Casi todo sobre analítica de datos (II): grado de madurez de implementación y mejores prácticas

La información básica que todas las empresas que quieren trabajar con datos tienen que tener clara, además de su definición, es la relacionada con los distintos tipos de analítica que hay, y con los modelos de analítica de datos principales que utilizan las empresas para conseguir la información que quieres. Pero también es aconsejable que conozcan los distintos grados de madurez de la analítica de datos en cuanto a su implementación.

De esta manera podrán decidir hasta qué punto quieren utilizarla y desplegarla, o en qué punto se encuentran si ya han empezado a utilizarla y quieren dar uno o varios pasos más hasta su implementación completa. Por otro lado, también les beneficiará conocer las consideradas como mejores prácticas para adoptar la analítica de datos, y utilizarla de la mejor manera en beneficio de la empresa.

Grados de madurez de la implementación de la analítica de datos

Según la consultora Gartner, hay cinco niveles diferentes en cuanto a la madurez de modelos de datos y analítica. El primero, el Básico, es el que usa los datos y la analítica gestionándolos en silos aislados, centrándose sobre todo en revisar eventos ya pasados mediante logs y datos transaccionales. Eso sí, en este caso, los procesos de analítica de datos se llevan a cabo cuando se necesitan. Por tanto, no cuentan prácticamente con automatización ni reglas de gobernanza. Los analistas tienen que utilizar hojas de cálculo y grandes volúmenes de información para trabajar.

El segundo nivel, al que Gartner llama Oportunista, marca el comienzo de las empresas por conseguir más información de los datos, y con mayor disponibilidad, para sus distintas áreas de negocio. También empiezan a establecer parámetros para asegurar la calidad de los datos. Eso sí, todos estos esfuerzos siguen estando compartimentados en silos, y al despliegue de la analítica de datos en este nivel le afecta la cultura de empresa, la falta de liderazgo apropiado, las barreras de organización y la lentitud en la proliferación de herramientas. La estrategia de datos también carece de relevancia en la empresa.

En el tercer nivel de madurez, el Sistemático, los directivos de la empresa empiezan a convertirse en defensores del uso de los datos y de su analítica. Desarrollan una estrategia y un objetivo claros, y se centran en conseguirlo con rapidez. En este nivel se suelen adoptar capacidades y funciones de business intelligence y de almacenamiento de datos, lo que lleva a una gestión de la información más centralizada. No obstante, los datos siguen sin ser todavía una prioridad clave para el negocio.

Es en el cuarto grado de madurez de la implementación y despliegue de la analítica de datos, el Diferenciador, cuando los datos se convierten en un activo estratégico. Sirve para relacionar entre sí las distintas divisiones de negocio, y son un elemento clave para impulsar el rendimiento y la innovación.

En este punto suelen contar con un responsable en la dirección: el CDO, o Responsable de datos. Su misión es dirigir todo lo relacionado con la analítica en la empresa, así como de medir el retorno de inversión (ROI), mientras otros directivos le apoyan, y siguen y promueven buenas prácticas para utilizar los datos y la información que se obtiene de ellos. En este punto todavía hay algunos huevos en cuanto a gobernanza de los datos, y el uso que se hace de la Inteligencia Artificial y el machine learning es todavía limitado.

No será hasta el máximo nivel de madurez de implementación de la analítica y los datos, el Transformador, cuando una organización implemente tanto los datos como la analítica a nivel central de su estrategia de negocio. También entonces se llega al máximo nivel en la implementación de la Inteligencia Artificial y el machine learning para conseguirlo.

Los datos tienen en este punto una influencia importantísima en las decisiones claves de negocio de las empresas. Las empresas que están en este nivel son más ágiles, se benefician de una mejor integración con los proveedores y los partners, y usan con más facilidad los tipos de analítica predictiva y prescriptiva. Todo esto lleva a permitirse conseguir ventaja y diferenciación con respecto a su competencia.

