Aunque todas las empresas reconocen el poder de los datos, la mayoría se esfuerza por aprovechar todo su potencial. El problema es que las inversiones en datos deben aportar valor a corto plazo y, al mismo tiempo, sentar las bases para el rápido desarrollo de usos futuros, mientras las tecnologías de datos evolucionan de forma impredecible, surgen nuevos tipos de datos y el volumen de datos sigue aumentando.
Las experiencias de dos empresas mundiales ilustran la ineficacia de las estrategias de datos predominantes en la actualidad para gestionar estos retos. La primera, un gran banco de Asia-Pacífico, adoptó el enfoque del «big bang», asumiendo que podía satisfacer las necesidades de todos los equipos de desarrollo de análisis y usuarios finales de datos de una sola vez. Puso en marcha un programa masivo para crear canales que extrajeran todos los datos de sus sistemas, los limpiaran y los agregaran en un lago de datos en la nube, sin dedicar mucho tiempo a alinear sus esfuerzos con los casos de uso del negocio. Después de dedicar casi tres años a crear una nueva plataforma, el banco descubrió que sólo algunos usuarios, como los que buscaban datos históricos sin procesar para realizar análisis ad hoc, podían utilizarla fácilmente. Además, se habían pasado por alto las necesidades arquitectónicas críticas de muchas aplicaciones potenciales, como la alimentación de datos en tiempo real para las ofertas personalizadas a los clientes. Como resultado, el programa no generó mucho valor para la empresa.
La segunda empresa, un gran banco norteamericano, hizo que los equipos individuales aprovecharan las fuentes de datos y los sistemas existentes por su cuenta y luego reunieran las tecnologías adicionales que requerían sus casos de uso empresarial. Los equipos crearon algo de valor al resolver retos como la mejora de la segmentación de los clientes para los canales digitales y la habilitación de informes de riesgo eficientes. Pero el resultado general fue una maraña de conductos de datos personalizados que no podían reutilizarse fácilmente. Cada equipo tenía que empezar desde cero, lo que hacía que los esfuerzos de transformación digital fueran dolorosamente costosos y lentos.
Entonces, si no funciona ni una estrategia de datos monolítica ni una de base, ¿cuál es el enfoque correcto?
Hemos comprobado que las empresas tienen más éxito cuando tratan los datos como un producto. Cuando una empresa desarrolla un producto comercial, suele intentar crear una oferta que pueda satisfacer las necesidades de tantos tipos de usuarios como sea posible para maximizar las ventas. A menudo, eso significa desarrollar un producto base que pueda personalizarse para diferentes usuarios. Los fabricantes de automóviles lo hacen permitiendo a los clientes añadir una serie de opciones especiales (tapicería de cuero, cristales tintados, dispositivos antirrobo, etc.) a los modelos estándar. Del mismo modo, las aplicaciones digitales suelen permitir a los usuarios personalizar sus salpicaderos, incluyendo la disposición, los esquemas de color y el contenido mostrado, u ofrecer diferentes planes y estructuras de precios para las diferentes necesidades de los usuarios.
IDEA EN BREVE
EL PROBLEMA
Aunque los datos ofrecen enormes oportunidades, las estrategias de la mayoría de las empresas para aprovecharlas son ineficaces.
POR QUÉ OCURRE
Con demasiada frecuencia, los esfuerzos de las empresas en materia de datos no logran sentar las bases para futuros usos de los mismos. Los equipos individuales crean una canalización de datos personalizada para cada aplicación que no puede reutilizarse fácilmente.
LA SOLUCIÓN
Crear productos de datos estándar que puedan adaptarse a las necesidades de varios tipos de usuarios y muchas aplicaciones. Los productos pueden ser gestionados por equipos dedicados dentro de las unidades de negocio, con el apoyo de una función central que coordine y estandarice el diseño
Las empresas que tratan los datos como si fueran un producto pueden reducir hasta un 90% el tiempo necesario para implantarlos en nuevos casos de uso.
