El big data y la ciencia de datos hoy son omnipresentes en el mundo empresarial, como dos formas de mejorar la toma de decisiones. En los últimos años, las industrias han registrado inversiones importantes en infraestructura tecnológica, a fin de recolectar grandes cantidades de datos en todas las áreas de las empresas: ventas, operaciones, manufactura, cadena de suministros, servicio al cliente, contabilidad, finanzas, etc.

Quizás esta recolección gigantesca de datos sea una consecuencia directa de la famosa frase "Lo que no se mide, no se puede controlar; lo que no se puede controlar, no se puede gestionar, y lo que no se puede gestionar, no se puede mejorar". Ello también generó todo un aluvión de indicadores, los KPI, índices y ratios que hoy existen en las empresas. Ahora, el gran reto es la explotación de esos datos a fin de generar ventaja competitiva.

¿Qué es la ciencia de datos?

Provost & Fawcett (2013) definen a la ciencia de datos como el conjunto de principios fundamentales que nos permiten extraer conocimiento de la información recabada. Involucra ciertos principios, procesos y técnicas para entender un determinado fenómeno mediante el análisis (automatizado) de datos, con la finalidad de optimizar la toma de decisiones.

Por su parte, Robinson & Nolis (2020) consideran que este concepto se refiere a la práctica del uso de datos para tratar de entender y resolver un problema del mundo real. Si bien el concepto no es nuevo, la generación exponencial de datos mediante el uso de computadoras es lo que permitió el procesamiento de estas grandes cantidades de información. 

Evitemos iniciar un proyecto de ciencia de datos con objetivos vagos o enamorarnos de determinada tecnología o herramienta cuando aún no se define el problema que se debe resolver.

En ese orden de ideas, Robinson & Nolis consideran que los científicos de datos, a través del código computacional, pueden transformar o agregar datos, ejecutar análisis estadísticos o entrenar modelos de machine learning (aprendizaje automático). El resultado puede ser un reporte, un cuadro de mando o un modelo de machine learning que será desplegado para ser ejecutado de forma continua.

¿Cómo aprovechar la ciencia de datos?

Diversas empresas de consultoría reconocen que los primeros en sacar ventaja de la ciencia de datos fueron las empresas del sector B2C, tales como la banca, el retail y las telecomunicaciones. Sin embargo, en los últimos años, las organizaciones B2B han empezado a reconocer el enorme potencial que puede existir si comienzan a pensar en cómo explotar los datos de su entorno.

En primer lugar, es de suma importancia no caer en errores, como empezar un proyecto de ciencia de datos con objetivos vagos o enamorarse de determinada tecnología o herramienta tecnológica cuando aún no se define el problema que se debe resolver. Aquí una pequeña guía de cómo implementar ciencia de datos en una organización B2B:

1. Objetivos. Deben definirse de forma clara y precisa. ¿Qué problema o situación queremos atacar? Sugiero empezar con un piloto en un área específica de la organización y plantear metas realistas. La ciencia de datos no es magia, hay que planificar el piloto desde las perspectivas del negocio, infraestructura de TI, talento humano, gestión del cambio, etc. Es necesario construir un business case que le dé sentido a la iniciativa que deseamos abordar, a fin de conseguir insights que den sentido a las áreas como marketing, ventas o Servicio al cliente. ¡Queremos nuevos conocimientos!

2. Materia prima. Obviamente se trata de los datos. ¿Tenemos plataformas de ERP, CRM, cadena de suministro, compras, etc., que recolectan de forma confiable los datos de las diversas áreas de la empresa? ¿O aún tenemos muchos datos en papel? ¿El ingreso de información es mandatorio u opcional para nuestros colaboradores, proveedores y clientes? La revista The Economist (2017) considera los datos como el nuevo petróleo.

3. Almacenamiento de datos. ¿Tenemos nuestros datos ordenados, organizados y estructurados en un solo lugar (bases de datos) de forma que puedan ser explotados? ¿Tenemos bases de datos con registros duplicados, nulos o inconsistentes? ¿O los datos están desperdigados por toda la empresa a través de hojas de cálculo? Es importante que la empresa se vuelva data-driven, hay que abandonar los silos.

4. Modelado de datos. Se pueden lograr muy buenos resultados si y sólo si contamos con un juego de datos que puedan ser usados en los diferentes modelos que existen. La definición del modelado de datos se encuentra en relación directa a la definición del problema y de la calidad de datos que tenemos. Es importante medir la performance de los diversos modelados para saber cuán confiables son. Se recomienda usar los datos más fáciles de conseguir y que tengan la mejor calidad posible. Es un trabajo que debe repetirse o verificarse con regularidad, ya que los datos cambian a medida que lo hace el mercado, nada es estático.

5. Analítica de datos. Aquí participan los integrantes de las áreas de negocio. La recomendación es facilitar el uso de los modelos y de los datos transformados. Aconsejo usar herramientas amigables para que la explotación de la información fluya por la organización y nuestros equipos noten el valor que genera la iniciativa que lanzamos.

6. Talento humano. Es lo más importante. Necesitamos que todos los actores, internos y externos, reconozcan la importancia de la iniciativa y el valor que podemos generar. Esté atento, ya que deberá preparar el recurso interno en ciencia de datos o conseguirlo de forma externa. Dentro de la planificación del piloto, no deje de lado la gestión del cambio. El rol del equipo de liderazgo es decisivo para llevar adelante este tipo de iniciativas.

Las empresas B2B han tardado en adoptar todo lo que podemos hacer con la ciencia de datos, tal vez porque pensaron que solo era posible en las empresas B2C o porque no tenían claro lo que puede hacerse o cuál es la ruta para hacerlo. Sin embargo, es muy probable que aquellas empresas B2B que se atrevan a mejorar su toma de decisiones a través de la ciencia de datos obtengan los mejores resultados. ¿Has empleado la ciencia de datos en tu negocio? Cuéntanos tu experiencia.

Referencias

Provost, F. & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O'Reilly Media, Inc.

Robinson, E. & Nolis, J. (2020). Build a career in data science. Manning Publications.