Álvaro Capell Osorio

Como comentábamos en una entrada anterior, para tener éxito a la hora de transformar organizaciones es fundamental tener un plan coherente y centrado en negocio. Este postulado también es válido al plantear casos de uso analíticos concretos, alrededor de los cuales se ha generado una inflación y un hype que contamina una toma de decisiones equilibrada y compromete la viabilidad de negocio de multitud de proyectos analíticos, que en muchos casos nunca llegan a tener impacto real de negocio. Para garantizar la máxima eficiencia de nuestra inversión en un caso de uso analítico es necesario aplicar una metodología robusta con un foco de negocio, que incluya diferentes análisis de viabilidad y puntos de control: La primera comprobación es verificar de forma preliminar que el caso valorado tiene sentido de negocio y económico. En este punto no se trata de desarrollar unos cálculos de retorno sofisticados, sino de una primera validación de que los órdenes de magnitud encajan. Puede parecer una comprobación superflua pero, en algunas ocasiones, en este punto caeremos en la cuenta de que existe una solución más sencilla que es más adecuada al problema de negocio: ¿tiene sentido desarrollar un modelo para priorizar los contactos de un call-center, si el coste de desarrollarlo es varios órdenes de magnitud mayor de lo que me costaría contactar a mi base de datos de clientes completa? La solución podría ser incluso analógica: contratar más comerciales para mejorar los resultados. Comprobados los basics, lo siguiente es verificar que el caso de uso es "activable" en la realidad operativa: ¿tiene sentido desarrollar un modelo de predicción del fraude si no disponemos de mecanismos para actuar sobre los casos fraudulentos sobre el terreno? ¿vamos a ser capaces de monetizar un nuevo algoritmo para proponer productos afines para venta cruzada si nuestro sistema de puntos de venta no permite a la fuerza de ventas consultarlo cuando el cliente nos visita? En ocasiones, el output de este análisis son actuaciones de mejora sobre los procesos o la operativa que se deben acometer con anterioridad al comienzo del proyecto analítico, y este conocimiento en sí mismo ya aporta valor aunque no continuemos con el caso de uso. El siguiente paso es bajar al barro para comprobar los datos disponibles, dónde se encuentran alojados, la accesibilidad de esos repositorios (que puede ser técnica, pero también contractual si los datos los custodia un proveedor tercero), la calidad de los mismos, si es ética su explotación etc. En paralelo también es necesario validar que la plataforma e infraestructura disponible es válida o suficiente para los trabajos planificados así como revisar todos los activos existentes internamente. Si todas las respuestas son afirmativas, hemos hecho los deberes y podemos comenzar con el trabajo técnico del caso de uso. Sin embargo, cometeríamos un error acometiendo una enorme inversión en este punto ya que nuestra estimación económica está basada en estimaciones e hipótesis. Es fundamental comenzar con una prueba de concepto acotada y rápida que permita obtener resultados sobre datos reales y, entonces sí, refinar el cálculo del retorno con una confianza mayor. Este punto es crítico, porque el retorno de los modelos analíticos no se puede estimar de antemano. En este punto se deberá tomar una decisión de "go o no go" en función de este Business Case refinado. Si la respuesta es nuevamente afirmativa entonces entraremos en el desarrollo del modelo completo y su puesta en producción, que constituirán la partida más voluminosa de la inversión, pero que estaremos acometiendo con la confianza de haber ido avanzando paso por paso y habiendo validado cuidadosamente los resultados y las estimaciones en cada punto. Dentro del portfolio de servicios de LUCA disponemos de servicios de Use Case Discovery, con los que ayudamos a nuestros clientes a descubrir, aterrizar y analizar con detalle casos de uso relevantes para su negocio. Con nuestra metodología ayudamos a una correcta elección de los casos de uso a implementar para maximizar el retorno de las inversiones en analytics. Para mantenerte al día con LUCA visita nuestra .

A día de hoy no hay duda de los beneficios que proporciona a las compañías el correcto análisis de la información que generan. Conceptos como el “petróleo del siglo XXI” y “activo estratégico” se han registrado con tanta frecuencia asociados a los datos que parece que lleváramos décadas escuchándolos. Sin embargo, existe un enorme porcentaje de proyectos relacionados con los datos e iniciativas de transformación corporativa que fracasan. ¿Cómo es posible esta aparente contradicción? En definitiva se trata de proyectos muy transversales, que requieren de la participación e impactan en muchas áreas de las compañías con unos tiempos de reacción, una agilidad y una metodología para los que las organizaciones no están preparadas: Se requiere una visión clara del objetivo de negocio que se pretende lograr, así como las palancas disponibles para poder activarlo en la operativa de la compañía. Debe además estar respaldado por un caso de negocio sólido que garantice su viabilidad. Se requieren datos relevantes que tengan una profundidad histórica suficiente y un mínimo de calidad. Es muy habitual que los datos se almacenen en aplicaciones o sistemas aislados e incompatibles, gestionados por terceros e inaccesibles o directamente ni se almacene la información operativa necesaria. Además hay que valorar todos los aspectos regulatorios e incluso éticos que pudieran afectar al proyecto. Se requiere una infraestructura tecnológica específica, con un nivel de flexibilidad para los usuarios que es difícil de conciliar con las políticas de seguridad corporativa tradicionales, y a la vez con un nivel de robustez que garantice la ejecución de los modelos en producción. Se requieren unos equipos y especialistas con una combinación de capacidades difícil de encontrar: conocimientos técnicos muy específicos, una sólida base matemática pero también la capacidad de convertir esos conceptos científicos en respuestas para el negocio y en mejoras tangibles sobre los procesos corporativos. Solo mediante una cuidadosa alineación de todos estos factores los proyectos de analítica avanzada pueden llegar a buen puerto y aportar valor para el negocio de las compañías. El punto de partida debe ser una reflexión acerca de cuáles son los objetivos de negocio que la compañía persigue orientando sus procesos a los datos. No se trata de realizar un plan de transformación data-driven per se, sino de un plan de negocio que requiere de forma intrínseca una transformación data-driven. En segundo lugar, se debe obtener una fotografía fiel de la realidad de la compañía en el resto de aspectos: cual es el ecosistema tecnológico, con qué datos contamos y en qué forma y calidad o qué capacidades internas existen en la casa son preguntas fundamentales. A continuación debemos alinear todas las piezas necesarias para poder llevar a cabo el plan de negocio: aplicaciones y stack tecnológico, servicios profesionales, capacitación interna, fuentes de datos externas, metodologías de trabajo, estrategias de gobierno del dato corporativo, etc… y acompañar este diseño de un plan donde cada uno de los ejes esté fraccionado en planes de trabajo sincronizados. Sin este enfoque sistemático las compañías corren el riesgo de acometer fuertes inversiones y proyectos ambiciosos que acaben sufriendo retrasos y sobrecostes, o incluso que terminen fracasando. En LUCA tenemos una experiencia dilatada asesorando y acompañando a nuestros clientes en su viaje para sacar el máximo partido a los datos. Uno de nuestros servicios diferenciales es la consultoría estratégica, donde nos especializamos en sincronizar de forma transversal todos los factores a considerar para el éxito de este tipo de iniciativas.