Guía de analítica de datos para el director de empresa

En los últimos años, la ciencia de los datos se ha convertido en una herramienta de negocios esencial. El acceso a cantidades masivas de datos —gracias a la informática avanzada y la «internet de las cosas»— permite que hoy en día las empresas puedan medir todos los aspectos de sus operaciones hasta el más mínimo detalle. Pero muchos directores de empresa, desbordados por el continuo aluvión de indicadores, vacilan en implicarse en un proceso que consideran de índole técnica.

Según Florian Zettelmeyer, profesor de marketing y director académico del programa de analítica de datos de la Kellogg School, los gerentes no deben pensar que la analítica es un asunto que cae más allá de su ámbito de competencia. «Las competencias más importantes para la analítica no son de índole técnica», dice. «Son de razonamiento». Para sacarle partido a la analítica no se necesita ser un genio de las matemáticas ni un as de la informática; lo que hay que tener es lo que Zettelmeyer llama «un conocimiento práctico» de la ciencia de los datos. Eso significa poder distinguir los datos útiles de los que no lo son y saber dónde exactamente puede agregar valor la analítica.

Un conocimiento práctico de la ciencia de los datos permite a los dirigentes convertir la analítica en una verdadera fuente de enseñanzas. También puede salvarlos de tomar decisiones basadas en supuestos erróneos. «Cuando la analítica fracasa —dice Zettelmeyer¬— la razón número uno es que unos datos que no fueron el resultado de un experimento se presentaron como tales». «Incluso en la analítica predictiva y prescriptiva, quien no entiende de experimentos —dice— no entiende de analítica».

Comience por el problema
Con demasiada frecuencia, dice Zettelmeyer, los gerentes recopilan los datos sin saber cómo van a utilizarlos. «Hay que plantearse la generación de datos como un imperativo estratégico», dice. En otras palabras, la analítica no es una práctica comercial aislada; es preciso integrarla en la estrategia empresarial. Independientemente de lo que una empresa decida medir, los resultados solo serán útiles si el acopio de datos se hace con un fin determinado.

Como toda investigación científica, la analítica tiene que tener una pregunta o un problema como punto de partida. Ya se trate de una compañía de software que pretenda mejorar su campaña publicitaria o de un negocio de comida rápida que quiera simplificar sus operaciones internacionales, la recogida de datos debe responder concretamente al problema comercial que se desee resolver. «No se puede simplemente confiar en que  los datos que se generan fortuitamente durante el transcurso de la actividad comercial sean el tipo de datos que conduzcan a avances significativos», dice Zettelmeyer. «Aunque evidentemente es necesario recopilar cierto tipo de datos —tales como la conducta de navegación del consumidor—, las interacciones con el cliente tienen que idearse pensando en la analítica para asegurar la obtención de las mediciones necesarias».

Tampoco se puede ceder la iniciativa a los científicos de datos. En última instancia, es al director de empresa a quien incumbe determinar qué problemas es preciso resolver y cómo debe la empresa incorporar la analítica en sus operaciones. Los ejecutivos, después de todo, son los que tienen que tomar las decisiones; por lo tanto, deben desempeñar un papel central en la determinación de lo que los números significan para la estrategia total de la empresa.

Entienda el proceso de generación de datos
«Como la analítica está basada en la ciencia de los datos, algunos piensan que de alguna manera representa la verdad absoluta», dice Zettelmeyer. «Lamentablemente, no es así».

Entonces, ¿cómo pueden los directores de empresa aprender a distinguir la analítica de buena calidad de la mala? «Todo comienza por la comprensión del proceso de generación de los datos», dice Zettelmeyer. «No se puede juzgar la calidad de la analítica si no se tiene una idea bien clara de la procedencia de los datos».

Según Zettelmeyer, la mayoría de los gerentes tienen una tendencia en común: cuando se les presentan los resultados como el fruto de un complejo proceso analítico de datos, se inhiben a favor de los expertos. «Es muy peligroso que los gerentes den por hecho que los análisis se realizaron correctamente. Por eso creo que es sumamente importante que desarrollen un sexto sentido para lo que en realidad pueden aprender de los datos». Para tomar decisiones informadas, dice, es útil dar un paso atrás y establecer ciertos fundamentos.

Como en la analítica con frecuencia se hacen comparaciones entre grupos, es importante saber cómo se seleccionaron esos grupos. Por ejemplo, para juzgar la eficacia de un anuncio, un departamento de marketing puede realizar una comparación entre los consumidores que estuvieron expuestos al anuncio y los que no. Si los consumidores se seleccionaron aleatoriamente, los grupos son lo que los científicos de datos denominan «equivalentes desde el punto de vista probabilístico», que es la base de la buena analítica. Pero si, por ejemplo, estuvieron expuestos al anuncio porque anteriormente habían mostrado interés por el producto, esto se traducirá en una analítica deficiente, ya que ni las técnicas analíticas más avanzadas pueden responder a la siguiente pregunta básica: ¿fue verdaderamente eficaz el anuncio o acaso el consumidor ya estaba interesado en el producto?