Las mejores prácticas para el uso e implementación de la analítica de datos

Tanto si tu empresa va a adentrarse en la analítica de datos en 2023, como si va a mejorar o aumentar su práctica, estas pautas para proceder pueden resultarte de gran utilidad. Son las consideradas como mejores prácticas para la analítica de datos en 2023, según VentureBeat.

1 – Mejorar la coordinación entre personas y procesos: antes de probar nuevas herramientas y tecnología para analítica, es aconsejable centrarse en mejorar la coordinación entre personas y procesos en la empresa. Para ello hay que acabar con los departamentos cerrados y aislados, e impulsar una cultura en la que los datos sean vitales para conseguir los objetivos de negocio. También es necesario facilitar el acceso a ellos, y evitar las discusiones sobre la información.

2 – Empezar por lo básico y tener claro el objetivo a conseguir: después de coordinar de manera eficaz personas y procesos, es hora de concretar lo que se quiere conseguir con la información disponible. Tu empresa puede tener varios objetivos, por lo que es importante priorizar para asegurar que los recursos se despliegan de la mejor manera posible. Siempre con el objetivo de conseguir el mayor ROI. Además, el establecimiento de un objetivo claro puede ayudar a los usuarios a evitar los tipos de datos y herramientas que no necesitan.

3 – Auditar las capacidades críticas: las empresas también tendrían que hacer una auditoría de las capacidades críticas de analítica que tienen. En esta auditoría tiene que figurar la capacidad de medir las métricas de rendimiento como objetivos fijados, la capacidad para crear modelos predictivos y la calidad y grado de detalle de los datos que necesita.

4 – Centrarse en la escalabilidad: a la hora de elegir una herramienta de analítica de datos, es aconsejable tener en cuenta la escalabilidad. Esto asegurará que tu herramienta sigue resultando útil a la empresa incluso si el volumen de datos que maneja, la profundidad del análisis que se hace con ellos, y el número de usuarios simultáneso crece en gran medida.

5 – Enlaza con el cumplimiento de normativas: también es importante conectar y relacionar la analítica de datos con el cumplimiento de normativas. Esto puede ayudar a tu empresa a asegurarte de que tus usuarios siguen las reglas de gobernanza y los estándares de seguridad específicos para su sector cuando trata con información de negocios confidencial.

6 – Refinar los modelos: dado que los datos de empresa cambian continuamente, los modelos que se utilizan para analizar la información deberían refinarse cada cierto tiempo. De esta manera, una empresa puede asegurarse de que está al día con el entorno y las dinámicas del mercado.

7 – Estandariza los informes: centrarse en la estandarización de las herramientas de generación de informes en la empresa puede asegurar que los informes y las visualizaciones que se producen como resultado del análisis tendrán un aspecto parecido para todos los usuarios, independientemente del departamento al que pertenezcan. Contar con formatos de informes diferentes lleva con frecuencia a la confusión, y a interpretaciones erróneas.

8 – Storytelling de datos: aunque las visualizaciones puedan ofrecer información suficiente, las organizaciones deberían centrarse también en hacer que esta sea más accesible a través del storytelling de datos. Esto puede ayudar a todos los usuarios de empresa, incluso a los que no tienen habilidades analíticas, a utilizar la información para tomar decisiones.

9 – Programa una formación y una actualización de capacidades: Para conseguir el máximo valor de los datos, es importante mantener una cultura de datos en toda la organización. Puedes conseguirlo a través de una comunicación bidireccional, y también formando a los empleados en el valor de los datos y cómo pueden utilizarlos para conseguir mejores resultados.

10 – Monitorizar el rendimiento de los modelos: los datos pueden envejecer mal con el paso del tiempo, lo que puede dar problemas con el rendimiento de los modelos que se utilizan para analizarlos. Por eso conviene evitar esto revisando su rendimiento cada cierto tiempo. Eso sí, para sacar partido a las capacidades actuales de los modelos y mantener la competitividad, esto hace que cada vez vaya a resultarte más necesario contar con sistemas y apoyo de los equipos de ingeniería de Inteligencia Artificial y datos, y de ciencia de datos, de tu empresa.