Para que su equipo utilice los datos, desmitifíquelo

MEHAU KULYK/BIBLIOTECA DE FOTOS CIENTÍFICAS/Getty Images

Para algunos miembros de su equipo, la idea de utilizar los datos como base para la toma de decisiones puede resultar intimidante. Tal vez no consideren que tienen grandes habilidades analíticas. Tal vez se sintieron abrumados por su curso de estadística en la universidad. Tal vez les guste «seguir sus instintos» o simplemente les asuste la idea de hojear un montón de datos. Pero no tiene por qué ser así. Si puede demostrar a su equipo que hay formas sencillas y directas de lograr un gran impacto con los datos, contribuirá en gran medida a que sus empleados utilicen los datos con más frecuencia en sus decisiones diarias.

Considere tres ejemplos. La primera tiene que ver con Billy Beane, ejecutivo de la oficina principal de los Atléticos de Oakland y tema del libro de Michael Lewis Moneyball, que transformó el béisbol con los datos. No lo hizo con nuevas y sofisticadas matemáticas, ni siquiera con sofisticados trabajos estadísticos. Lo hizo haciendo una pregunta importante: ¿Qué tipo de jugadores del draft de las Grandes Ligas suelen tener las carreras profesionales más exitosas? Utilizó años de datos para responder a esa pregunta y, a continuación, seleccionó jugadores con esos atributos (por ejemplo, los que jugaban en la universidad, dibujaban muchas bases, etc.).

La perspicacia de Beane no era algún tipo de manipulación estadística arcana. Era mucho más sencillo. Reconoció que podía predecir quién tendría éxito en las Grandes Ligas estudiando quién lo había hecho en las Grandes Ligas. Eso es solo explotar un patrón. En la misma línea, la lógica detrás Moneyball se puede aplicar a cualquier empresa: existe un enorme potencial para utilizar los datos con más fuerza sin pasar años estudiando estadísticas o utilizando algoritmos complicados. La esencia del «big data» es mucho más sencilla: hacer una pregunta importante, encontrar los datos que puedan ofrecer una respuesta y averiguar el patrón.

El segundo ejemplo es fuera de las fuerzas del orden. Cuando la policía de Santa Cruz, California, afirmó que habían «resuelto un crimen antes de que ocurriera», no era una estrategia futurista y orwelliana de lucha contra el crimen. Era solo un patrón. La policía de Santa Cruz utilizó los datos delictivos para determinar cuándo y dónde se cometían los delitos con más frecuencia. Luego enviaron más oficiales a estos lugares. Uno de esos lugares era un aparcamiento donde había habido un gran número de robos. Los oficiales vieron a dos mujeres de aspecto sospechoso al acecho cerca de un coche. Una de las mujeres era buscada por una orden pendiente; la otra portaba drogas. La policía los arrestó a los dos, aparentemente antes de que irrumpieran en el coche.

¿De verdad la policía resolvió un crimen antes de que ocurriera? La pregunta no entiende el punto. La policía de Santa Cruz utilizó los datos para detectar los patrones delictivos y, luego, envió a los oficiales a los lugares en los que podrían tener más impacto. Eso no es genialidad matemática, es solo un uso inteligente de los datos.

Centro Insight

• Ampliar las habilidades de datos de su equipo

  Patrocinado por Splunk

  Ayude a sus empleados a conocer mejor los datos.

Por último, cuando la tienda Target quería una herramienta para llegar a las compradoras embarazadas (que suelen desarrollar una fuerte lealtad minorista durante el embarazo), los analistas desarrollaron un «índice de predicción del embarazo». No fue tan difícil ni tan intrusivo como parece. Target ya tenía los datos pertinentes. La tienda tiene una lista de regalos para bebés para mujeres embarazadas, mujeres que, en efecto, le dijeron a Target no solo que estaban embarazadas, sino que tenían previsto nacer. Los analistas estudiaron los hábitos de compra de estas mujeres embarazadas para determinar qué productos tenían más probabilidades de comprar que las clientas no embarazadas: toallitas para bebés, lociones sin perfume, vitaminas y un puñado de productos más, algunos más obvios que otros. El siguiente paso fue solo un salto lógico: las mujeres que comienzan a comprar estos productos probablemente estén embarazadas y pueden ser el objetivo (juego de palabras) de productos y servicios relacionados con el embarazo. Eso es un negocio inteligente, no magia estadística.

