6 barreras para convertirse en una empresa ‘data-driven’

No sorprende que convertirse en una empresa basada en datos esté en lo más alto de la agenda corporativa. Un reciente documento de IDC descubrió que las empresas con conocimientos de datos reportaron un aumento del triple en la mejora de los ingresos, casi triplicando la probabilidad de reducir el tiempo de comercialización de nuevos productos y servicios y más del doble de la probabilidad de una mayor satisfacción del cliente, ganancias y eficiencia operativa.

Pero según una encuesta de enero de ejecutivos de datos e información de NewVantage Partners, solo una cuarta parte de las empresas se describen a sí mismas como impulsadas por datos y solo el 21% dice tener una cultura de datos en sus organizaciones.

Varios factores clave ayudan a explicar esta desconexión, pero el 80% de los encuestados citó las cuestiones culturales como el principal factor que les impide obtener valor de sus inversiones en datos, mientras que solo el 20% señaló las limitaciones tecnológicas. Según la experiencia de los expertos que han superado estos obstáculos de primera mano, también quedan otros.

 

Reconocimiento de datos incorrectos

Incluso la mejor de las estrategias de análisis puede descarrilarse si los datos subyacentes son malos. Pero resolver problemas de calidad de datos requiere una comprensión profunda de lo que significan los datos y cómo se recopilan. Resolver datos duplicados es un problema, pero cuando los datos son incorrectos, es mucho más difícil de solucionar, dice Uyi Stewart, director de datos y tecnología de Data.org, una organización sin fines de lucro respaldada por el Centro Mastercard para el Crecimiento Inclusivo y la Fundación Rockefeller.

“El desafío de la veracidad es mucho más difícil y lleva más tiempo”, dice. “Aquí es donde necesita experiencia en el dominio que le permita separar la realidad de la ficción”.

Las simples habilidades técnicas no son suficientes. Eso es lo que descubrió Lenno Maris cuando se unió a FrieslandCampina, una cooperativa láctea multinacional, en 2017, cuando la empresa se embarcaba en un plan estratégico para convertirse en una empresa basada en datos.

Fue un gran desafío. La empresa tiene más de 21.000 empleados en 31 países y tiene clientes en más de 100 países. Rápidamente quedó claro que la calidad de los datos iba a ser un gran obstáculo.

Por ejemplo, el inventario se informó en función de la cantidad de palets, pero los pedidos se basaron en números de unidades, dice Maris, directora global sénior de autorizaciones y datos empresariales de la compañía. Esto significaba que las personas tenían que hacer conversiones manuales para garantizar que se entregaran las cantidades correctas al precio correcto.

O tome códigos de mercancías. Cada planta ingresó el código de producto que mejor se ajustaba al producto, con diferentes plantas usando diferentes códigos que luego se usaron para reclamar impuestos de importación y exportación. “Pero la declaración de impuestos se realiza a nivel corporativo, por lo que se necesita consistencia”, dice Maris.

Para solucionar los problemas de datos, FrieslandCampina tuvo que evolucionar su organización de datos. Al comienzo del proyecto, el equipo se centró principalmente en los detalles técnicos de la entrada de datos. Pero eso cambió rápidamente.

“Hemos podido volver a capacitar a nuestro equipo para que se conviertan en expertos en procesos, expertos en calidad de datos y expertos en dominios”, dice Maris. “Eso nos permite hacer la transición al soporte de datos proactivo y convertirnos en asesores de nuestros comerciales”.

Del mismo modo, la plataforma tecnológica elegida para ayudar a la empresa a mejorar la calidad de sus datos, Syniti, también tuvo que adaptarse.

“La plataforma es buena pero muy técnica”, dice Maris. “Así que tuvimos algunos desafíos con nuestra adopción de usuarios comerciales. Hemos desafiado a Syniti para que proporcione una interfaz de usuario relevante para el negocio”.

En 2018, los objetos de datos maestros de nivel uno estaban en su lugar: proveedores, materiales, clientes y finanzas. Al año siguiente, esto se expandió a objetos de datos de nivel dos, incluidos contratos, listas de materiales, descuentos y precios. A finales de 2022, la empresa terminó de orquestar los flujos comerciales lógicos y el proyecto se implementó por completo. El resultado fue una mejora del 95% en la calidad de los datos y una mejora del 108% en la productividad.

“Antes de la implementación de la plataforma de datos fundacional, teníamos más de 10.000 horas de reelaboración en nuestros datos maestros anualmente”, dice. “Hoy, esto se ha reducido a casi cero”.

La calidad de los datos también fue un problema en Aflac, dice la CIO de Aflac, Shelia Anderson. Cuando Aflac comenzó su viaje para convertirse en una empresa basada en datos, había diferentes operaciones comerciales en los diversos libros de negocios de Aflac, dice.

