Puede ser evidente que el análisis de datos se ha convertido en una frase de moda. De los recursos humanos para el suministro de gestión de la cadena, desde el marketing a las finanzas, la analítica se ha convertido en una herramienta clave en estas decisiones empresariales. Las empresas hoy en día saben que, sin esta comprensión de datos, que se quedarán atrás.

Análisis de datos permite a las empresas armarse de datos para reducir los costos, aumentar las ventas y hacer más eficientes las operaciones. También pueden utilizar la analítica para predecir eventos futuros. Mientras toma de decisiones previamente ejecutivos pueden haber basado en la el instinto o la tradición, hoy se preguntan: «¿Qué nos dicen los números?»

A partir de esta pregunta, los datos pueden decir a las empresas un poco acerca de sus clientes y operaciones. Analytics pueden indicar cuántas llamadas un vendedor tiene que hacer antes de conseguir una perspectiva interesada para revisar los servicios o si un determinado producto podría despegar en unos pocos meses. Pero Analytics es inútil si la calidad de los datos es pobre.

Los retos de las empresas basadas en datos

Las empresas se están beneficiando de la toma de decisiones basada en datos, pero hay una curva de aprendizaje empinada. Luchando con grandes volúmenes de datos, procedentes de múltiples silos de datos y en diferentes formatos, es un reto. La capacidad de manejar grandes cantidades de información, integrarla de diferentes áreas de la empresa y combinarlo para obtener datos procesables en tiempo real es más fácil decirlo que hacerlo.

Uno de los principales retos es la calidad de los datos: Sin alta calidad la toma de decisiones es probable fallar. Como con cualquier proceso dependiente de los datos, la toma de decisiones depende de la calidad de la información. Como dice el refrán, «entra basura, sale basura». Información incorrecta o incompleta dará lugar a predicciones incorrectas y las descripciones engañosas.

¿Dónde se originan los problemas de calidad de datos? Uno de los problemas se refiere a los supuestos iniciales sobre los que se construye un modelo analítico. En la comercialización, los modelos predictivos podrían aplicarse a presupuesto de marketing del próximo año. Podría tratar de hacer los gastos de marketing más eficiente analizando clientes en nuevos grupos: los que van a comprar, independientemente de la publicidad; los que van a comprar sólo después de ver la publicidad convincente; y los que no van a comprar. La idea es gastar recursos sólo en ese grupo medio porque los otros dos son una pérdida de dinero.

Pero, ¿qué pasa si los perfiles de los clientes en estos otros grupos no es la correcta? ¿Qué pasa si la definición demográfica de la categoría «va a comprar de todos modos» de los clientes se basa en información errónea, como la lealtad a la marca que no tiene en cuenta la tecnología de la competencia? Un error como éste puede arruinar una campaña de marketing, no importa la calidad del análisis predictivo.

¿Cuál es la solución? Pon a prueba todas las hipótesis antes de incorporarlo en el modelo. Asegúrese, de entrar, porque incluso las verdades de negocios que se toman por sentado podría ser fuera de la base.

¿Nos anotamos?

El ejemplo anterior implica un error en el extremo delantero, mientras que la construcción del modelo. Pero otro error significativo menudo ocurre al final del proceso: falta de hacer una autopsia en los resultados de un modelo predictivo. En el ejemplo que acabo de presentar, una campaña de marketing más eficaz podría salir de los números en bruto: las ventas mejoraron, mientras que la comercialización pasó menos.

Pero no es así de simple. Una mejora medible es todo muy bien, pero el éxito en análisis se mide por la cantidad de un proceso mejorado en comparación con el éxito potencial. Un número subiendo mientras que otro se cae realmente dice una sola cosa: que un proceso se está moviendo en la dirección correcta. Si se deja en eso, la empresa aún no se puede evaluar la eficacia del proceso de análisis.

¿Lo que falta? En primer lugar, los objetivos específicos deben definir el proceso de modelado: los objetivos de ventas óptimas que se pueden comparar con las ventas, por ejemplo. Tener esos números hace posible marcar un éxito el proceso de análisis, no sólo contra el desempeño pasado, sino contra el potencial futuro.

Así, por ejemplo, si un distribuidor de alimentos quiere aumentar las ventas en un 8% durante el próximo año, que primero tiene que mirar a su número de ventas actual y comparar ese número con el crecimiento en el pasado, por ejemplo, cinco años para ver si esta predicción objetivo tiene mérito.

Con este tipo de pensamiento en su lugar, el análisis puede mejorar un proceso hoy, con potencial de mejorar de forma continua, afinando no sólo los resultados, sino la calidad de los insumos para el proceso.