Por supuesto, Target se enfrentó a un importante revés cuando su índice de predicción de embarazos calculó que una chica de instituto estaba embarazada antes que su padre. (Una serie de cupones de Target relacionados con el embarazo llevaron al padre a hacerle algunas preguntas puntuales a su hija, según un Historia del New York Times en el análisis de datos de Target.) Es un buen momento para recordar a su equipo que el big data también requiere juicio. Es mejor dejar algunos patrones en privado.

Sin embargo, la mayoría de las veces, los clientes se benefician enormemente de una información bien segmentada. Queremos recomendaciones de productos que probablemente nos gusten, descuentos en los servicios que utilizamos y un servicio de atención al cliente que se haya perfeccionado gracias a los comentarios constantes. Y sus empleados tienen el poder de ofrecer estos beneficios, incluso si se consideran «personas que no son del tipo matemático».

Esto se debe a que la revolución en el análisis de datos de los últimos 15 años ha sido posible gracias a tres cosas: los datos digitales, la potencia de cálculo barata y la conectividad. Hace cincuenta años, los equipos de béisbol tenían un montón de estadísticas sobre el rendimiento de los jugadores, pero estaban escritas a lápiz en carpetas archivadas en almacenes húmedos. Lo mismo ocurrió con los datos sobre delitos, los recibos de las tarjetas de crédito y las encuestas de satisfacción de los clientes. Teníamos la información, pero no había una forma fácil de recopilarla y analizarla. Los patrones estaban ahí. Simplemente no podíamos verlos, al menos no de forma barata o fácil.

Luego llegaron el ordenador personal, la digitalización e Internet. De repente, podríamos extraer toda esa información de los sótanos, los almacenes y los libros de contabilidad mohosos y ver los patrones que se esconden allí, gratis y en cuestión de segundos. Cuando los datos se hicieron más valiosos, empezamos a recopilar más datos: con programas de fidelización, en las redes sociales, a partir de datos de escáneres, etc.

El factor de control ahora son las preguntas imaginativas, no los cálculos adecuados. Cualquiera puede aprender a hacer buenas preguntas. Tome esta: ¿Qué tipo de personas resultan ser las mejores en rebajas? Esa es solo la pregunta de Billy Beane, solo para las rebajas y no para el béisbol. Puede utilizar los datos para identificar los atributos que definen a los mejores y, después, contratar a personas con esos atributos.

Para que quede claro, es difícil medir y cuantificar habilidades importantes como «escuchar»; los datos deben recopilarse durante un período lo suficientemente largo como para separar la suerte de la habilidad, etc. Aun así, el proceso de anteponer los datos a las preguntas puede acabar con mitos y superar los estereotipos. Esta fue una de las primeras ideas de Billy Beane. Sus cazatalentos buscaban talento basándose en «reglas generales» que no confirmaban los datos. Por ejemplo, estaban enamorados de los lanzadores que podían lanzar superrápido, a pesar de que décadas de datos mostraban que la precisión importa más.

También hay algunas otras advertencias que debe tener en cuenta. En primer lugar, los macrodatos tienden a producir patrones, pero no son deterministas. Billy Beane va a hacer algunos trapos; no todas las clientas que compran toallitas para bebés y lociones sin perfume están embarazadas.

En segundo lugar, todos los datos miran hacia atrás por naturaleza. Por definición, vienen del pasado. Por eso, los análisis de datos no alcanzarán los puntos de inflexión. Los clientes no pueden hacer comentarios significativos sobre un producto que no puedan imaginar.

En tercer lugar, pensar de forma descuidada es tan peligroso con los datos como sin ellos, quizás incluso más. Sí, los clientes que llaman a la línea de reclamaciones afirman que sus niveles de satisfacción con el servicio que reciben son bajos porque es la línea de quejas . Las preguntas correctas son: 1) ¿Están los clientes más satisfechos (aunque sigan enfadados) al final de la llamada que al principio? 2) ¿Qué empleados tienen más éxito a la hora de mejorar la satisfacción de los clientes? y 3) ¿Qué técnicas utilizan esos empleados de éxito?

Es cierto que las estadísticas básicas son las que dan poder a los patrones; el conocimiento de las estadísticas básicas es una habilidad importante. Aun así, prefiero enseñar a un experto en marketing a realizar análisis de datos básicos que intentar que un estadístico piense en mejorar la experiencia del cliente. Existen respuestas interesantes. La gente a la que le importan esas respuestas solo tiene que ir a buscarlas, quizá con un poco de insistencia. La manera más fácil de hacer que todos sus empleados se entusiasmen con el uso de los datos es desmitificar lo que realmente sucede.