“Había múltiples sistemas de entrada de datos, que presentaban inconsistencias en la calidad de los datos”, dice ella. Eso dificultó obtener información útil de los datos. Para resolver el problema, Aflac pasó a un enfoque centrado en el cliente que prioriza lo digital. Esto requirió la consolidación de datos en varios ecosistemas y, como resultado, la experiencia del cliente mejoró y la empresa pudo aumentar la automatización en sus procesos comerciales y reducir las tasas de error.

“Un beneficio importante es que libera ancho de banda para los agentes de servicio al cliente, lo que les permite concentrarse en reclamos de mayor complejidad que requieren un toque más personal”, dice.

 

Ver la consolidación de datos como un problema tecnológico

Uno de los empleadores anteriores de Randy Sykes pasó ocho años construyendo un almacén de datos sin éxito.

“Eso se debe a que tratamos de aplicar técnicas estándar de desarrollo de sistemas sin asegurarnos de que el negocio estuviera con usted al mismo tiempo”, dice.

Hoy, Sykes es director de TI de servicios de datos en Hastings Mutual Insurance Co. Esta vez, adoptó un enfoque diferente para consolidar los datos de la organización.

Hace diez años, la empresa decidió reunir todo en un almacén de datos. En ese momento, los informes tardaban 45 días en generarse y los usuarios comerciales no tenían la información que necesitaban para tomar decisiones comerciales.

Primero, los datos se recopilarían en un área de aterrizaje a través de importaciones por lotes nocturnas de sistemas heredados. Luego pasaría a un área de ensayo, donde se aplicarían reglas comerciales para consolidar y reconciliar datos de diferentes sistemas. Esto requirió una comprensión profunda de cómo opera la empresa y qué significan los datos. Pero esta vez, el proyecto tuvo éxito porque había expertos en la materia en el equipo.

“Teníamos un par de personas de negocios que habían estado en la empresa durante mucho tiempo y tenían mucho conocimiento de la organización”, dice. “De hecho, tienes un equipo multifuncional para tener éxito”.

Por ejemplo, diferentes sistemas de pólizas de seguro pueden tener diferentes términos y diferentes áreas de cobertura y riesgos. Para consolidar toda esta información, el equipo de datos debe comprender bien el lenguaje comercial y las reglas necesarias para transformar los datos sin procesar en un formato universal.

“Ese es el mayor desafío al que se enfrentan las empresas”, dice. “Intentan obtener los datos y unirlos técnicamente y olvidarse de la historia comercial detrás de la información. Muchas veces, este tipo de proyectos fracasan”.

Hoy, un informe que solía demorar 45 días se puede entregar en 24 horas, dice. Luego, a medida que las bases de datos se modernicen y se basen en eventos, la información estará disponible en tiempo real.

 

Sin beneficios comerciales a corto plazo

Una vez que Hastings comenzó a recopilar datos, el proyecto de datos comenzó a producir valor para la empresa en un año, aunque el proyecto de almacenamiento de datos, que comenzó en 2014, no se entregó hasta 2017.

Eso se debe a que las áreas de aterrizaje y preparación ya brindaban valor en términos de recopilación y procesamiento de datos.

Los proyectos de datos tienen que generar valor comercial durante todo el proceso, dice Sykes. “Nadie va a esperar para siempre”.

Una "ganancia rápida" similar ayudó a llevar al éxito un importante proyecto de datos para Denise Allec, consultora principal de NTT Americas, cuando era directora de TI corporativa en una importante corporación.

Un proyecto de prueba de concepto de seis semanas mostró que el proyecto tenía valor, dice, y ayudó a superar desafíos como la falta de voluntad de las unidades de negocios para renunciar a sus silos de datos.

Elegir proyectos de datos que no tienen beneficios inmediatos es un obstáculo importante para las iniciativas de datos exitosas, confirma Sanjay Srivastava, estratega digital jefe de Genpact.

 "Hasta que hagas esto, todo es una discusión teórica".

La otra cara es elegir proyectos que no tienen la capacidad de escalar, otra barrera importante.

Sin la capacidad de escalar, un proyecto de datos no tendrá un impacto significativo a largo plazo, sino que consumirá recursos para kun caso de uso pequeño o idiosincrásico.

“La clave es cómo entregar valor comercial en porciones, en un marco de tiempo que mantenga la atención de las personas y que sea escalable”, dice.

 

No dar a los usuarios finales las herramientas de autoservicio que necesitan

Poner a los usuarios comerciales en primer lugar significa brindar a las personas los datos que necesitan en la forma en que los necesitan. A veces, eso significa hojas de cálculo de Excel. En Hastings, por ejemplo, históricamente el personal copiaba y pegaba datos en Excel para trabajar con ellos.

