Las capacidades de "analítica avanzada" de datos (incluyendo inteligencia artificial, análisis predictivo, etc.) están cobrando cada día mayor relevancia por su capacidad para transformar datos en valor. Este fenómeno, sumado al incesante y exponencial crecimiento de datos, genera una oportunidad necesaria para que las empresas inviertan en este tipo de capacidades.

Es por esto qué la analítica se ha convertido en el Gold Rush de los últimos años, y así como en el movimiento del siglo XIX, es difícil saber qué estrategia triunfará en lograr el objetivo. Uno de los dilemas que corre a lo largo y a lo ancho es el desarrollo de capacidades propias vs. la tercerización, con todos los modelos híbridos entre medio. A continuación, nos enfocaremos en la estrategia de desarrollo propio y 10 de las razones por las cuales la misma fracasa:

Falta de apoyo ejecutivo

Cambiar hacia una organización que tome decisiones basadas en datos es un cambio de paradigma, lo cual requiere un cambio de cultura. Si la visión no se comparte en la dirección de la compañía entonces no se generarán cambios significativos.

Tamaño de equipo

Si lo hacés, no lo hagas a medias. Si se apunta a lograr un equipo de 150 profesionales dedicados a la práctica de analítica entonces, ¡adelante! Pero si solamente se piensa contratar a un puñado de perfiles analíticos y resolver casos de uso, uno por uno, el propio mercado desafiará la iniciativa de forma constante. Ya que los perfiles son muy codiciados y no se puede dar el lujo de conservar el conocimiento con tan pocas personas.

Perfiles demasiado técnicos

La inteligencia artificial (IA) es una cosa, pero lo que interesa aquí es la aplicación de ella y para eso no alcanza con gente técnica únicamente. Se necesitan (y argumentaría que debería ser la mayoría) de perfiles capaces de entender y empatizar con el negocio. El objetivo no es desarrollar algoritmos, el objetivo es brindar valor al negocio.

Perfiles demasiado generales

Por el contrario, si únicamente se cuenta con generalistas entonces el avance será lento y de poca profundidad, generando un alto costo de oportunidad y dejando a la empresa en la misma situación de desventaja en pocos años.

Por ello se torna necesario formar un equipo que, además de ser multi-skilled (tanto generalistas como técnicos), hayan tenido alguna experiencia previa en creación e implementación de un área de analítica avanzada.

La devoción por lo fundacional

En general el camino data-driven requiere unos pasos fundacionales de trabajo sobre los datos, su gobierno y su arquitectura. Sin embargo, hay que entender la paciencia del negocio y ser claros en el manejo de expectativas.

La visión moderna de la transformación analítica busca generar ciclos cortos entre iniciativas fundacionales y aplicaciones de valor, ya que no se puede esperar varios meses para comenzar a generarlo.

En este sentido, el desarrollo progresivo de un Data Lake basado en casos de uso que satisfagan las necesidades más inmediatas del negocio, podría ser una buena estrategia para el desarrollo de la arquitectura de datos, mientras se gestionan las expectativas del negocio.

No integrar al usuario

No integrar al usuario y que "analytics" sea visto como una iniciativa del área de tecnología son unas de las causas más frecuentes en el fracaso de iniciativas analíticas. Gran parte de las aplicaciones generadas requieren un usuario que las apalanque, y si éste no las integra entonces el valor tiende a 0 sin importar qué tan bueno sea el algoritmo o solución. Una buena práctica exige que, durante el desarrollo de iniciativas de analítica avanzada, el usuario esté integrado desde el primer momento.

Sin capacidad para escalar

Existen muchas empresas que son excelentes generadores de pruebas de concepto, pilotos o MVP (Minimum Viable Products); y si bien esto es importante para el camino analítico, si no se pueden escalar las aplicaciones desarrolladas entonces no se genera valor.

Por esos el clave anticipar cómo se estaría escalando de ser exitosa y entender cómo evolucionará una vez implementada. Las aplicaciones de analítica exitosas tienen una característica interesante: si no se continúan evolucionando entonces no solo no mejoran su performance, sino que se deterioran.

Falta de visión o historia cohesiva

En el último tiempo hemos visto empresas con equipos analíticos que reúnen las capacidades necesarias, pero terminan operando como un "marketplace" interno resolviendo los problemas que se les presentan.

Si bien esto trae resultados en el corto plazo, para poder realmente progresar en el camino data-driven se necesita de una historia cohesiva, es decir, una serie de iniciativas que tengan relación entre ellas y que juntas formen parte de un recorrido que lleve a la empresa a un estadío superior. Un mapa de ruta de iniciativas alineado a la visión de la organización.

Falta de alineamiento con Indicadores del negocio

Los científicos de datos abogan por la eficiencia de los algoritmos, a tal punto que se desvía el foco del porqué de la iniciativa. Se busca valor de negocio en tiempos aceptables, y esto a veces implica tener que sacrificar calidad, robustez, eficiencia, etc.

Falta de valor (o su visibilidad)

Tan importante como desarrollar aplicaciones analíticas exitosas, es poder medir y comunicar su éxito. La fe en el poder de los datos es necesaria en el comienzo, pero tiene su límite. Los ejecutivos tienen que poder percibir los resultados del camino analítico. En este sentido es importante establecer una "oficina de realización de valor" o rutinas periódicas de medición de valor agregado por las iniciativas.

El camino hacia la analítica avanzada es arduo y complejo, pero de ninguna manera imposible. Lo importante para aquellos que comenzaron hace poco es aprender del camino recorrido, para avanzar más rápido y ponerse a la par (o superar) de la competencia en la monetización de datos.

(*) Director ejecutivo de Accenture.

(**) Director de Analytics para Sudamérica Hispana de Accenture.