A medida que las organizaciones buscan formas de utilizar grandes cantidades de datos que capturan, la ciencia de datos y la analítica avanzada siguen ganando importancia en este terreno. Sin embargo, parte del problema aparece cuando se llega a la "última milla" crítica, que conecta el conocimiento de los datos con las acciones que impulsan a fondo los resultados de negocio de línea, etapa en la que muchas organizaciones suelen equivocarse. Para obtener un mayor valor de la analítica, las mismas deben considerar Data Science como un proceso que tiene un conjunto de partes interesadas y un conjunto repetible de pasos, incluidos ciclos de retroalimentación de mejora continua.

Antes que "Big Data" se convirtiera en un término de moda, las organizaciones ya invertían en tecnologías para extraer valor de sus datos. Lo que ocurre es que a menudo los proyectos de análisis no logran resultados comerciales tangibles. Los errores más comunes que llevan a este fracaso son:

1) La falta de un objetivo comercial. La analítica, en sí misma, no es un fin, sino un facilitador que empodera a la organización para lograr los objetivos comerciales. Muchas empresas pierden el rumbo porque se enfocan primero en consideraciones técnicas, como bases de datos, software e infraestructura, antes de obtener aportes y patrocinio para la empresa. Para evitar errores costosos, estas partes deben integrar la estrategia analítica desde el primer día.

2) El problema del “Pensamiento mágico”. También pueden surgir problemas cuando el lado comercial de la organización ve la práctica analítica como un espacio donde los científicos de datos trabajan sus “números mágicos”. Sin una comprensión del análisis que pueden realizar con diferentes tipos de datos, los usuarios comerciales nunca sabrán el valor de la información a su disposición o cómo usarlo para mejorar su trabajo. Tratar la analítica como una práctica central y desmitificar la ciencia de datos es la clave para el éxito en la capitalización de los mismos.

3) Culto al algoritmo. La complejidad algorítmica puede fácilmente poner a funcionar la analítica de manera oportuna. A menudo, las técnicas de aprendizaje automático tradicionales, como la regresión y agrupación en clústeres, alcanzan para resolver un problema empresarial. A pesar de ser muy complejos, los algoritmos solo aumentan el tiempo y el gasto del ciclo analítico, sin agregar valor. 

4) Sin proceso. La analítica a menudo es vista como un proyecto de IT o de Data Science en lugar de un proceso. Las organizaciones pueden frenarse al implementar una solución cuyo propósito no se definió claramente, que no cuenta con la aceptación de las personas adecuadas o es demasiado complicado para beneficiar a los usuarios finales. Una estrategia analítica centrada en el negocio requiere que las organizaciones sigan una metodología diseñada para asegurar que los hitos y objetivos específicos sean alcanzados. Sin los pasos para capturar los requisitos comerciales, garantizar la calidad de los datos, aplicar los conocimientos y medir los resultados, el éxito analítico quizás será irregular, e incluso si adopta un enfoque basado en proyectos sin un proceso repetible, será difícil escalar los análisis del modelo a otras áreas del negocio.

Las organizaciones deben ser más reflexivas y sistemáticas sobre cómo incorporan la ciencia de datos en su negocio. La analítica, para tener valor, debe ponerse en práctica en el punto de acción, ya sea que implique generar una llamada de venta, automatice una solicitud de compra o proporcione información que impulse tomar mejores decisiones en tiempo real. Para colocar los datos en acción,  se necesita un plan que establezca el rumbo al éxito. Existen soluciones de software que ofrecen un proceso de implementación de ciencia de datos similar a un péndulo. Este proceso comienza y termina con el negocio, oscilando hacia adelante y atrás mediante pasos diseñados para asegurar que las personas y la tecnología ofrezcan el mayor valor posible desde la analítica avanzada.

 

El movimiento hacia adelante del péndulo implica conducir los datos al punto de acción rápidamente:

1) Definir el problema: En este primer paso, la empresa debe definir el problema que necesita resolver, centrándose en los comportamientos que serán impactados por las percepciones analíticas.

2) Transformar: Una vez definido el objetivo, los ingenieros de datos deben conectarse a los datos para extraer la información que la empresa considere relevante.

3) Desarrollar: Los científicos de datos crean modelos que abordan el problema. La operacionalización tiene prioridad sobre la sofisticación del modelo, por lo cual no tiene sentido pasar ciclos desarrollando el modelo "perfecto" sin antes haber probado si ofrece valor o no.

4) Desplegar: Este paso se centra en la "última milla" crítica, que conecta la información de los datos con los resultados comerciales y acciones del usuario final.

5) Actuar: La empresa se comporta de manera diferente, porque los usuarios finales internos y/o externos están capacitados para tomar más rápidas y mejores decisiones.

 

El retroceso del péndulo se centra en capturar la retroalimentación para mejora continua:

1) La medida: Medir la precisión del modelo, el cumplimiento del usuario final con las sugerencias del modelo y resultados comerciales.

2) Evaluar: Determinar si el cambio de comportamiento impulsado por el modelo ha llevado valor al negocio. 

3) Reportar: Entregar los resultados al propietario de la empresa que inició el proyecto.

Una vez completado el cambio de retroalimentación, las organización puede hacer una de las siguientes tres cosas basadas en el resultado observado de la implementación de análisis: •Sin valor o valor negativo: Detenga el péndulo y desconecte el modelo. •Valor positivo, pequeño espacio para mejorar: Detenga el péndulo y deje el modelo operativo. •Valor positivo, espacio sustancial para la mejora: Dele al péndulo una oscilación fuerte y comienza el ciclo de nuevo.

Los datos pueden estar en todas partes, pero si las organizaciones continúan viendo la ciencia de éstos como algo “exclusivo para doctores”, el verdadero potencial de la analítica avanzada seguirá sin ser explotado. Las empresas que tienen más éxito con la ciencia de datos se concentran en la creación de una "cultura de análisis", que transforma los datos sin procesar en acciones que implican un impacto directo en el servicio al cliente, la eficiencia de los procesos y la ventaja competitiva.

Hacer que la ciencia de datos sea correcta exige un enfoque que involucre tanto a la IT como a las empresas partes interesadas, y que se enfoque en resultados tangibles y mejora continua.