PathMBA Vault

Gestión del cambio

Los datos pueden hacer por la gestión del cambio lo que hicieron por el marketing

por Michael L. Tushman, Anna Kahn, Mary Elizabeth Porray, Andy Binns

Los datos pueden hacer por la gestión del cambio lo que hicieron por el marketing

jul17-31-hbr-Neasden-Control-Centre-01

Centro de control de HBR de Neasden

Los negocios del siglo XXI están siendo redefinidos por una revolución impulsada por los datos. Realice el experimento del MIT Media Lab para ver si puede estimar el rendimiento de las ventas minoristas el «Black Friday», al día siguiente del feriado de Acción de Gracias de los Estados Unidos. En lugar de esperar a los datos de las propias tiendas, utilizaron los datos de ubicación de los teléfonos móviles para deducir cuántas personas había en los aparcamientos de las principales tiendas. Combinando esto con los datos sobre el gasto medio por comprador les permitió estimar las ventas de un minorista, incluso antes de que la empresa la grabara ella misma.

Este es solo un ejemplo. Los juicios que antes dependían únicamente de la intuición humana ahora están respaldados por ideas extraídas de análisis complejos y modelos predictivos. Los minoristas combinan datos demográficos y meteorológicos para predecir las ventas y desarrollar planes de comercialización. Los bancos y los prestamistas tienen motores de análisis predictivo que indican al prestamista la probabilidad de que un cliente le devuelva el dinero. Los cambios en los precios del mercado inmobiliario se pueden predecir con mayor precisión a partir del análisis de las búsquedas en Google que con un equipo de expertos pronosticadores inmobiliarios. La inversión se está precipitando en el análisis de macrodatos, ya que las empresas buscan formas de entender primero y, después, aprovechar las posibilidades que se ofrecen. Ha habido una rápida expansión en la atención médica, el marketing de consumo, la reducción de la delincuencia, la agricultura, la investigación científica y muchos otros campos.

Un área relativamente intacta hasta ahora es la gestión del cambio. No es porque no haya ningún problema que resolver. El fracaso de los principales proyectos de transformación para ofrecer los beneficios esperados es un fenómeno bien documentado: muchos programas de cambio simplemente no logran sus objetivos empresariales.

Es hora de que eso cambie. La combinación del análisis predictivo, los grandes conjuntos de datos y la potencia de procesamiento de los ordenadores actuales está empezando a transformar la gestión del cambio. Así como la disciplina del marketing ha pasado de ser una ciencia blanda a una ciencia dura en los últimos 20 años, también lo hará la práctica del cambio. Pero antes de que eso suceda, tenemos que entender por qué los datos no han tenido éxito en la gestión del cambio hasta la fecha.

Un gran obstáculo es la propia profesión de gestión del cambio (de la que todos somos miembros orgullosos). Hasta la fecha, la gestión del cambio no se ha basado en un modelo basado en datos. Cuando un profesional del cambio habla de datos, normalmente es información cualitativa, generada por un taller de análisis de la causa raíz o similar. Esto se debe a que muchos de los temas que abordamos tienen que ver con el comportamiento humano. Estos factores intangibles, como la cultura, el liderazgo y la motivación, no ceden fácilmente al análisis empírico. Esto dificulta la organización de experimentos controlados para validar la causa y el efecto y demostrar cómo las intervenciones de cambio específicas ofrecen los resultados esperados.

Puede que los académicos no nos hayan ayudado. La mayoría de los modelos de gestión del cambio se basan en investigaciones de la década de 1940 que se diseñaron originalmente para explicar cómo los grupos pequeños se adaptan al cambio, no las grandes organizaciones complejas. El enfoque gerencial más popular para la gestión del cambio es el modelo de ocho pasos de John Kotter. Los investigadores han señalado que, aunque el modelo tiene sentido, hay pocos datos empíricos que lo respalden. Investigación posterior para validar este modelo no han tenido éxito. También hay acalorados debates académicos sobre cómo medir la eficacia, la motivación y la cultura del liderazgo. Un estudio reciente de destacados académicos del campo llegó a la conclusión de que no hay una definición acordada de «cultura» y que las herramientas utilizadas para medirla tenían defectos metodológicos o estaban diseñadas para medir algo completamente diferente. Estas no son las bases de una ciencia adecuada que verifique el conocimiento mediante la experimentación y la replicación de los hallazgos en estudios revisados por pares.

Cuando la gestión del cambio funciona, se debe al trabajo de profesionales cualificados y con experiencia que saben cómo unir un conjunto de prácticas para ayudar a la empresa a alcanzar sus objetivos de cambio. El problema es que actúan como artesanos, no como científicos. Los profesionales del cambio luchan por alcanzar los niveles de prueba que son estándar en otras profesiones. Permiten muchos esfuerzos de transformación exitosos, pero luego carecen de los datos que demuestren el vínculo entre la causa y el efecto que un profesional del marketing o la cadena de suministro da por sentado. Esto hace que sea difícil justificar la inversión en la gestión del cambio con el rigor que cabría esperar de un CEO o un CFO basado en los datos. El resultado es un ciclo de transformaciones de bajo rendimiento; sin datos que validen la rentabilidad de la inversión, la gestión del cambio no atrae los recursos que necesita y el resultado se debe a la calidad de los artesanos que trabajan. Mejorar las herramientas que utilizan los artesanos puede generar mejores resultados, pero no permitirá una causa y un efecto demostrables. Convertir la gestión del cambio de un arte a una ciencia es la clave para resolver este problema.

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.