El machine learning, la inteligencia artificial y otra serie de conceptos asociados a las nuevas tecnologías en negocios han proliferado dentro de gran parte de las organizaciones. Es así como es muy común hoy en día hablar de transformación digital o de convertirse en una Data-driven organization.

Sin embargo, creo que es muy importante antes de lanzarse en cualquier proyecto importante de transformación, estar seguros de que entendemos el rumbo que deseamos tomar. Muchos de estos conceptos lucen muy bien en los libros, con ejemplos simulados y otros de caracterización de lo que sería una organización, pero la pregunta es ¿cómo se ven y evalúan en la práctica? Lo cierto es que, desde mi experiencia, habiendo recorrido una gran cantidad de sectores económicos y diversos países del mundo, lo que observo es una generación de muy poco valor agregado en muchas de estas metodologías.

¿A qué se debe esto? Esta pregunta me la hice muchas veces al analizar el por qué una gran cantidad de organizaciones, utilizando modelos de frontera, no lograban concretar lo que buscaban al querer ser una Data-driven organization.

De hecho, muchos de sus modelos quedaban olvidados o eran impracticables de implementar para el usuario final de la organización. Después de mucho análisis e investigación con problemas reales de negocios y soluciones integrales que generamos, llegué a dos conclusiones esenciales. Esto me permitió a su vez, durante mi estadía como profesor visitante en el Massachusetts Institute of Technology (MIT), desarrollar un enfoque integral de analytics que le llamé el Goal-Based Data Organization.

Lo que sucede en el problema principal, es que la corriente mundial ha llevado a las organizaciones a querer adherir a una transformación, sin tener claro cuáles son los objetivos que quieren lograr a través de esta. Podemos desarrollar un gran data lake o algoritmos de frontera, pero mientras no descubramos para qué realmente los queremos, no podremos obtener valor de ellos. Más importante aún, estos algoritmos serán ejecutados por personas, que en muchos casos no les es familiar la revolución de las tecnologías, por lo que si no logramos llevarlas a una bajada de nivel usuario, son poco o nada implementables para el negocio.

Como segunda gran conclusión, determiné una senda óptima de aplicación de analytics. Era muy común escuchar teóricamente que se quería mudar de una planilla de cálculo a alguna tecnología sofisticada de por ejemplo, inteligencia artificial. Muchas de las empresas que visitaba me comentaban que el problema era su Excel y que por esto debían mutar a ojalá un algoritmo de frontera.

Pero nuevamente, la pregunta es, cuál era el problema de negocios, y el objetivo a lograr para en función de estos determinar si había que cambiar el Excel o no.

Lo cierto es que esto se ha transformado en un mito: “para ser una firma digital es necesario dejar de utilizar la información en planillas de cálculo”. Lo cierto, es que a nivel usuario especialmente, Excel o su equivalente es una herramienta genial. Lo que entonces debemos pensar es cuándo es conveniente ir a otra herramienta y cómo eso se liga a lo que tenemos para hacer una transición óptima.

Las fases de analytics son muy distintas en una firma y otra. Para un mismo problema, una organización puede requerir como proceso óptimo mejorar su Excel o generar un Dashboard simple para visualizar información y para otra, crear e implementar un algoritmo de natural language processing. Esto dependerá nuevamente del objetivo que posee la firma y del estado en el que esta se encuentra. Finalmente, en cualquier caso, tendremos que poner esto a nivel usuario o sólo muy pocos dentro de la compañía lo podrán utilizar.

Es así como al final, el crear una organization para el dato nos puede llevar a generar poco o nada de valor adicional en este. Esto es como tener dos islas. La primera es donde estamos y la segunda es una con la mejor tecnología que podemos pensar.

El problema es que sin un puente nos vamos a quedar solamente mirando la segunda isla, sin jamás poder ocuparla para lo que la creamos.

El enfoque de objetivos y procesos de analytics, Goal-Based Data Organization, toma el problema de negocios desde su raíz y con este determina los objetivos óptimos de la firma. Luego a través de esto, genera el puente adecuado para, utilizando los datos y los algoritmos, generar el máximo valor posible para el negocio. Suena de sentido común, pero en la práctica es un proceso complejo de realizar. Acompañado a esto, se determina la fase de desarrollo de la organización en sus problemas y objetivos, lo cual finalmente permite generar un pipeline de algoritmos y procesos que maximizarán al valor del analytics.

De otra forma, y lo indica nuestra experiencia es que sin un enfoque de este tipo, el valor agregado será muy bajo o casi nulo.

Como conclusión, si realmente queremos movernos al paso tecnológico siguiente y realmente ver el valor en este, tenemos que cambiar el enfoque de crear algoritmos porque así lo dice la evolución. Tenemos que sentarnos a crear áreas óptimas de analytics, pensando en el problema de negocios y el objetivo que deriva de este, para recién determinar qué datos necesitamos y qué soluciones podemos entregar.