Actualidad / Blog

ENTREVISTA: Miguel Sáez (Overlap) – Data&Analytics como habilitador para la toma de decisiones en las compañías

CRACKS DE LA TECNOLOGIA #21

‘CRACKS de la tecnología’ es una serie semanal de entrevistas, a través de la que queremos dar voz a esos profesionales TI que son absolutos genios de la tecnología en España. Queremos saber de ellos/as, conocer y reconocer el trabajo que realizan en estas empresas; saber qué les apasiona y qué consejos guardan para aquellos/as que vendrán detrás.


 

Las claves para resolver los problemas de negocio están ocultas en los datos de las empresas. Saber dónde buscar, seleccionar el tipo de modelo estadístico que te dará las respuestas que necesitas y cómo interpretar esas respuestas es el fundamento de la ciencia de datos.

Hoy conversamos con el responsable de Data&Analytics de Overlap, una consultora especializada en gestión comercial y de recursos humanos, sobre cómo transformar una organización en una data driven company [empresas dirigidas por datos]. Porque tomar decisiones basadas en datos, y no [sólo] en la intuición, no es tan sencillo como parece.

Miguel Sáez tiene una amplia experiencia en consultoría de analytics y negocio, donde ha trabajado en proyectos para diferentes compañías y sectores con enfoque en la definición estratégica para la obtención de resultados mediante el análisis y explotación de la información. Esto le ha hecho estar en contacto tanto, con las áreas de negocio y desarrollo, como con las áreas de Tecnología e infraestructuras. Desde su experiencia, nos cuenta algunas claves sobre la analítica de datos, uno de los campos laborales con mayor potencial de futuro.

cracks de la tecnología

Miguel Sáez Avilés, gerente de Data&Analytics de Overlap.

 

P.- ¿Qué significa para una empresa hacer Data Analytics?

R.- Muy sencillo, Data Analytics es la capacidad de explotar y analizar la información disponible para ayudar a la toma de decisiones de manera más objetiva y ágil. Y no únicamente considerando la intuición, la percepción o la experiencia personal. Se trata de evitar caer en los prejuicios que -confesémoslo- hemos ido adquiriendo con los años y empezar a ser capaces de pensar en los próximos pasos a través de una visión más completa de la realidad de la empresa y el entorno.

 

P.- ¿La experiencia ya no tiene valor?

R.- Sí que lo tiene, y mucho. De hecho, por eso siempre decimos que los datos tienen que ser un habilitador para la consecución de los objetivos fijados y nunca el fin. Esto hace que sean las personas junto con su experiencia y conocimiento del entorno las que hace del dato un verdadero valor de negocio.

Esta experiencia resulta esencial también para determinar las variables con mayor relevancia para los modelos estadísticos, identificar errores y poder realizar los ajustes necesarios para que dichos modelos sean más precisos. Uno de los errores más comunes en las estrategias de Data&Analytics es dejarlas en manos exclusivamente de tecnólogos, la visión del negocio debe impregnar todo el proceso de “datificación”, desde la elección de las variables a la interpretación de resultados, pasando por la modelización del algoritmo. De lo contrario, todas las técnicas de Machine Learning serán imprecisos o simplemente inútiles, porque no se ajustarán a las necesidades reales del negocio.

Por otra parte, en lo que respecta a Overlap, conocemos bien el negocio de sus clientes y eso nos permite aportar esa experiencia de la hablamos para entender qué necesitan y qué pasos tienen que dar hasta convertirse en auténticas data driven companies, siendo capaces de aunar la visión estratégica global con la analítica del dato.

 

P.- ¿Puede una pyme, o una empresa poco digitalizada, ser una ‘data driven company’?

R.- Aprender a tomar las decisiones fundamentadas en datos tiene más que ver con la cultura organizativa que con el tamaño o con los recursos. Una data driven company puede arrancar con un pequeño modelo prescriptivo, o simplemente con unos análisis de causa-raíz. Cuando ya adquiera la madurez y la cultura analítica suficientes podrá abordar proyectos más complejos de Machine Learning, para finalmente llegar a los modelos prescriptivos o modelos no supervisados.

Hay empresas que muchas veces, simplemente por seguir tendencias que escuchan, se embarcan en proyectos de analítica o inversiones de herramientas tecnológicas innovadoras, sin entender bien lo que realmente necesitan, cual es el grado de madurez analítico de sus equipos y cómo correlacionarlo con sus objetivos de negocio.

cracks de la tecnología

P.- El punto de inflexión, por tanto, es ligar la visión estratégica y la analítica de datos. ¿Y esto, cómo se hace?

R.- Desde mi punto de vista, es fundamenta realizar una correcta evaluación de los cuatro grandes elementos que componen una estrategia Data&Analytics; las personas, los datos, la tecnología y la analítica que se realizan sobre los datos. Además, todo este proceso debe ser una evaluación constante en el tiempo.

Me gustaría incidir en la cuestión del orden, porque eso es lo que realmente distingue a una data driven company. Lo primero siempre son los trabajadores -cómo entienden la analítica y cómo trabajan de forma analítica-. En segundo lugar, van los datos -al ponerte a trabajar con ellos te das cuenta si son o no lo suficientemente buenos, y si necesitas otros nuevos-. A su vez, esto liga con la tecnología -dependiendo de esta, puedes llegar más o menos lejos; puedes almacenar más o menos información-. Y por último, la capacidad que tienes para analizarla con el fin de ayudar en la toma de decisiones.

 

P.- ¿Y si invertimos el orden? ¿Qué ocurre si nos focalizamos primeramente en la tecnología?

