Vivimos los tiempos del ‘boom’ del Business Intelligence (BI) y el analytics. Nunca antes se habían alineado tantas variables para abrir la puerta al uso empresarial de los datos y a la toma de decisiones basada en el conocimiento. Ahora hay más fuentes de datos, una mayor capacidad informática, almacenamiento más barato, mejor gestión de la información y, en fin, tecnologías analíticas mucho más intuitivas. Pero a pesar de todo ello aún muchas implementaciones de BI y Analytics no arrojan los resultados esperados y compañías, grandes y pequeñas, sufren errores, evaluaciones desfavorables o despliegues poco exitosos.
En Information Builders lo vemos cada día, y por eso hemos querido recopilar cinco de las principales ‘peores prácticas’ desde el punto de vista de la tecnología y del negocio. Conociéndolas podemos intentar evitarlas para, ahora sí, lograr el éxito en la implementación de BI y analytics.
Peor práctica #1: Depender de los humanos para hacer que la información sea operativa: La información extraída de los datos es fundamental, sí, pero es necesario poder actuar sobre ella, y raramente se nos ofrecen pautas sobre cómo hacerlo. Por eso se recomienda una estrategia de BI y Analytics que ayude al usuario, no sólo con información y la promesa de oportunidades, sino también con información un conocimiento sobre el que pueda actuar y obtener la garantía de unos buenos resultados.
Numerosos estudios demuestran que, estableciendo una manera sistemática de compartir el conocimiento a nivel operacional, tendremos muchas más posibilidades de lograr un mayor valor y un mejor retorno de nuestras inversiones en BI y Analytics.
Imaginemos un científico de datos en su escritorio que descubre algo importante. ¿Cómo comparte ese conocimiento con el resto de la compañía o cómo se opera sobre él?, ¿cómo se convierte en acción? Desafortunadamente, cuando implementamos analytics muchas veces no se tiene en cuenta la operacionalización. Todo se para en la fase de descubrimiento, y esta es una de las razones por las que las tasas de adopción siguen siendo bajas.
Por contra, una mentalidad operacional requiere que todo el conocimiento esté disponible para todos los stake-holders y tomadores de decisiones, no sólo para los analistas y los usuarios autorizados. Los ejecutivos y el equipo de dirección, los empleados no técnicos, así como los partners y los clientes, también necesitan participar. Este uso más amplio de analytics acelera el paso desde un mero análisis a una acción significativa con un impacto tangible. De hecho, está demostrado que cuanto más cerca estamos de instituir una forma sistemática de compartir la información a nivel operacional, más valor y retorno recibirá la organización de sus inversiones en BI y Analytics.
Una buena manera de hacer que este conocimiento sea operacional es embeber analytics y BI en aplicaciones y procesos empresariales que ya nos resultan familiares. Cuando los datos están disponibles dentro de los sistemas y procesos que se utilizan a diario, la información se convierte en una parte inherente de las actividades operacionales. Pueden ser vistas en el contexto de su flujo de trabajo habitual y llevadas inmediatamente a la acción.
Peor práctica #2: Esperar que el analytics y BI de autoservicio sean la solución a todos nuestros problemas: Las herramientas de autoservicio, tan comentadas en los últimos años, están empezando a llegar a su límite. Según BARC (el mayor informe global de datos y analytics en el mundo) solo un 17% de los empleados a nivel global utiliza herramientas analíticas. Con semejantes tasas de adopción, está claro que el hecho de implementar una herramienta fácil de usar no equivale a tener éxito en un entorno de autoservicio.
Por eso, para no correr el riesgo de satisfacer sólo a una pequeña porción del conjunto de los usuarios, las empresas necesitan ampliar esa idea del autoservicio más allá de las herramientas habituales.
