PathMBA Vault

Analytics and data science

Cuatro formas de democratizar la ciencia de datos en su organización

por Thomas C. Redman, Thomas H. Davenport

Cuatro formas de democratizar la ciencia de datos en su organización

Muchas organizaciones han iniciado su andadura en la ciencia de datos empezando» centros de excelencia», contratar a los mejores científicos de datos que puedan y centrar sus esfuerzos en que haya muchos datos. En algunos sentidos, esto tiene sentido; al fin y al cabo, no quieren llegar tarde a la fiesta de la inteligencia artificial o el aprendizaje automático. Además, los científicos de datos quieren mostrar sus últimas herramientas.

Pero, ¿es esta la mejor manera de utilizar este recurso poco común? Para la mayoría de las empresas, creemos que es poco probable. Más bien, aconsejamos a las empresas que vean la ciencia de los datos de manera más estratégica y amplia.

Considere la ciencia de datos estratégicos. Si bien las organizaciones tienen relativamente pocos problemas estratégicos, son de especial importancia para la empresa. A pesar de que puede haber relativamente pocos datos que analizar para detectar problemas estratégicos y» gran oscilación» decisiones, las empresas deben hacer todo lo posible a estos temas. La ciencia de datos ofrece mucho más valor que los algoritmos de big data, desde formular el problema con mayor claridad hasta analizar los «pequeños datos» disponibles, experimentar y crear gráficos excelentes. El potencial de obtener una mejor información mediante la ciencia de datos es enorme. Además, dado que los altos directivos deben, en última instancia, liderar la transformación de la ciencia de datos, involucrarlos en los datos les ayuda a ver con mayor claridad los beneficios y a entender mejor lo que deben contribuir a la transformación.

Pero la ciencia de datos también debe democratizarse en general. Si la ciencia de datos quiere ser verdaderamente transformadora, todo el mundo debe participar en la diversión. Restringir la ciencia de datos solo a los expertos es una propuesta limitante. Los programas de ciencia de datos que se centran en los científicos de datos profesionales ignoran la gran mayoría de las personas y las oportunidades empresariales. Por ejemplo, las organizaciones están repletas de problemas y decisiones basadas en datos que se pueden resolver y tomar por pequeños equipos de trabajadores del conocimiento, mandos intermedios y socios que utilizan pequeñas cantidades de datos en dos o tres meses. Estas personas, que están en primera línea de la organización, ya entienden el negocio y no necesitan que se les enseñe como hacen los científicos de datos. Y vendedores de varios tipos ofrecen ahora una variedad de nuevas herramientas que facilitan o automatizan muchos aspectos de la ciencia de datos, como el procesamiento de datos, la creación de algoritmos y la creación de código para implementar un modelo en producción.

Si bien la idea de una transformación de la ciencia de datos en toda la organización suena abrumadora, hay formas de empezar. Basándonos en nuestra consultoría, las conversaciones con los principales líderes y la investigación, le recomendamos las siguientes medidas interrelacionadas para que la ciencia de datos sea más estratégica y democrática en su empresa.

Céntrese en los problemas con el más alto nivel de beneficio estratégico.

Como se ha dicho anteriormente, la mayoría de las organizaciones centran sus esfuerzos en la ciencia de datos donde tienen más datos, aunque no quieran hacerlo. Las empresas deben tener en cuenta una amplia gama de otros criterios, dos de los cuales son los más importantes.

Primero, deben pensar en la importancia estratégica a largo plazo del problema o la oportunidad. Considere dos opciones en una mediana empresa de medios: la opción 1 implica buscar información que profundice la experiencia del usuario utilizando los datos generados por la interacción con sus aplicaciones; la opción 2 implica utilizar los datos para informar sobre una oferta por ciertos derechos de licencia, algo que aparece cada dos años. Hay datos de sobra que respaldan la opción 1; sin duda, es importante. Pero a pesar de que hay relativamente pocos datos que respalden la opción 2, es estratégica. Hacer una oferta demasiado baja y perder puede causar un daño inmediato y a largo plazo; hacer una oferta demasiado alta le quita beneficios.