Con el tiempo, las empresas mejoran sus productos, añadiendo nuevas características (modificaciones en el motor que aumentan el ahorro de combustible en un coche o nuevas funcionalidades en una aplicación), e introducen ofertas totalmente nuevas en respuesta a los comentarios de los usuarios, las evaluaciones de rendimiento y los cambios en el mercado. Al mismo tiempo, las empresas tratan de aumentar la eficiencia de la producción. Siempre que es posible, reutilizan los procesos, la maquinaria y los componentes existentes. (Los fabricantes de automóviles utilizan un chasis común en coches muy diferentes, por ejemplo, y los desarrolladores de aplicaciones reutilizan bloques de código). Tratar los datos de manera muy similar ayuda a las empresas a equilibrar la entrega de valor con ellos hoy y a preparar el camino para obtener rápidamente más valor de ellos mañana.
En nuestro trabajo hemos visto que las empresas que tratan los datos como un producto pueden reducir el tiempo que se tarda en implementarlos en nuevos casos de uso hasta en un 90%, disminuir sus costes totales de propiedad (tecnología, desarrollo y mantenimiento) hasta en un 30%, y reducir su riesgo y la carga de gobierno de los datos. En las siguientes páginas describiremos lo que constituye un producto de datos y describiremos las mejores prácticas para crear uno.
¿QUÉ ES UN PRODUCTO DE DATOS?
Un producto de datos ofrece un conjunto de datos de alta calidad y listo para ser utilizado, al que las personas de una organización pueden acceder fácilmente y aplicarlo a diferentes retos empresariales. Puede, por ejemplo, proporcionar una visión de 360 grados de los clientes, incluyendo todos los detalles que las unidades de negocio y los sistemas de una empresa recogen sobre ellos: comportamiento de compra en línea y en la tienda, información demográfica, métodos de pago, sus interacciones con el servicio de atención al cliente, etc. O puede proporcionar vistas de 360 grados de los empleados o de un canal, como las sucursales de un banco. Otro producto podría permitir «gemelos digitales», utilizando datos para replicar virtualmente el funcionamiento de activos o procesos del mundo real, como piezas críticas de maquinaria o toda una línea de producción de una fábrica
Como tienen muchas aplicaciones, los productos de datos pueden generar un rendimiento impresionante. En un gran banco nacional, un producto de datos de clientes ha impulsado casi 60 casos de uso -que van desde la puntuación del riesgo crediticio en tiempo real hasta los chatbots que responden a las preguntas de los clientes- en múltiples canales. Estas aplicaciones ya proporcionan 60 millones de dólares de ingresos adicionales y eliminan 40 millones de dólares de pérdidas al año. Y a medida que el producto se aplique a nuevos casos de uso, su impacto seguirá creciendo.
Los productos de datos se asientan sobre los almacenes de datos operativos existentes, como almacenes o lagos. (Véase la exposición «El consumo tradicional de datos frente al modelo de productos de datos»). Los equipos que los utilizan no tienen que perder el tiempo buscando datos, procesándolos en el formato adecuado y construyendo conjuntos de datos y conductos de datos a medida (que, en última instancia, crean un desorden arquitectónico y desafíos de gobernanza).
Cada producto de datos es compatible con «consumidores» de datos con necesidades diferentes, de la misma manera que un producto de software es compatible con usuarios que trabajan en ordenadores con diferentes sistemas operativos. Estos consumidores son sistemas, no personas, y nuestro trabajo sugiere que las organizaciones suelen tener cinco tipos. Los llamamos «arquetipos de consumo» porque describen para qué se utilizan los datos. Incluyen:
1 Aplicaciones digitales. Estas requieren datos específicos que se limpian, se almacenan en el formato necesario -quizás como mensajes individuales en un flujo de eventos o una tabla de registros en un mercado de datos (un área de almacenamiento de datos orientada a un tema, función empresarial o equipo)- y se entregan con una frecuencia determinada. Por ejemplo, una aplicación digital que rastrea la ubicación de un vehículo necesitará acceder en tiempo real a flujos de eventos de datos de GPS o sensores. Una aplicación de marketing diseñada para encontrar tendencias en el comportamiento de navegación de los clientes necesitará acceder a grandes volúmenes de datos de registro web bajo demanda (a menudo denominados datos «por lotes») desde un mercado de datos.