Empecemos por el término ‘empresa’ aplicado a BI y analytics. ¿Significa un verdadero despliegue empresarial que beneficia a todos los usuarios?, ¿permite la ubicuidad?, ¿o solo pretendemos vender más licencias para seguir beneficiando al mismo tipo de usuario haciendo lo mismo? La razón por la que esta definición de empresa no funciona realmente es porque no todos los usuarios son iguales. La facilidad de uso no significa lo mismo para todos, lo que uno puede considerar fácil de usar, puede no serlo tanto para otro. Todos llegamos con un nivel distinto de experiencia y aptitudes respecto al analytics y a los datos. Por eso, si intentamos satisfacer a diferentes usuarios con distintas aptitudes con la misma aproximación, acabaremos con un despliegue poco favorable o algo peor, olvidado en una estantería
Es importante tener la suficiente flexibilidad para poder poner la información adecuada delante del usuario adecuado en el momento justo, y con la experiencia de usuario apropiada. Esta flexibilidad se traducirá, ahora sí, en facilidad de uso, lo que impulsará la adopción (y una máxima adopción debería ser siempre el objetivo).
No lograremos una máxima adopción ofreciendo lo mismo para todos. La estrategia de BI debería englobar esto y estar soportada por una plataforma unificada, llena de funcionalidades y con capacidades que satisfagan las necesidades únicas de cada una de las distintas poblaciones de usuarios.
Peor práctica #3: Subestimar la importancia de la preparación de los datos: Está claro que unos datos malos nos llevan a tomar malas decisiones, y aun así, los problemas con la calidad de los datos siguen aumentando en las empresas actuales. Los estudios muestran que hasta un 60% de las empresas considera que sus datos son poco fiables, y que el 25% de la información en una base de datos media contiene inexactitudes. Estos números impactan en la efectividad y fiabilidad de los cuadros analíticos con los que se trabaja.
Un error común que vemos a menudo es que las organizaciones intentan ‘rodear’ el problema de la calidad de los datos, y esto tiene dos vertientes:
1. Añade ciclos innecesarios a los flujos de trabajo, y el tiempo es dinero. Un estudio reciente afirma que el 31% de los analistas y científicos de datos asegura dedicar hasta tres horas al día a limpiar datos.
2. Corremos el riesgo de añadir un problema de confianza. Una vez que los usuarios piensan que los datos sobre los que se basan para tomar decisiones no son correctos, perderán confianza en el entorno y buscarán otras soluciones.
Una estrategia exitosa de BI y Analytics no debería centrarse en la imagen bonita, sino empezar por los datos. Primero, conectar el analytics con los datos que se necesitan ya sea desde su lugar o moviéndolos, sin olvidar tener en cuenta las demandas de latencia de esos datos: ¿necesitamos acceso en tiempo real o ‘casi tiempo real’ es suficiente? Después, debemos considerar la incorporación de la gestión de calidad de datos y master data management en todo el proceso de BI y analytics. Esto nos ayudará a identificar y corregir la información incorrecta antes de que llegue a los usuarios finales.
Capacidades como evaluación de perfiles, limpieza, emparejar y combinar, y una vista única de los datos a través de todas las fuentes puede preparar y optimizar los datos para el análisis, asegurando precisión, completitud, puntualidad y consistencia.
La confianza en nuestros datos es vital para promover la amplia adopción de los usuarios, que impulsará a su vez un mayor valor. Así que recordemos que no importa lo sofisticadas que sean las visualizaciones o el analytics, tendremos problemas graves si los datos sobre los que se basan son cuestionables.
Peor práctica #4: Utilizar herramientas de BI tácticas para soportar estrategias amplias de BI y Analytics: Hablemos de las implementaciones de BI y Analytics más efectivas: la estrategia en la que se basan está pensada teniendo a toda la organización en mente.
Un plan de amplio alcance que se dirige al espectro completo de las necesidades de la empresa logrará un uso generalizado y proporcionará un mayor valor al negocio, a pesar de ello muchas organizaciones diseñan sus estrategias sobre un puñado de soluciones tácticas clave. Por ejemplo, implementan herramientas de descubrimiento de datos desconectadas entre sí que permiten a los usuarios generar su propio análisis o crear sus propias visualizaciones, pero estas herramientas son demasiado complicadas para un usuario no técnico.
Para una implementación de BI y analytics exitosa, todo se reduce a una pregunta: ¿qué quieren los usuarios, herramientas o aplicaciones? Pero no es un ‘o’ o una decisión. Necesitamos ambas si queremos cubrir las estrategias globales de BI y analytics.
