La canalización de datos debe considerarse como cualquier proceso operativo, alineando conceptos clave como la planificación de la cadena de suministros, de recursos y de distribución. Esto requiere un nuevo marco para alinear 4 elementos clave: Estrategia de negocios, disponibilidad de datos, ejecución analítica y operacionalización analítica. En esta nota daremos cuenta de estos cuatro elementos.
1-Estrategia de negocios
En el corazón de cualquier problema de análisis, existe una necesidad comercial.
La cultura popular ha descrito estrategias analíticas modernas -como el aprendizaje automático y la inteligencia artificial- como técnicas más allá de la comprensión de los simples mortales. Como resultado, los ejecutivos a menudo delegan la estrategia analítica a la tecnología, que es el enfoque equivocado.
Los ejecutivos deben centrarse en la conexión de la estrategia con los momentos comerciales que pueden modificarse a través de los datos. Trasladado a otros sectores, podemos pensar en un médico que decide un diagnóstico influenciado por los análisis, un cliente bancario que elige el mejor instrumento de préstamo para expandir su casa, o un cliente de seguros que recibe análisis sobre el impacto climático e influye en ellos para invertir en seguros contra inundaciones. Las empresas necesitan invertir en procesos que ayuden a identificar, priorizar y financiar estos proyectos analíticos como parte de un proceso cuidadosamente administrado.
2-Disponibilidad de datos
Si sabemos qué estrategias están impulsando el análisis, podemos dirigir nuestra atención a los datos que podrían ser importantes para las mismas. Las empresas deben centrarse en establecer un catálogo de datos claro basado en casos de uso. Necesitan la capacidad de incorporar, perfilar, describir, proteger y potencialmente preparar los datos.
Un concepto clave aquí es la data bajo demanda para análisis. Los procesos deben ser sólidos para colocar los datos en los estantes antes de la ejecución de análisis, lo que requiere medir la velocidad en horas, en lugar de semanas, para la incorporación de datos y del catálogo mismo. El control de datos en este contexto no se trata de someterlos a la verdad sino de definir, clasificar y aprovisionar claramente los activos de data a las personas autorizadas, para que puedan verlos a gran velocidad y escala.
3-Ejecución analítica
En un mundo de datos democratizados, debemos esperar más de nuestras comunidades de usuarios de análisis para leer, trabajar, analizar y discutir con ellos. Los lectores de informes deben convertirse en creadores, y comprender el modelado predictivo.
Los modeladores predictivos necesitan aprender tecnologías de aprendizaje automático, intentar y fallar rápidamente, experimentar con conjuntos de datos nuevos e interesantes. Deben seguir una metodología específica para pasar del valor aspiracional de la estrategia comercial a un valor comprometido que actúe como un disparador para que los usuarios comerciales evalúen y prioricen otras iniciativas. Se debe poder cuantificar y evaluar el impacto potencial del negocio y priorizar la implementación de la producción y el equilibrio contra el riesgo.
4-Operacionalización analítica
Se trata de implementar la aplicación en un contexto de producción. En este momento es donde entra en juego DataOps, que es un marco para mover al espacio analítico el mismo tipo de agilidad que muchas organizaciones de IT han adoptado con el desarrollo de aplicaciones. Una vez que se pone en producción, probablemente de manera limitada, los procesos de operacionalización deben medir el impacto y cerrar el círculo de la estrategia comercial. Este proceso de circuito cerrado proporcionará un enlace crítico con la comunidad no técnica, y permitirá una medición clara.
¿Tenés consultas sobre cómo canalizar los datos o sobre los 4 elementos clave que habilitan este proceso operativo? ¡Contactanos!