En segundo lugar, también deben tener en cuenta la probabilidad de éxito del proyecto. Por «éxito» nos referimos a ofrecer beneficios empresariales de igual o mayor valor del que prometieron sus defensores. Se necesita mucho para cumplir con este estándar, desde desarrollar una nueva visión o algoritmo hasta convencer a la gente de que actúe en consecuencia o lo utilice e incorporarlo en los procesos y sistemas de TI de la empresa. De hecho, desarrollar la información o el algoritmo suele ser el paso más fácil, y muchos de esos modelos lo son nunca se desplegó. Los patrocinadores de posibles proyectos de ciencia de datos deberían hacer una evaluación fría y sobria de estos factores. Si bien no hay respuestas fijas, creemos que evaluar los proyectos de esta manera los llevará a realizar más proyectos de datos pequeños y a elegir con más cuidado las «inyecciones lunares». DBS, el mayor banco del sudeste asiático, ha renunciado en gran medida a las posibilidades tras una quiebra temprana, pero está llevando a cabo otros proyectos de pequeños datos de forma agresiva en todo el banco. Moderna Therapeutics, la creadora de la vacuna contra la COVID-19, también evitó los tragos a la luna a favor de proyectos digitales y de IA menos ambiciosos.

Democratice la ciencia de datos en la organización.

A veces preguntamos a las empresas: «¿Qué preferiría tener: un doctorado en científico de datos recién acuñado o 20 personas que puedan realizar análisis básicos en sus trabajos actuales?» Casi todos optan por lo último. Esto lleva a nuestra segunda recomendación, a saber, desarrollar «científicos de datos ciudadanos». Hay muchas buenas herramientas de inteligencia empresarial y, cada vez más, las herramientas automatizadas de aprendizaje automático permiten a los buenos analistas de negocios realizar análisis bastante sofisticados. El Royal Bank of Canada, por ejemplo, ha tenido gran éxito en este sentido.

Algunas empresas, como Eli Lilly y Viajeros, lleve este consejo aún más lejos. Ofrecen programas de alfabetización analítica y de datos para todos sus empleados, y gran parte del contenido se adapta al nivel y a la función empresarial del empleado. Lo ven como una capacidad esencial de sus empleados para entender los diferentes tipos de datos, lo que se puede hacer con ellos y cómo la analítica y la IA pueden permitir una ventaja competitiva con los datos. Por último, por supuesto, las empresas deberían buscar habilidades básicas de ciencia de datos en todos sus nuevos empleados, para todos los puestos.

Volver a priorizar las iniciativas de ciencia de datos y reasignar a los científicos de datos.

Los científicos de datos más veteranos y experimentados de una empresa deberían dedicarse a la ciencia de datos estratégicos. Una función de un centro de excelencia puede ser evaluar si los escasos recursos de ciencia de datos ayudan a resolver los problemas más importantes de la organización. Otros científicos de datos pueden tener la tarea de ayudar a otros empleados de la empresa a resolver los problemas a medida que surjan, ayudar a seleccionar los métodos analíticos y gráficos, revisar los proyectos para asegurarse de que los resultados se obtienen con una base sólida y formar a un gran número de personas. Creemos que el mayor obstáculo para tomar estas medidas son las perspectivas demasiado limitadas. Simplemente no se les ocurre a la mayoría de los altos directivos que un científico de datos pueda añadir valor en un contexto estratégico. Los gerentes de negocios de nivel inferior pueden mostrarse reacios a buscar ayuda. Por último, los propios científicos de datos se sienten atraídos por los problemas en los que hay muchos datos.

Desarrollar y comunicar una visión amplia de la ciencia de datos.