“Todo el mundo usa Excel”, dice Sykes de Hastings. “Ahora decimos: '¿Por qué no le damos los datos para que ya no tenga que copiarlos y pegarlos?'”.

Pero la empresa también ha estado creando paneles. En la actualidad, alrededor de una cuarta parte de los 420 empleados de la empresa utilizan los paneles, así como agencias externas.

“Ahora pueden ayudar a los agentes a realizar ventas cruzadas de nuestros productos”, dice. “No teníamos eso antes”.

Pero proporcionar a las personas las herramientas de análisis de servicio que necesitan es un desafío. "Todavía estamos un poco por detrás de la bola ocho", dice. Pero con 200 tableros enfocados en el negocio ya implementados, el proceso está en marcha.

Otra organización que recientemente inició el proceso de democratización del acceso a los datos es el Hospital Infantil de Dayton en Dayton, Ohio.

“No lo estábamos haciendo tan bien hace cinco años”, dice el CIO JD Whitlock. “Todavía había muchas hojas de cálculo. Ahora estamos usando la pila de datos de Microsoft, como lo está haciendo mucha gente. Entonces, siempre que alguien sepa un poco sobre cómo usar PowerBI, estamos entregando los datos apropiados, en el formato apropiado, con la seguridad adecuada”.

Además, los analistas de datos también se han descentralizado, por lo que las personas no tienen que ir a un solo equipo con sus preguntas sobre datos.

“Digamos que quiere saber cuántos de los procedimientos X hizo el doctor Y el año pasado”, dice Whitlock. “Es una consulta relativamente simple. Pero si no le das a la gente las herramientas para hacerlo por sí mismos, entonces tienes miles de solicitudes”.

La implementación de herramientas de datos de autoservicio ha ayudado a la empresa a convertirse en una organización basada en datos, dice. "Con la advertencia de que siempre es un viaje y nunca declaras la victoria".

 

No incluir a los usuarios finales en su proceso de desarrollo

Ignorar las necesidades de los usuarios es casi siempre una receta para el desastre. Por ejemplo, Nick Kramer trabajó recientemente con una empresa nacional de servicios de restaurantes, con oficinas en 46 estados de EE. UU. y hasta 500 millones de dólares en ingresos anuales. Kramer es el líder de soluciones aplicadas en SSA & Company, una firma de consultoría global. La empresa de servicios de restaurante estaba creciendo rápidamente, pero los niveles de servicio estaban cayendo.

“Todos se estaban señalando con el dedo unos a otros”, dice. “Pero el CIO no tenía paneles ni informes, solo anécdotas y opiniones”.

Uno de los problemas fue que el sistema de instalación central fue ampliamente ignorado. Los registros actualizados de los empleados, pero después del hecho. El sistema les había sido impuesto y era difícil de usar.

“Personas en el departamento de pedidos, en ventas, legal y en el lado de la instalación: cada oficina tenía sus propias hojas de cálculo en las que ejecutaban sus horarios”, dice Kramer. “Ninguna comunicación estaba ocurriendo y los datos no fluían. Así que había que ir de oficina en oficina para averiguar quién estaba haciendo qué y qué tan bien, y qué retrasos eran irresolubles y cuáles podían abordarse”.

La solución fue acercarse a los usuarios comerciales para comprender cómo se usaban los datos.

Joshua Swartz, socio de Kearney, tuvo una experiencia similar recientemente cuando trabajaba en un proyecto de consultoría con una empresa de alimentos de EE. UU. con varios miles de millones en ingresos anuales.

La empresa quería permitir que los gerentes de producción tomaran mejores decisiones sobre qué producir basándose en datos reales.

“Por ejemplo, hay una línea de producción en cierto sitio de producción y puede hacer chips de tortilla o pan de pita”, dice Swartz. “Si hay un cambio, debe detenerse, limpiar y cambiar los ingredientes”.

Pero, digamos, la forma antigua era hacer cuatro horas con tortillas y cuatro horas con pan de pita, y los datos mostraron que deberías hacer dos horas con chips de tortilla y que al día siguiente podría ser lo contrario. Y dado que los productos alimenticios son perecederos, una producción incorrecta significa que algún producto tendría que desecharse. Pero cuando la empresa diseñó su solución por primera vez, los trabajadores de producción no estaban involucrados, dice Swartz. “Estaban demasiado ocupados produciendo alimentos y no tenían tiempo para detenerse y asistir a las reuniones”.

No se esperaba que esto fuera un problema porque la cultura de la empresa era jerárquica. “Cuando el director ejecutivo dice algo y golpea la mesa con el puño, todos tienen que hacer lo mismo”, dice.

Pero el nuevo sistema se usó solo durante un par de semanas en el sitio piloto y luego los empleados descubrieron que el sistema realmente no funcionaba para ellos y volvieron a hacer las cosas como antes. Además, no ayudó que el zar de datos de la empresa estuviera ubicado un par de capas por debajo de la organización de tecnología de la empresa, en lugar de estar más cerca de la alta dirección o de las unidades de negocio.

