Vivimos en la era dorada del big data, pero la mayoría de las veces, solo miramos una pequeña parte de ello. En todas las industrias, las empresas se sientan en una mina de oro de datos que no utilizan.
Solía suceder que el tiempo de los analistas era barato y los datos caros. Ahora, esa ecuación ha cambiado. Con el auge de los almacenes de datos en la nube, la recopilación de datos es más barata que nunca y el tiempo de las personas es mucho más valioso. En otras palabras, nos enfrentamos a demasiados datos y no tenemos suficiente tiempo para aprovecharlos.
En respuesta, simplificamos nuestros datos. Agregamos y muestreamos para facilitar el procesamiento de nuestras herramientas de BI actuales. Usamos paneles visuales para ayudar a los comités ejecutivos a ver cuándo cambian las métricas, pero nos cuesta explicar por qué. Pero estos no aprovechan la gran cantidad de factores en nuestros datos que realmente tienen un impacto medible en los negocios.
Como resultado, tendemos a ver solo lo obvio. Explicamos la variación en los datos como "estacionalidad". Encontramos valores atípicos. O peor aún, no vemos nada en absoluto porque solo consideramos un subconjunto sesgado de variables. Por eso tenemos que dejar atrás la idea de "conocimientos". Una información por sí sola puede ser interesante, sorprendente o difícil de encontrar, pero si no es procesable, no da información para una buena toma de decisiones.
Eso es lo que separa los hechos de las percepciones. Los hechos están bien respaldados, respaldan decisiones claras y se relacionan con los KPI que impulsan el negocio.
Deje de concentrarse en valores atípicos y extremos
Los datos que recopilamos todos los días son amplios y profundos, lo que nos brinda acceso a cientos de factores para comprender qué impulsa las métricas centrales a un nivel granular. El problema es que si solo se apoya en los valores atípicos y extremos, solo verá los riesgos y oportunidades más obvios. Los analistas aún deben profundizar en la enorme cantidad de factores en sus datos para comprender por qué algo está cambiando y qué hacer al respecto.
Cada vez escucho más a líderes que esperan más contexto sobre sus datos para ayudarlos a tomar decisiones. Los valores atípicos y los extremos pueden despertar su curiosidad cuando los tiempos son buenos, pero cuando navegan por aguas más agitadas, necesitan hechos específicos y procesables que puedan impulsar las decisiones. Los segmentos de clientes bien definidos son objetivos para nuevas campañas; la información acerca de las promociones en el mercado que se están llevando a cabo y las que no funcionan, informa los descuentos futuros; y los datos de interacción específicos del dispositivo permiten la mejora de la ingeniería.
Al profundizar en sus datos y probar rigurosamente más hipótesis, las empresas pueden armarse con hechos significativos y pueden mirar más allá de sus métricas comerciales y conocimientos tribales para obtener una imagen rápida y completa de lo que está cambiando para establecer la estrategia en tiempo real. Pueden tomar mejores decisiones.
Construya una cultura basada en datos preocupándose por los hechos
Todas las empresas dicen que quieren estar basadas en datos, pero la mayoría no sabe realmente cómo se ve eso en la práctica.
Como señaló recientemente la Harvard Business Review: “Los mayores obstáculos para crear empresas basadas en datos no son técnicos; son culturales. Es bastante simple describir cómo inyectar datos en un proceso de toma de decisiones. Es mucho más difícil hacer que esto sea normal, incluso automático, para los empleados, un cambio de mentalidad que presenta un desafío abrumador".
Si desea que su equipo se tome los datos en serio, debe demostrar que le importan los hechos, no las ideas falsas o discutibles. Esto significa hacer preguntas directas y seguir adelante con acciones basadas en esos datos, no en su instinto. A menudo, es el paso de acción en el que los equipos que buscan basarse en datos se quedan cortos porque un conocimiento en sí mismo no dirige los siguientes pasos.
Encuentre hechos que generen un impacto real
La mayoría de las veces, los supuestos conocimientos que obtenemos de los datos son solo eso.
Por ejemplo, una marca global de productos de consumo que buscaba optimizar el rendimiento de su canal se encontró estancada en el nivel de información. Sus herramientas de análisis existentes y sus datos altamente simplificados les recordaron constantemente que Walmart era su mayor cliente. Bueno, por supuesto. Pero, ¿qué van a hacer con esa percepción superficial y obvia?
Este equipo necesitaba ayuda para profundizar en sus ricos datos transaccionales para encontrar los hechos procesables. Querían respuestas como "¿Qué productos compran los diferentes segmentos de clientes en Walmart en comparación con otros canales?" y "¿Por qué fluctúan las ventas de un determinado producto en Walmart?" y "¿Qué productos tienen un rendimiento diferente?"
La idea de que Walmart es un canal dominante no le dio a este equipo la capacidad de cambiar su estrategia de producto o mejorar el rendimiento. Pero, con una visibilidad más rápida y precisa del impacto de más factores, pudieron desarrollar estrategias de marketing y ventas efectivas para crear nuevas oportunidades con clientes y cohortes que nunca habían considerado.
Ahora, más que nunca, necesita mirar sus datos de manera diferente. Necesita aprovechar un conjunto más diverso de factores en el momento para ser proactivo, lo que le permite identificar oportunidades de crecimiento, estabilidad y salud del cliente. La investigación de conocimientos es una inversión en tiempos de paz para las empresas que buscan incrementar sus ganancias. Actuar sobre la base de los hechos en tiempo real le permitirá aprovechar de manera proactiva sus datos para tomar decisiones críticas e identificar oportunidades de crecimiento, estabilidad y salud del cliente, especialmente cuando surgen nuevas oportunidades.
Por Peter Bailis, fundador y CEO de Sisu Data, una plataforma de análisis de datos que ayuda a los usuarios a comprender los factores clave detrás de las métricas comerciales críticas en tiempo real. Bailis también es profesor asistente de Ciencias de la Computación en la Universidad de Stanford, donde codirige Stanford DAWN, un proyecto de investigación centrado en facilitar enormemente la creación de aplicaciones habilitadas para el aprendizaje automático.