Piense en dentro de cinco años: cómo será la empresa, como consultor de estrategia Lo pone Ram Charan, ¿una «casa de matemáticas»? ¿Cómo se emplearán los datos y la ciencia de datos en toda la organización? Es:

  • Algo que aún está explorando
  • Una herramienta que es útil de vez en cuando
  • Una fuente de ventaja competitiva
  • Una capacidad fundamental desplegada en toda la empresa
  • Algo intermedio

No hay una respuesta correcta: cada sector industrial y cada empresa son diferentes. Aun así, creemos que demasiadas empresas han dado patadas en el futuro con esta cuestión durante demasiado tiempo. Es hora de hablar en serio.

Los directivos interesados en los deportes pueden encontrar que el Dallas Mavericks y Houston Rockets de la NBA pueden ser modelos a seguir en este caso, ya que emplea la ciencia de datos en todo, desde la selección de jugadores hasta las tácticas para el día del partido y el precio de las entradas. Ambos equipos no solo contrataron científicos de datos antes y en mayor número que otros equipos de la NBA, sino que también los integraron en las decisiones clave del personal y en la cancha. En el béisbol, los Astros de Houston, los Rays de Tampa Bay y ahora los Dodgers de Los Ángeles se centran analíticamente en toda la organización (aunque un poco poco éticamente en el caso de los Astros).

Puede parecer obvio que las empresas deberían asignar a sus mejores científicos de datos a oportunidades estratégicas, aunque haya relativamente pocos datos, pero muchas no. Del mismo modo, parece muy razonable que todos se dediquen a la ciencia de datos, en lugar de dejar que los escasos y bien pagados científicos de datos lo hagan todo. Nuestra larga experiencia trabajando con organizaciones nos convence de que, más que cualquier otra cosa, la ciencia de datos gira en torno a las personas y cuanto más estratégica y ampliamente reúna a estas personas y los datos, mejores resultados obtendrá.

Artículos Relacionados

Investigación: La IA generativa hace que la gente sea más productiva y esté menos motivada

Investigación: La IA generativa hace que la gente sea más productiva y esté menos motivada

Arreglar los chatbots requiere psicología, no tecnología

Arreglar los chatbots requiere psicología, no tecnología

Los chatbots dotados de IA se están convirtiendo en el nuevo estándar para la gestión de consultas, reclamaciones y devoluciones de productos, pero los clientes se alejan de las interacciones con los chatbots sintiéndose decepcionados. La mayoría de las empresas intentan solucionar este problema diseñando mejores modelos de IA en sus chatbots, pensando que si los modelos suenan lo suficientemente humanos, el problema acabará desapareciendo. Pero esta suposición es errónea. Esto se debe a que el problema de fondo no es tecnológico. Es psicológico: Hay que engatusar a la gente para que vea a los chatbots como un medio positivo de interacción. Los autores han analizado recientemente las últimas investigaciones sobre chatbots e interacciones IA-humanos, y en este artículo presentan seis acciones probadas que puede llevar a cabo al desplegar su chatbot de IA para impulsar la satisfacción, la percepción positiva de la marca y las ventas.

Investigación: ¿Está penalizando a sus mejores empleados por desconectar?

Investigación: ¿Está penalizando a sus mejores empleados por desconectar?

Para combatir el creciente desgaste del personal, muchas empresas han defendido programas de bienestar y han fomentado un enfoque renovado en el equilibrio entre la vida laboral y personal. Pero un nuevo estudio descubrió que incluso cuando los líderes reconocían que desvincularse del trabajo aumenta el bienestar de los empleados y mejora su rendimiento laboral, los directivos seguían penalizando a los empleados que adoptaban estos comportamientos cuando optaban a un ascenso o estaban siendo considerados para un nuevo puesto. Basándose en sus conclusiones, los investigadores ofrecen sugerencias para ayudar a las empresas a crear políticas y construir una cultura que proteja los límites de los trabajadores, evite el agotamiento y recompense el trabajo fuerte.