Fuente: Forbes Mexico
¿Dónde está el valor en el Data Analytics?
Algo que hace mucho tiempo me pregunto es qué es valor. Siempre trato de preguntarles a las empresas, académica y profesionalmente, dónde cree usted que crea valor. Con el fin último de entender cómo se le puede “ayudar” en la ecuación de creación de valor. Si bien todas las empresas se definan como generadoras de valor, muchas de ellas no saben cómo generarlo. Y menos saben cómo apropiarlo. Y son muy pocas las que saben cómo orquestarlo a lo largo de la cadena.
Pero si bien lo anterior es difícil, cuando al proceso de valor le agregamos que la generación de valor debe ser a través de la gestión y análisis de datos (data analytics), es aún más complejo. ¿Por qué es más complejo?, porque el valor no está en los datos, sino en qué se quiere hacer con ellos. Y el valor del análisis de datos, desde hace muchísimos siglos, está en el impacto que tiene éste en la tomar decisiones informadas de los ejecutivos. Y acá está el principal foco para aquellas empresas que quieras desarrollar valor a través del análisis de datos, entender qué decisiones quieren tomar.
Hay evidencia empírica indiscutible que en vez de analizar esto como primer objetivo cuando se quieren entender el valor del data analytics, las empresas y los académicos, analizan la tecnología que se utiliza para gestionar y analizar los datos. Y es ahí donde aparecen los “discursos” sobre modelos de machine learning, los proceso de big data, el data minning, las regresiones complejas, y todo lo relacionado con la econometría clásica o moderna. Pasamos horas explicándoles a las empresas que con tal o cual herramienta podrán procesar, analizar y disponer de datos, sin antes entender para qué quiere la empresa esos datos, qué decisiones quieren tomar, qué grado de madurez tiene el proceso de decisión “data-oriented” que posee la empresa.
He estudiado bastante los procesos de innovación y la toma de decisiones dentro de las empresas, desde la perspectiva académica y profesional, y es claro que el análisis de datos puede aportar mucho a la generación de valor. Lo importante es entender qué etapa de la madurez del data analytics (descriptive analytics, diagnostic analytics, predictive analytics o prescriptive analytics) es la apropiada para la empresa. Quizás, dado el ciclo de vida del proceso de toma de decisiones dentro de las empresas, la etapa que mayor valor aporta a la empresa sea la que tiene menor complejidad estadística-metodológica.
Por ende, es fundamental entender el ciclo de vida de toma de decisiones que tiene la empresa, este puede ser diferente en diferentes áreas de la compañía (maduro en producción, medio en marketing, y básico en cobranzas), y en función de ellos entender cuál es la mejor etapa del data analytics que le aporta valor diferencial a la estrategia. Se puede innovar mucho con descriptive analytics en un momento, y en otros no. Pasa lo mismo con el predictive analytics. Por ende, lo importante no es la tecnología, no es la complejidad metodología de los modelos, es la forma en que las empresas toman decisiones innovadoras y crean valor real a través de ellas.
Contacto:
Correo: diego.vallarino@gmail.com
Twitter: @diego_vallarino
LinkedIn: diegovallarinonavarro
Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.
Antes de hablar de Data Analytics hable de toma de decisiones que generen valor diferencial. Y eso lo define la demanda, no la oferta.
Algo que hace mucho tiempo me pregunto es qué es valor. Siempre trato de preguntarles a las empresas, académica y profesionalmente, dónde cree usted que crea valor. Con el fin último de entender cómo se le puede “ayudar” en la ecuación de creación de valor. Si bien todas las empresas se definan como generadoras de valor, muchas de ellas no saben cómo generarlo. Y menos saben cómo apropiarlo. Y son muy pocas las que saben cómo orquestarlo a lo largo de la cadena.
Pero si bien lo anterior es difícil, cuando al proceso de valor le agregamos que la generación de valor debe ser a través de la gestión y análisis de datos (data analytics), es aún más complejo. ¿Por qué es más complejo?, porque el valor no está en los datos, sino en qué se quiere hacer con ellos. Y el valor del análisis de datos, desde hace muchísimos siglos, está en el impacto que tiene éste en la tomar decisiones informadas de los ejecutivos. Y acá está el principal foco para aquellas empresas que quieras desarrollar valor a través del análisis de datos, entender qué decisiones quieren tomar.
Hay evidencia empírica indiscutible que en vez de analizar esto como primer objetivo cuando se quieren entender el valor del data analytics, las empresas y los académicos, analizan la tecnología que se utiliza para gestionar y analizar los datos. Y es ahí donde aparecen los “discursos” sobre modelos de machine learning, los proceso de big data, el data minning, las regresiones complejas, y todo lo relacionado con la econometría clásica o moderna. Pasamos horas explicándoles a las empresas que con tal o cual herramienta podrán procesar, analizar y disponer de datos, sin antes entender para qué quiere la empresa esos datos, qué decisiones quieren tomar, qué grado de madurez tiene el proceso de decisión “data-oriented” que posee la empresa.
He estudiado bastante los procesos de innovación y la toma de decisiones dentro de las empresas, desde la perspectiva académica y profesional, y es claro que el análisis de datos puede aportar mucho a la generación de valor. Lo importante es entender qué etapa de la madurez del data analytics (descriptive analytics, diagnostic analytics, predictive analytics o prescriptive analytics) es la apropiada para la empresa. Quizás, dado el ciclo de vida del proceso de toma de decisiones dentro de las empresas, la etapa que mayor valor aporta a la empresa sea la que tiene menor complejidad estadística-metodológica.
Por ende, es fundamental entender el ciclo de vida de toma de decisiones que tiene la empresa, este puede ser diferente en diferentes áreas de la compañía (maduro en producción, medio en marketing, y básico en cobranzas), y en función de ellos entender cuál es la mejor etapa del data analytics que le aporta valor diferencial a la estrategia. Se puede innovar mucho con descriptive analytics en un momento, y en otros no. Pasa lo mismo con el predictive analytics. Por ende, lo importante no es la tecnología, no es la complejidad metodología de los modelos, es la forma en que las empresas toman decisiones innovadoras y crean valor real a través de ellas.
Contacto:
Correo: diego.vallarino@gmail.com
Twitter: @diego_vallarino
LinkedIn: diegovallarinonavarro
Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.