No es solo un problema de marketing. Pongamos el ejemplo de un hospital que deseaba cambiar sus ecógrafos. Por medio de sensores inalámbricos, logran medir con exactitud durante el transcurso del trabajo el tiempo que toma realizar las ecografías con los nuevos ecógrafos, un parámetro que será útil para decidir si pasarse a ellos definitivamente. Pero los datos arrojan un resultado insólito: toma más tiempo realizar las ecografías con las máquinas nuevas que con las viejas. Lo que el hospital no tomó en cuenta fue una diferencia primaria entre dos grupos de técnicos: los novatos y los experimentados. Resulta que los primeros, que naturalmente eran más lentos que los segundos, optaban por utilizar la máquina más moderna, y eso sesgaba los datos. «El problema —dice Zettelmeyer— era que se estaba confundiendo la experiencia del técnico con la velocidad del dispositivo». Nuevamente, el fallo de la analítica se debió a que no se hicieran ciertas preguntas fundamentales: ¿Qué mueve a los técnicos a elegir una máquina en vez de la otra? ¿Es comparable todo lo que atañe al uso de las dos máquinas? ¿Si no lo es, se hicieron las correcciones analíticas necesarias para tomar eso en cuenta?

La comprensión del proceso de generación de datos también puede ayudar a detectar el problema de la causalidad inversa. Aquí Zettelmeyer cita el caso de una compañía que está tratando de decidir si debe limitar o no el envío de mensajes promocionales por correo electrónico. Los datos indican que estos mensajes son sumamente eficaces: cuantos más recibe el cliente, más compras suele efectuar. Pero lo que no se trasluce en esos datos es que la compañía está aplicando una lección de marketing que el Reader's Digest aprendió hace décadas, según la cual los clientes leales —las personas que han comprado más recientemente, con mayor frecuencia y que cuando compran gastan más— tienden a comprar nuevamente cuando son objeto de una promoción. Así que, en lugar de ser el número de mensajes lo que está aumentando las ventas, la causalidad de hecho funciona en sentido inverso: cuantas más compras efectúan los clientes, más mensajes reciben. Lo que significa que esos datos en realidad son inútiles para determinar si los mensajes por correo electrónico aumentan los ingresos.

Aplique sus conocimientos sobre el negocio
Además de cerciorarse de que la generación de datos se hace con la mente puesta en la analítica, los gerentes deben aplicar sus conocimientos del negocio para esclarecer cualquier resultado extraño. Zettelmeyer recomienda hacerse la siguiente pregunta: «Sabiendo lo que usted sabe sobre su negocio, ¿hay alguna explicación verosímil para ese resultado?». La analítica, al fin y al cabo, no es un simple procesamiento de datos numéricos en el vacío. Los científicos de datos no poseen los conocimientos del negocio que tienen los gerentes, y la analítica no es un sustituto para la comprensión del negocio.

Tómese el ejemplo del concesionario de automóviles que lanza una promoción en febrero. Como las ventas aumentan ese mes, el concesionario concluye que la promoción dio resultado. «Pero —dice Zettelmeyer— supongamos que lo que se estaba tratando de vender era una camioneta Subaru de tracción en las cuatro ruedas, y que no se tuvo en cuenta en ningún momento el hecho de que hubo una enorme tormenta de nieve en febrero, lo que provocó que más gente comprara camionetas de tracción en las cuatro ruedas». En casos como éste, dice, tener los datos no es suficiente.

Sépalo: no basta con suponerlo
Según Zettelmeyer, la toma de decisiones en el mundo de los negocios se está revolucionando lo mismo que el sistema de asistencia sanitaria con la adopción generalizada de la «medicina fundamentada en pruebas científicas». En el devenir de esta revolución desencadenada por los macrodatos (big data) y la analítica, los gerentes que posean conocimientos prácticos de la ciencia de los datos tendrán una ventaja competitiva. Pero además de ser los guardianes de su propia analítica, los dirigentes deben asegurarse de que el resto de la organización también posea estos conocimientos: una empresa disciplinada que domina la ciencia de los datos es una empresa mejor capacitada para aprender con rapidez y añadir a todo más valor. «Si queremos utilizar con éxito los macrodatos y la analítica, todos tienen que sentirse con derecho a cuestionar las ideas establecidas», dice Zettelmeyer. «Tiene que haber una cultura en la que no esté permitido “suponer”, donde haya que “saber"».

Crear esa cultura es un gran desafío para los dirigentes. Las organizaciones rara vez reconocen la necesidad de cambiar, y pocos gerentes se sienten lo suficientemente seguros como para liderar apoyándose en la analítica. Eso, dice, tendrá que cambiar.

«A quién le cabe en la cabeza que un director de finanzas vaya al director ejecutivo y le diga: “Yo francamente no sé cómo leer un balance, pero tengo a alguien en mi equipo que lo sabe hacer muy bien”. Lo echaríamos de la sala a carcajadas», dice Zettelmeyer. Y sin embargo, yo conozco cantidad de gente en otras disciplinas, como por ejemplo, el marketing, que, sin pensarlo dos veces, irían al director ejecutivo y le dirían: “Esto de la analítica es muy complicado. No lo entiendo del todo. Pero he reunido un equipo de auténticos genios de la analítica que nos van a propulsar al siguiente nivel”. Yo creo que ésta es una respuesta que ya no es aceptable».