Tenga cuidado con el cuello de botella de la analítica

En los próximos tres años, habrá más de 20 000 millones de dispositivos conectados (por ejemplo, oleoductos, ciudades inteligentes, hogares y negocios conectados, etc.) que pueden potenciar la empresa digital o intimidarla. Con el ritmo de los dispositivos de streaming digitales «siempre activos» y la aceleración de la innovación tecnológica, se podría pensar que la tecnología seguiría representando un desafío para las empresas. Históricamente, las nuevas tecnologías, desde el mainframe hasta el cliente-servidor y el ERP, si bien permitían a las organizaciones perseguir nuevos objetivos empresariales, se convertían en un obstáculo para el progreso. Esto se debe a limitaciones como la lentitud de los procesos de implementación y la inflexibilidad para adaptarse a los cambios de las condiciones empresariales. Resulta que ese no es el caso hoy en día. Hay un nuevo obstáculo, aún más difícil de alcanzar: la propia organización y su capacidad de adoptar y adaptar las capacidades de macrodatos y análisis.

Basándonos en nuestro trabajo con clientes de diversos sectores, desde los servicios financieros hasta la energía, he aquí tres formas en las que hemos visto a las organizaciones aprovechar las oportunidades de análisis actuales y pasar de ser una limitación a convertirse en el agente de cambio para el futuro de su empresa.

No se deje abrumar**— empezar más despacio para ir más rápido:** Dado el vertiginoso ritmo de la transmisión de datos, puede resultar difícil para muchas organizaciones recopilar información sobre los datos a la misma velocidad y determinar las decisiones y acciones correctas basadas en los datos que deben tomar. Para evitar dejarse abrumar por todos los datos y las posibles oportunidades que podrían ofrecer, las empresas deberían ir más despacio y centrarse en las cosas que importan; es mucho más fácil centrarse en resolver cinco problemas que podrían de verdad marcar la diferencia en lugar de 500 números que podría ayudar al negocio.

Una vez que se determine la lista restringida de áreas de interés, las organizaciones podrán perseguir de manera más eficaz los resultados deseados redoblando sus esfuerzos de análisis en la automatización de datos e incorporando información en los procesos de decisión para ayudar a lograr los resultados deseados de forma más rápida. Esto también debería hacerse junto con seguir impulsando la adopción de la analítica en la empresa para obtener beneficios aún mayores.

Un fabricante de equipos de producción de energía, por ejemplo, utilizó este enfoque para entender mejor la cantidad de tiempo que el equipo de producción estuvo inactivo. La empresa sabía que resolver el problema del inactividad tenía un valor enorme, pero no podía hacerlo aprovechando las tecnologías tradicionales, ya que los volúmenes de datos eran demasiado grandes (es decir, 300 000 ubicaciones, aproximadamente 20 máquinas por ubicación, de 2 a 300 puntos de datos por máquina y frecuencias de muestreo de sensores de 45 milisegundos). Con una plataforma y una metodología de Big Data Discovery, en 10 semanas, el equipo pudo ahorrar más de 70 millones de dólares con el análisis de un subconjunto de ubicaciones y pudo analizar los datos a altas velocidades (por ejemplo, 13 500 sitios, 20 TB, 15 segundos de renderización).

La tecnología no tiene por qué estar expuesta (mantenga la complejidad tras la cortina): Las organizaciones no deberían mostrarse reticentes a explorar nuevas tecnologías y experimentar con sus datos para mejorar la eficacia de sus conocimientos analíticos para los procesos de toma de decisiones clave. El aprendizaje automático, o el creciente conjunto de herramientas de descubrimiento y análisis de datos que se utilizan para descubrir información oculta en los datos, es una tecnología sofisticada que puede hacer precisamente eso. Sus capacidades de exploración de datos y su sencillez también se están convirtiendo en imprescindibles para garantizar la competitividad en el mundo conectado.

Las técnicas de aprendizaje automático pueden ayudar a una empresa a: aprender del comportamiento pasado y predecir el comportamiento de los nuevos clientes (por ejemplo, modelos de riesgo para predecir el riesgo de impago de los consumidores), segmentar el comportamiento de los consumidores de una manera optimizada y favorable al mercado (por ejemplo, los estilos de vida de los clientes modelados a partir de los datos de geolocalización de los teléfonos móviles) o llevar a cabo modelos de simulación de multitudes en los que se modela la respuesta de cada cliente a una recompensa. Esto es solo un resumen de las posibilidades; también son posibles muchos más tipos de resultados del aprendizaje automático.

Por ejemplo, un banco minorista aplicó el aprendizaje automático a sus análisis de clientes y logró un aumento del 300% en las campañas de ventas en comparación con un grupo de control. A pesar de este aumento, el banco estaba experimentando una adopción relativamente lenta en el canal minorista y muchos gerentes de sucursales seguían utilizando los métodos tradicionales de venta relacional. Para mejorar la tasa de adopción, el banco se centró en un programa de cambios que simplificaba lo que significaba el significado de los clientes potenciales cualificados y también mostraba a los directivos el WIIFM («¿Qué hay para mí?») enfoque para mostrar cómo esto les ayudaría a alcanzar sus objetivos.

Tome decisiones más rápidas para obtener recompensas más rápidas: Es importante que las empresas detecten, analicen, interpreten y actúen con rapidez en función de la información de los datos, ya que es probable que las ventajas competitivas sean más fugaces que duraderas en un mundo hipercompetitivo. Con esto, estamos presenciando un cambio fundamental en la toma de decisiones estratégicas que se basa en el descubrimiento de macrodatos, una capacidad que acelera el tiempo de obtención de información.

Por ejemplo, un banco grande utilizó una función de descubrimiento de datos para obtener una visión más profunda de su estrategia de experiencia de cliente y entender por qué había una disminución en la satisfacción de los clientes. El análisis de descubrimiento de datos llevó semanas en lugar de meses, y un equipo de científicos de datos, expertos funcionales y analistas de negocios trabajó para etiquetar, filtrar y encontrar correlaciones en los datos y en qué se diferenciaban según los segmentos de clientes. El equipo de análisis descubrió que los segmentos de clientes más prósperos del banco eran los más expertos en tecnología digital y no estaban satisfechos con su experiencia digital, en Internet y en sus dispositivos móviles. El banco pensaba que las comisiones de servicio eran el problema y, si bien lo eran en general para todos los clientes, no era el tema más importante para sus clientes más rentables. Como resultado, el banco cambió su estrategia de experiencia de cliente al modificar su enfoque de los reembolsos de comisiones de servicio y permitir a los asesores patrimoniales conectarse con los clientes de forma digital.

Es una realidad: los datos van a seguir creciendo y las opciones tecnológicas seguirán la misma trayectoria. Las organizaciones no deberían huir de esta nueva realidad digital, sino aprender a adoptarla adoptando y adaptando sus estrategias de análisis para seguir siendo competitivas. Al aplicar el poder de las técnicas de datos y análisis, como el aprendizaje automático, una empresa puede tomar decisiones más inteligentes y rápidas para su empresa y sus clientes, y generar disrupción activa en su sector.