Solucionar el problema requería llevar a los empleados reales a la suite de diseño, aunque requería agregar capacidad a las líneas de producción para liberar trabajadores.

“Las empresas de alimentos con márgenes muy pequeños no se sentían cómodas al hacer esa inversión”, dice Swartz. Pero cuando se convirtieron en parte del proceso, pudieron contribuir a la solución y, en la actualidad, entre un tercio y la mitad de las instalaciones utilizan la nueva tecnología.

Swartz también recomienda que el director de datos esté ubicado más cerca de los datos más valiosos de la empresa.

“Si los datos son un activo estratégico del negocio, colocaría el CDO más cerca de la parte del negocio que tiene la propiedad de los datos”, dice. “Si la organización se centra en el uso de datos para la eficiencia operativa, entonces bajo el COO podría ser el lugar correcto”.

Sin embargo, una empresa impulsada por las ventas podría querer poner el CDO bajo el oficial de ventas y una empresa de productos, bajo el oficial de marketing, dice. Una empresa de bienes de consumo empaquetados con la que trabajaba tenía el CDO informando directamente al director ejecutivo.

“Si piensa en los datos como un problema tecnológico, seguirá enfrentándose a desafíos sobre cuánto valor obtiene realmente de los datos y el análisis”, dice Swartz.

 

Una falta de confianza

El uso responsable de los datos es importante para el éxito de las iniciativas de datos y en ningún otro lugar más que en las finanzas.

“La confianza es de suma importancia en el sector bancario”, dice Sameer Gupta, director de análisis de DBS Bank. “Es crucial usar los datos y los modelos de manera responsable, y se deben mantener las consideraciones éticas al usar los datos”.

El uso de datos debe tener un propósito, dice, respetuoso y explicable, y nunca debe ser una sorpresa. “El uso de datos debe ser esperado por individuos y empresas”, dice.

Al centrarse en la confianza, agrega, el banco ha podido implementar casos de uso de datos e inteligencia artificial en toda la empresa (260 en el último recuento), que van desde negocios orientados al cliente, como la banca de consumo y de pequeñas y medianas empresas, hasta funciones de apoyo como el cumplimiento. , marketing y RRHH.

“En 2022, el aumento de ingresos de nuestras iniciativas de inteligencia artificial y aprendizaje automático fue de aproximadamente SGD 150 millones [US $ 112 millones], más del doble que el año anterior”, dice. “Aspiramos a lograr 1.000 millones de SGD en los próximos cinco años”.

Ganarse la confianza requiere tiempo y compromiso. Convertirse en una empresa basada en datos es casi imposible sin ellos. Pero una vez que se gana la confianza, comienza un ciclo virtuoso. Según un estudio de gestión de cambios de CapGemini publicado en enero, en organizaciones con análisis de datos sólidos, los empleados tienen un 18 % más de probabilidades de confiar en la empresa. Y cuando esas empresas necesitan evolucionar más, la probabilidad de un cambio exitoso es de un 23% a un 27% mayor que en otras organizaciones.

“Muchas personas, incluidos los expertos en datos, piensan que la mayoría de los problemas durante la transición para convertirse en una empresa basada en datos están relacionados con la tecnología”, dice Eugenio Zuccarelli, científico de datos en un minorista global y ex científico investigador de IA en el MIT.

Pero las barreras reales son personales, dice, ya que las personas tienen que aprender a comprender el valor de tomar decisiones basadas en datos.

“Mientras investigaba en el MIT, a menudo vi a expertos y líderes de organizaciones luchar con su transición para convertirse en una organización más basada en datos”, dice. “Los principales problemas solían ser culturales, como la creencia de que la tecnología se habría apoderado de su toma de decisiones, en lugar de empoderarlos, y una tendencia general a tomar decisiones basadas en la experiencia y las corazonadas”.

La gente necesita entender que su experiencia sigue siendo vital, agrega, y que los datos están ahí para proporcionar información adicional.

Las empresas deben dejar de pensar en convertirse en una empresa basada en datos como un problema tecnológico.

“Todos nuestros clientes hablan de volverse más impulsados ??por los datos y ninguno de ellos sabe lo que significa”, dice Donncha Carroll, socia en la práctica de crecimiento de ingresos y directora del equipo de ciencia de datos de Lotis Blue Consulting. Se enfocan en sus capacidades tecnológicas, dice, no en lo que las personas podrán hacer con los datos que obtienen.

“No ponen al usuario de la solución en el marco”, dice. “Muchos equipos de análisis de datos proporcionan paneles de datos que brindan información que no es útil ni procesable. Y muere en la vid.”