2 Sistemas de análisis avanzados. Estos también necesitan que los datos se limpien y se entreguen con cierta frecuencia, pero deben estar diseñados para permitir que los sistemas de aprendizaje automático e IA, como los motores de simulación y optimización, los procesen.
3 Sistemas de información. Necesitan datos altamente controlados (datos con definiciones claras que se gestionan estrechamente en cuanto a calidad, seguridad y cambios) para ser agregados a un nivel básico y entregados de forma auditada para su uso en cuadros de mando o actividades normativas y de cumplimiento. Por lo general, los datos deben entregarse en lotes, pero las empresas están avanzando cada vez más hacia modelos de autoservicio y actualizaciones intradía que incorporan fuentes en tiempo real.
Como un ladrillo de Lego, un producto de datos conectado para soportar uno o más arquetipos de consumo puede encajarse rápidamente en cualquier número de aplicaciones empresariales.
4 Cajas de arena de descubrimiento. Permiten el análisis exploratorio ad hoc de una combinación de datos brutos y agregados. Los científicos de datos y los ingenieros de datos suelen utilizarlos para profundizar en los datos y descubrir nuevos casos de uso potenciales.
5 Sistemas externos de intercambio de datos. Deben adherirse a políticas y acuerdos estrictos sobre dónde se encuentran los datos y cómo se gestionan y protegen. Los bancos utilizan estos sistemas para compartir información sobre el fraude entre ellos, por ejemplo, y los minoristas para compartir datos con los proveedores con la esperanza de mejorar las cadenas de suministro.
Cada arquetipo de consumo requiere diferentes tecnologías para el almacenamiento, el procesamiento y la entrega de datos, y exige que esas tecnologías se ensamblen en un patrón específico. Este patrón es esencialmente un plano arquitectónico de cómo deben encajar las tecnologías necesarias. Por ejemplo, un patrón para una caja de arena probablemente incluiría tecnologías para configurar un entorno de autoservicio multiusuario al que puedan acceder los ingenieros de datos de toda la empresa. El patrón para un sistema de análisis avanzado que utilice fuentes de datos en tiempo real podría incluir tecnologías para procesar grandes volúmenes de datos no estructurados.
Como un ladrillo de Lego, un producto de datos conectado para soportar uno o más de estos arquetipos de consumo puede encajarse rápidamente en cualquier número de aplicaciones empresariales.
Pensemos en una empresa minera que ha creado un producto de datos que proporciona datos GPS en directo sobre la ubicación de los camiones de transporte de mineral. Se diseñó para dar soporte a todos los arquetipos, excepto a la compartición de datos externos para su primer caso de uso: mejorar el rendimiento del procesamiento del mineral. La empresa no tardó en descubrir que el producto tenía otros usos. Una vez que se puso a disposición de toda la organización, varios empleados emprendedores lo aprovecharon inmediatamente para eliminar los cuellos de botella en el sistema de transporte de la mina. En sólo tres días construyeron un prototipo de una herramienta de apoyo a la toma de decisiones sobre rutas de camiones que reducía el tiempo de espera y las emisiones de carbono. Si hubieran tenido que diseñar los datos desde cero, habrían tardado casi tres meses.
Cuando se corrió la voz, los empleados interesados en otras cuestiones relacionadas con los camiones -como la seguridad, el mantenimiento y la programación de los conductores- aprovecharon los datos para encontrar respuestas a cuestiones espinosas y crear soluciones generadoras de ingresos que antes habrían sido imposibles.
