No necesita Big Data, necesita los datos correctos

Marion Barraud para HBR

El término «macrodatos» es omnipresente. Con exabytes de información fluyendo por las tuberías de banda ancha, las empresas compiten por hacerse con los conjuntos de datos más grandes y audaces. Y empresas de todo tipo (antiguas y nuevas, industriales y digitales, grandes y pequeñas) están entrando en el juego.

Se están aprovechando enormes cantidades de datos sociales, meteorológicos y gubernamentales para predecir las interrupciones de la cadena de suministro. Se están produciendo enormes cantidades de datos de usuario aprovechado a escala para identificar a las personas entre un mar de clics en sitios web. Y las empresas incluso están empezando a aprovechar enormes cantidades de intercambios de texto para crear algoritmos capaces de mantener conversaciones con los clientes.

Pero la realidad es que nuestro incansable enfoque en la importancia de los macrodatos suele ser engañoso. Sí, en algunas situaciones, obtener valor de los datos requiere tener una cantidad inmensa de esos datos. Pero la clave para los innovadores de todos los sectores es que el tamaño de los datos no sea el factor más importante, sino tener los datos correctos.

No se trata de lo grande o lo pequeño

A menudo se hace referencia a Uber como una historia de éxito de macrodatos. No cabe duda de que Uber recopila una gran cantidad de información. Con las aplicaciones que ejecuta tanto en los coches del conductor como en los bolsillos de los usuarios, ha cartografiado los flujos logísticos del transporte de personas en tiempo real.

Pero el éxito de Uber no depende de los macrodatos que recopila. Ese macrodato ha permitido a la empresa entrar en nuevos mercados y ocupar nuevos puestos en la vida de sus clientes. El éxito de Uber se debe a algo muy diferente: lo pequeño, verdad datos que necesitaba para hacer algo muy simple: despachar coches.

En una era anterior a que pudiéramos invocar un vehículo con solo pulsar un botón en nuestros teléfonos inteligentes, los humanos necesitaban una cosa llamada taxis. Los taxis, aunque prácticamente no estaban conectados a Internet ni a ningún tipo de infraestructura informática formal, eran en realidad los actores del big data en la identificación de los pasajeros. ¿Por qué? El sistema de taxis requería una red de ojos que se movieran por la ciudad buscando figuras con forma humana con los brazos extendidos. Si bien no era la infraestructura de Intel y Hewlett-Packard la que analizaba los datos, la cantidad de información procesada para hacer el trabajo era enorme. El hecho de que el cálculo se haya realizado dentro del cerebro humano no cambia la cantidad de datos capturados y analizados.

La elegante solución de Uber consistía en dejar de ejecutar un algoritmo de detección de anomalías biológicas en los datos visuales y simplemente pedir los datos correctos para hacer el trabajo. ¿Quién en la ciudad necesita que lo lleven y dónde está? Ese dato fundamental permitió a empresas como Uber, Lyft y Didi Chuxing revolucionar un sector.

Obtener los datos correctos para el trabajo

A veces, los datos correctos son grandes. A veces, los datos correctos son pequeños. Pero para los innovadores, la clave es averiguar cuáles son los datos críticos que impulsan una posición competitiva. Esos serán los datos correctos que debe buscar con fervor. Para ello, le sugiero que se haga las tres preguntas siguientes como proceso para profundizar en los datos correctos.

Pregunta 1: ¿Qué decisiones generan despilfarro en su empresa? La mayoría de las empresas tienen grandes fuentes de residuos. Pensemos en el mundo de la venta minorista de flores. El florista minorista promedio puede mantener tasas de deterioro de más del 50% de su inventario. Más de mitad de sus flores simplemente se convierten en basura. Así que para los innovadores como UrbanStems y los Bouq, los datos que hacen que sus negocios sean tan disruptivos son los datos que les permiten eliminar ese deterioro. (Divulgación: invertí en UrbanStems.)

En palabras de Ben Edelman, de la Escuela de Negocios de Harvard, «los residuos generan oportunidades». Ya se trate de la producción industrial, la venta minorista o las investigaciones legales, averiguar las fuentes del desperdicio de esfuerzos y recursos debería guiar el camino hacia los datos correctos. Ya sea tan simple como identificar las predicciones que sabe que hace (cuánto inventario almacenar) o si requiere que piense en las decisiones implícitas en su modelo de negocio (cómo un taxi recorre la ciudad a las 10 de la noche), trazar las decisiones le indicará las fuentes de residuos.

Pregunta 2: ¿Qué decisiones podría automatizar para reducir los residuos? Una vez que tome sus decisiones, lo hipotético se convierte en lo que realmente puede cambiar. A los humanos se les da muy bien tomar ciertos tipos de decisiones. A la hora de decidir qué campañas provocarán las reacciones más irracionales de otras personas ante los materiales de marca y marketing, los humanos pueden ser brillantes. Este tipo de decisiones deberían quedar (por ahora) en manos de la gente.

Pero cuando se trata de tomar decisiones operativas simples y repetitivas (como dónde enviar un taxi, cómo fijar el precio de un producto o cuántas flores pedir a una floristería), las máquinas suelen ser mucho mejores que las personas. Y aunque muchos modelos de negocio del siglo XX se basan en el control humano de estas decisiones, hoy en día podemos identificar los datos para automatizar más de estas decisiones de las que se imagina.

Se rumorea que Amazon, por ejemplo, ha eliminado a casi todo su equipo de precios, lo que ha llevado la mayoría de las decisiones de precios al control algorítmico. Para la mayoría de los minoristas esto sería una blasfemia. Pero si el algoritmo de Amazon funciona, se traduciría en gastar mucho menos en descuentos, en una acumulación mucho menor de inventario en los almacenes y en una mejor previsibilidad de la introducción de nuevos productos, todo lo cual generaría una enorme ventaja competitiva.

Pregunta 3: ¿Qué datos necesitaría para hacerlo? Una vez que comprenda el despilfarro de su sistema anterior y haya trazado las decisiones que se traducen en ese despilfarro, el último paso es hacer una pregunta sencilla. Si pudiera disponer de algún dato, por increíble que sea, para tomar la decisión perfecta, ¿cuál sería?

En el caso de Uber, necesitaba saber exactamente dónde estaban todos los posibles pasajeros de la ciudad para automatizar las decisiones en torno a dónde enviar a los conductores y reducir el despilfarro que supone que los conductores humanos busquen la próxima tarifa. En el caso del software Predix Industrial Internet de General Electric, la empresa aspira a saber exactamente cuándo se va a estropear una máquina, lo que ayuda a automatizar las decisiones sobre las visitas de mantenimiento y a reducir el desperdicio provocado por las paradas no planificadas. A las aseguradoras de salud que buscan reducir costes, les encantaría saber en qué momento el nivel de azúcar en sangre de un paciente con diabetes baja peligrosamente, lo que ayudaría a automatizar las decisiones en torno a las intervenciones de los pacientes y a reducir el despilfarro en torno a la mala gestión de la enfermedad.

Esos son los datos correctos para buscar. Si llega a ellos analizando una masa de información, es maravilloso. Si llega a ellos creando una nueva aplicación para detectarlos directamente, aún mejor.

La mayoría de las empresas dedican demasiado tiempo al big data. Y no hay tiempo suficiente para pensar en cuáles son los datos correctos para buscarlos.