R.- Por desgracia, es algo que sucede muy a menudo. Hay muchas empresas que disponen de grandes almacenadores de información y de soluciones con un alto coste con las que podrían tomar infinidad de decisiones. Sin embargo, no están explotando esas inversiones de forma eficiente porque el nivel de desarrollo analítico de sus equipos dista mucho de la capacidad de sus herramientas. Dicho de otro modo, no hay una cultura analítica en la organización, ni han definido bien los procesos para la explotación del dato.

 

P.- Ya que hablamos de datos, ¿cómo podemos medir el nivel de madurez analítica de una empresa?

R.- En Overlap, en los diferentes clientes y foros en los que colaboramos, realizamos siempre una pregunta muy sencilla: “En una escala del 1 al 5, ¿Cómo de importante crees que es el dato y su análisis para ayudar en la toma de decisiones?”. Como os podéis imaginar, la gran mayoría de los encuestados, concretamente el 93%, nos afirman que el dato es importante o muy importante.

Sin embargo, cuando profundizas un poco, te das cuenta de que las respuestas no corresponden con lo que verdaderamente sucede a la hora de tomar decisiones dentro de la compañía. En áreas de Recursos Humanos, por ejemplo, solamente entre el 6% y el 8% de los encuestados toman todas sus decisiones basadas en datos a través de la analítica avanzada. Si nos vamos a evaluar áreas de negocio el porcentaje se eleva en torno al 30%.

Llegados a ese punto, el único modo de reconducir una estrategia de Data&Analytics es volver a los orígenes y pensar primero en las personas, trabajando en desarrollar sus habilidades analíticas y asegurándonos de disponer del talento que se necesita.

cracks de la tecnología

P.- La confianza de las personas en el ‘big data’ y en la Inteligencia Artificial tiene que ver también en cómo se entienden los algoritmos que hay por detrás…

R.- Así es. Y cuanto más críticas son las decisiones que hay que tomar, más importante es que el directivo comprenda cómo se construyen los modelos y qué variables tiene en cuenta la máquina. Por eso, en Overlap apostamos por una metodología de trabajo fundamentada en 4 pasos que buscan la involucración del cliente y una transparencia completa para que la fase más técnica sean entendible para todos. Esto se consigue desarrollando flujos de trabajo colaborativos, workshops para la democratización de uso de dato, análisis en profundidad y diseñando dashboards que permiten la mejora continua a través de las decisiones y planes de acción de las decisiones que estamos tomando.

 

P.- Uno de los grandes principios de la estadística es que la correlación no implica causalidad. Llevado al terreno del big data y de la Inteligencia Artificial, ¿cómo podemos evitar llegar a las conclusiones equivocadas?

R.- He aquí otra de las grandes claves de la analítica de datos. No hay que olvidar que un modelo matemático sólo resultará práctico si está basado en variables que sean accionables para la compañía. Por eso, lo más importante -por encima incluso del nivel de precisión de los modelos- es que las variables que introduzcas al modelo estén muy bien escogidas y ponderadas.  Eso implica haber identificado muy bien el problema o desafío de negocio y conocer en profundidad la empresa y el mercado.

Nuestra aportación de valor está en identificar las variables que impactan en el resultado que se espera mejorar en ese problema o desafío del Negocio. Y para llegar a este punto, es fundamental trabajar en equipo y formar mesas de trabajo conjuntas entre Tecnología y Negocio, donde ambas patas trabajen conjuntamente durante el proceso. No puede ser que un área de Business Intelligence, o de TI, esté por un lado y Negocio por otro.

«Es fundamental trabajar en equipo y formar mesas de trabajo conjuntas entre Tecnología y Negocio. No puede ser que un área de Business Intelligence, o de TI, esté por un lado y Negocio por otro»

 

P.- ¿Qué ventajas tiene integrar a gente de Tecnología y Negocio en un mismo equipo?

R.- Es necesario construir un equipo híbrido, integrado por perfiles de negocio y perfiles especialistas del dato. De los primeros, se espera que conozcan los Business Problems y estén enfocados en conectar la visión de negocio con la tecnología.

Mientras que, de los perfiles más técnicos, se busca que aporten orden a los datos, trabajen con ellos a través de la estadística y técnicas de Inteligencia Artificial y sean los responsables del mantenimiento de las bases de datos.

Y no olvidemos que el objetivo no es meter cualquier tipo de dato, sino aquellos que serán verdaderamente útiles. Aquí la labor de ambos equipos es fundamental. Además, de esta forma, se consigue que perfiles que tradicionalmente han sido técnicos se acerquen al negocio y viceversa.

 

P.- ¿Qué perfiles necesita una ‘data driven company’?

R.- Como te explicaba anteriormente, dentro del equipo de Data&Analytics, tendríamos científicos de datos y arquitectos de datos. Y por el lado de negocio, hacen falta analistas de negocio e incluso traductores del dato, que entiendan la matemática y que puedan dilucidar qué modelo se necesita.

Este tipo de perfiles son bastante nuevos y muy demandados. Paradójicamente, lo más difícil de encontrar son los profesionales que, aun siendo expertos en matemáticas o estadística, tenga esa capacidad y conocimiento de la realidad del negocio. Nosotros nos apoyamos mucho en graduados en Estadística Empresarial, así como en talento que ha cursado posgrados de programación, Big Data o Business Analytics.

El día de mañana, quién sabe, quizás no existan ni científicos de datos porque las máquinas se programen ellas mismas. Pero, lo que si estoy convencido es de que la toma de decisiones, ya sean a nivel estratégico como a nivel operativo, pasa por conseguir una Cultura Data Driven en todos los niveles organizativos.