GESTIÓN Y DESARROLLO DE PRODUCTOS DE DATOS
Ya sea que vendan sedanes, software o zapatillas, la mayoría de las empresas tienen gerentes de producto internos que se dedican a investigar las necesidades del mercado, desarrollar hojas de ruta de las capacidades del producto y diseñar y comercializar los productos de manera rentable
Del mismo modo, cada producto de datos debe tener un gestor de producto designado que se encargue de reunir un equipo de expertos para construirlo, apoyarlo y mejorarlo con el tiempo. Tanto el gestor como los expertos deben formar parte de un grupo de utilidad de datos que se encuentre dentro de una unidad de negocio. Normalmente, estos grupos incluyen ingenieros de datos, arquitectos de datos, modeladores de datos, ingenieros de plataformas de datos e ingenieros de fiabilidad del sitio. Integrarlos en las unidades de negocio proporciona a los equipos de productos de datos un acceso fácil tanto a los expertos en la materia como a la asistencia operativa, de procesos, legal y de riesgos que necesitan para desarrollar productos de datos útiles y conformes. También conecta a los equipos directamente con los comentarios de los usuarios, lo que les ayuda a seguir mejorando sus productos e identificar nuevos usos. La primera versión del producto de datos de clientes en el banco nacional, por ejemplo, se centró en los perfiles demográficos de los clientes y la información sobre las transacciones. Los lanzamientos posteriores incluyeron datos sobre las interacciones de los clientes y sobre los clientes potenciales, lo que atrajo a un número significativamente mayor de usuarios de datos y apoyó a los equipos que desarrollaban otras aplicaciones. El ahorro de costes y los ingresos incrementales obtenidos por los primeros usos del producto financiaron las siguientes fases, creando un modelo de negocio sostenible.
Una empresa también necesita un centro de excelencia para apoyar a los equipos de productos y determinar las normas y las mejores prácticas para crear productos de datos en toda la organización. Por ejemplo, el centro debería definir cómo los equipos documentarán la procedencia de los datos, auditarán su uso y medirán su calidad, y deberían diseñar los patrones de arquetipos de consumo para que los equipos de productos de datos los utilicen. Este enfoque puede eliminar la complejidad y el desperdicio. Además, el centro puede ser un recurso para el talento especializado o los expertos en datos cuando la demanda de éstos aumente dentro de los grupos de servicios o los equipos de casos de uso del negocio. Por ejemplo, en un proveedor de telecomunicaciones con el que trabajamos, los expertos en visión por ordenador, que son escasos pero a menudo demandados, se encuentran en el centro y se despliegan a las unidades de negocio que lo solicitan.
Aunque la mayoría de las empresas ya cuentan con parte, si no con todo, el talento necesario para crear sus grupos de servicios y centros de excelencia, muchas necesitarán profundizar en su banco de ciertos expertos, en particular ingenieros de datos que puedan limpiar, transformar y agregar datos para su análisis y exploración.
Esto era especialmente cierto para la empresa minera, que necesitaba aumentar su personal de ingeniería de datos de tres a 40 personas. Para cubrir ese gran vacío, sus responsables adoptaron un enfoque escalonado. Contrataron a contratistas para realizar un trabajo inmediato y luego se embarcaron en esfuerzos de reclutamiento de gran alcance: organizaron eventos de networking, publicaron artículos en LinkedIn, mejoraron las habilidades de los ingenieros de software que ya estaban en plantilla y desarrollaron programas de prácticas con colegios y universidades locales. Para mejorar la retención, crearon un gremio para ingenieros de datos, que les ayudó a desarrollar sus habilidades y a compartir las mejores prácticas. La empresa también elaboró planes individualizados para los ingenieros de datos que garantizaban que estos profesionales tuvieran una trayectoria clara de crecimiento después de unirse a la empresa.
SEGUIMIENTO DEL RENDIMIENTO Y LA CALIDAD
Para ver si los productos comerciales son un éxito, las organizaciones se fijan en barómetros como las ventas, la retención, el compromiso, la satisfacción y la rentabilidad de los clientes. Los productos de datos pueden evaluarse con métricas acordes, como el número de usuarios mensuales activos, el número de aplicaciones en la empresa, la satisfacción de los usuarios y el retorno de la inversión para los casos de uso.
La empresa de telecomunicaciones ha hecho un seguimiento del impacto de su primer producto de datos -que proporcionaba datos completos sobre los equipos críticos de la red celular- en 150 casos de uso. Entre ellos, sistemas de decisión de inversión, sistemas de planificación de escenarios y motores de optimización de redes. En total, se prevé que produzcan cientos de millones de dólares en ahorros de costes y nuevos ingresos en tres años. La empresa calcula que en los primeros 10 años los casos de uso tendrán un impacto financiero acumulado de 5.000 millones de dólares, lo que supondrá un retorno muy superior a su inversión inicial.