Herramientas: son apropiadas para aquéllos que entienden los datos y se sienten cómodos trabajando con herramientas del tipo ‘hazlo tú mismo’
Aplicaciones: son ideales para usuarios no técnicos que ocasionalmente necesitan respuestas a preguntas de negocio más tácticas.
Si intentamos alinear las herramientas de analytics para cubrir las necesidades de la audiencia de usuarios no técnicos más amplia fracasaremos, no importa cómo de fáciles de usar sean, porque no es el papel de los usuarios no técnicos trabajar con herramientas de BI y analytics para generar su propio conocimiento independiente.
Otro obstáculo común en que las empresas suelen caer para satisfacer las necesidades de los usuarios no técnicos es ofrecerles informes y contenido estáticos. Aunque esto puede ofrecer algún valor, es limitante cuando no pueden interactuar con ello o preguntar más cosas a los datos. Así, ¿cómo ofrecemos capacidades de autoservicio flexibles a usuarios empresariales no técnicos sin que conozcan las herramientas? Aquí es donde las aplicaciones de BI y analíticas basadas en datos entran en juego.
Las aplicaciones ofrecen a cualquier tipo de usuario una forma sencilla e intuitiva de relacionarse con el análisis avanzado de la información, al mismo tiempo que le protegen de la complejidad. Se comportan como las aplicaciones de consumo utilizadas para validar tu cuenta de gastos o reservar un vuelo; ofrecen facilidad, sencillez y comodidad, de forma que cualquiera puede utilizarlas con poco o ningún entrenamiento; y, puesto que no son estáticas, tienen la capacidad de responder a más de una pregunta empresarial sin la necesidad de una herramienta o de una llamada a alguien con una herramienta. Todo esto lleva a la adopción de BI y analytics y mejora las eficiencias operacionales.
Llegar a una aproximación de herramienta Y app no necesariamente implica comprar un montón de soluciones para cada cosa, eso nos daría muchos dolores de cabeza técnicos y gastos innecesarios y debería evitarse. Sin embargo, es conveniente buscar una plataforma sencilla y completa con una variedad de capacidades y herramientas para cubrir las necesidades de información de todos los usuarios.
Peor práctica #5: Ignorar fuentes de datos importantes: Las fuentes de datos parecen aumentar a cada minuto que pasa. Mientras las iniciativas de BI tienden a centrarse en la información contenida en aplicaciones de ERP y CRM, bases de datos relacionales, bases de datos y mercados, y otros sistemas empresariales, no debemos olvidar que hay además otras fuentes de datos importantes que han emergido, como las generadas por las máquinas, móviles, localización, redes sociales y datos de monitorización web, que contienen una gran cantidad de información crucial y un gran potencial de ventaja competitiva.
Las empresas mejor posicionadas, no solo para aprovechar estas nuevas bases de datos sino para combinarlas con datos tradicionales, superarán a la competencia. A pesar de esto, los estudios muestran que estas nuevas formas de datos no estructurados siguen siendo un recurso aún no abordado, y que solo un tercio de ellos se utiliza correctamente para una toma de decisiones estratégica.
Las empresas que elijan ignorar estas fuentes lo hacen asumiendo el riesgo de perder oportunidades importantes. Por ejemplo, podemos encontrar información vital sobre el sentimiento del consumidor en Facebook y Twitter. Los datos de localización mejoran el estudio de los patrones de compra, el servicio de consumo y otras actividades, demostrando el papel que juega la geografía. Además, datos de sensores o RFID pueden alertarnos de posibles problemas de fabricación o cadena de suministro.
Recapitulando: es fundamental entender los casos de éxito y aprovecharlos para impulsar el crecimiento, optimizar las operaciones y mejorar la experiencia de cliente. Recordemos que embeber el analytics en otras aplicaciones empresariales para que nuestros empleados de primera línea sean mejores agentes de ventas y de atención les facilita el trabajo y por tanto la buena marcha de la empresa. Asegurémonos de que todos nuestros datos están integrados, son fiables y están listos para usar. Y por último, dejemos que un mayor rango de usuarios utilice BI, nos lo agradecerán.