríamos al área de analytics. Al igual que las demás, el área trabaja por procesos y satisface las demandas de sus clientes internos (finanzas, comercial, logística, recursos humanos, etc.) Este tipo de organización es algo que, en general, todas las empresas entienden y no siempre se discute.
Sin embargo, con el tiempo, en las áreas de data analytics suelen surgir algunas dudas: ¿Quién es el cliente interno? ¿Comercial? ¿Logística? ¿Administración y finanzas? La respuesta es simple: ¡todos lo son! Entonces, ¿a cuál dar prioridad cuando todos demandan al mismo tiempo? ¿Quién decide qué es lo más importante? ¿Qué proyecto se realiza primero?
Estas estructuras tienen algunas ventajas: la alta sinergia de perfiles técnicos y el acceso y la gestión de los datos. Pero, si bien estos equipos tendrán una alta especialización en analítica, no tendrán demasiado conocimiento de cada área de negocio. Además, en estos esquemas, la gestión de prioridades suele ser compleja y puede derivar en cuellos de botella que generen problemas en la cadena de entrega de valor. Algunos de los más comunes son:
- Demanda insatisfecha por falta de priorización: Surgen múltiples proyectos en distintas áreas que, inevitablemente, van a generar conflictos de intereses al momento de priorizar.
- Falta de madurez en culturas data-driven: Muchas empresas no ven valor en los desarrollos de analytics. No saben cómo hacer los pedidos porque los equipos no están capacitados o las áreas no están lo suficientemente maduras. Desconocen su potencial y sus formas, por eso la cultura y la comunicación organizacional son claves.
- Falta de compromiso por parte de las demás áreas: En general, las problemáticas de analytics son transversales a toda la empresa. Es necesario involucrar a las diferentes áreas, todas tienen parte de valor que aportar. Cómo involucrar en analytics áreas que no son las dueñas del proyecto es un desafío central al que hay que prestarle atención.
Esquema con un área de data analytics centralizada
DIFERENTES ESTRUCTURAS -> INTEGRADAS DENTRO DE SUS ÁREAS DE NEGOCIO:
Sin embargo, también hay empresas que están cambiando el paradigma: crearon equipos de data analytics específicos para cada área (finanzas, comercial, logística, recursos humanos, etc.) De esta manera, el área deja de ser la única proveedora de servicios a toda la organización y pasa a responder a las demandas de cada área en particular.
En estos casos cada equipo de analytics se integra al negocio, lo que hace que ganemos agilidad y que sea más fácil establecer las prioridades. Sin embargo, surgen algunas otras dificultades:
- Pérdida de la sinergia en los recursos: Los perfiles técnicos están distribuidos en las distintas áreas de negocio. Esto hace que sea difícil que compartan conocimiento, formas de trabajo o experiencias.
- Silos de información: Cada área gestiona su propia información de manera aislada. Esto hace que pueda estar duplicada en otra área o en varias y se puede generar un incremento de costos si no se gobiernan correctamente los datos.
- Incremento de costos: Es posible que aumenten debido a la adquisición de más licencias de software, más perfiles analíticos, y muchas veces diferentes arquitecturas.
Esquema con un área de data analytics descentralizada
💡 La mejor forma de organizar un área de data analytics es generar estructuras híbridas, que incluyan equipos mixtos, con perfiles técnicos y expertos del área de negocio.
¿Cómo brindar soluciones de data analytics que generen valor de negocio real?
Para hacerlo recomendamos:
1) Fidelizar: Trabajemos para que las y los stakeholders clave entiendan el valor que los proyectos de data analytics aportan al negocio. Son esas personas las que tienen que ver resultados concretos. Busquemos sponsors de alto nivel, personas con capacidad de tomar decisiones que puedan ver cómo analytics trae mejoras a sus procesos.
Por ejemplo, un gerente de logística que necesite ver las rutas de los camiones en tiempo real para optimizar la operación, una directora de marketing que use los datos para retener (y ganar) clientes o un líder de mantenimiento que tenga una idea más clara de qué equipos necesitan reparación, etc. Los ejemplos son miles, lo importante es conseguir personas que estén dispuestas a apoyar los proyectos de analytics porque ven un valor real en el uso de los datos.
También tenemos que hacer que las personas que hicieron el pedido se involucren, que sean parte del proyecto para asegurarnos que la solución que entreguemos tendrá valor real para el negocio.
2) Poner objetivos cortos: Empezar por proyectos chicos que muestren resultados. Hay que intentar entregar valor lo más rápido posible, esto va a llevar a que las y los responsables de las diferentes áreas encuentren utilidad en los proyectos de analytics y los apoyen. Es clave que no la vean como un área que insume grandes presupuestos y no entrega valor. Enfoquemos la energía conseguir victorias rápidas y creemos el impulso necesario para mostrar resultados. Es importante evitar los proyectos faraónicos ya que no suelen terminar bien.
3) Gobernar los datos: Las empresas cometen errores vinculados al aislamiento de analytics. No podemos implementar en soledad, es importante alinear las iniciativas a otros objetivos de la organización. Tenemos que ser capaces de insertarnos en la empresa, que sepan quiénes somos y qué hacemos, en lugar que nos perciban como un área aislada que nadie tiene claro qué hace.
Desafíos para las áreas de data analytics
La experiencia nos dice que no hay una forma mejor que la otra para organizar el área de analytics. Todo dependerá del nivel de madurez de la empresa en el uso de sus datos, de su cultura y de su envergadura. Pero, si queremos que el área de analytics entregue valor real, necesitamos que especialistas en análisis de datos y expertos/as del negocio se acerquen. Es vital definir los procesos para lograr que las iniciativas de datos y analítica se alineen a los objetivos de negocio.
Todos estos desafíos tienen solución. Si el equipo de datos se volvió un cuello de botella o si hay un exceso en la demanda de proyectos de analytics, siempre es posible contratar equipos externos de proveedores calificados que trabajen en los proyectos críticos de la empresa. Si, por el contrario, lo que falta es una metodología uniforme con diferentes criterios en juego, se debe trabajar en la definición de estándares y, sobre todo, en capacitar a las personas. Después de todo, ese es el capital más valioso que tendremos.
Tenemos que generar conocimiento del negocio en las áreas de analytics y viceversa. Todo esto ayuda. Pensemos que, no es lo mismo recibir un pedido y cumplirlo, que dar soluciones que agreguen valor al negocio real.