Y al igual que los fabricantes utilizan habitualmente las pruebas de garantía de calidad o las inspecciones de la línea de producción para asegurarse de que sus productos funcionan como prometen, los gestores de productos de datos pueden garantizar la calidad de los datos de sus ofertas. Para ello, deben gestionar estrictamente las definiciones de los datos (por ejemplo, si los datos de los clientes incluyen sólo a los clientes activos o también a los antiguos y futuros), la disponibilidad y los controles de acceso. También deben colaborar estrechamente con los empleados que poseen los sistemas de origen de los datos o que son responsables de su integridad. (Estos últimos se denominan a veces «administradores de datos»).
La calidad puede verse afectada, por ejemplo, cuando los mismos datos se capturan de diferentes maneras en distintos sistemas, lo que da lugar a entradas duplicadas. Este era un riesgo en el producto de datos de clientes del banco nacional. Por ello, su director de producto trabajó con los administradores de los distintos repositorios y aplicaciones de datos de clientes de la empresa para instituir una identificación única para cada cliente. Esto permitió que los datos de los clientes se integraran sin problemas en cualquier caso de uso o con cualquier producto de datos relacionado. El gestor de productos también se asoció con el centro de excelencia para desarrollar las normas y políticas que rigen los datos de los clientes en toda la empresa y para supervisar su cumplimiento, lo que facilitó la reutilización del producto de datos a la vez que generó confianza entre los usuarios.
Las decisiones sobre los productos de datos a menudo implican compromisos entre el impacto, la viabilidad y la velocidad.
DÓNDE EMPEZAR
Los directivos suelen preguntarse qué productos de datos y arquetipos de consumo obtendrán el mayor y más rápido retorno de la inversión. La respuesta es diferente para cada organización.
Para encontrar el enfoque adecuado para sus empresas, los ejecutivos deben evaluar la viabilidad y el valor potencial de los casos de uso en cada ámbito empresarial (puede tratarse de un proceso empresarial básico, un viaje del cliente o del empleado, o una función) y agruparlos primero por los productos de datos que requieren y luego por los arquetipos de consumo implicados. Categorizar los casos de uso de esta manera ayuda a los líderes a secuenciar el trabajo de forma más eficiente y a obtener un retorno de la inversión más rápido. Por ejemplo, pueden acabar adelantando algunos casos de uso de menor valor si aprovechan los productos de datos y los arquetipos de consumo de los casos de uso de mayor valor.
Para los ejecutivos del banco nacional, este enfoque puso de manifiesto varias prioridades. En primer lugar, vieron que un producto de datos de clientes que apoyara sus casos de uso más críticos de gestión de fraudes y marketing podría generar un enorme valor. A continuación, identificaron los tipos de datos que el producto debía recopilar en primer lugar. Algunos de esos casos de uso requerían identificadores básicos de clientes y datos de referencia (como datos demográficos o de segmentación), mientras que otros exigían datos completos sobre el comportamiento de los clientes. El banco también se dio cuenta de que los dos arquetipos de consumo que debía perseguir en primer lugar eran una caja de arena de descubrimiento y un análisis avanzado, que en combinación respaldarían la mayoría de los casos de uso prioritarios de fraude y marketing de la empresa.
Las decisiones sobre los productos de datos suelen implicar un equilibrio entre el impacto, la viabilidad y la velocidad. Lo ideal es que los productos objetivo iniciales y los arquetipos de consumo se apliquen inmediatamente a los casos de uso de alto valor y a una larga lista de otros, como ocurrió con el producto del proveedor de telecomunicaciones para sus equipos de red.
Sin embargo, las consideraciones de viabilidad pueden hacer que una empresa ajuste su enfoque. Por ejemplo, puede tener sentido impulsar primero un área de la organización que tenga experiencia en datos y que haya conseguido cierta tracción con productos de datos, incluso si no es allí donde se encuentra la mayor oportunidad. Esto lo vimos en la empresa minera. Inicialmente eligió desarrollar dos productos que apoyaban su planta de procesamiento de mineral, donde los casos de uso ya habían sido probados con éxito, los gerentes estaban entusiasmados por perseguir más, el equipo tenía una gran cantidad de datos preparados para trabajar, y los expertos con profunda experiencia estaban disponibles para ayudar.
LA MAYORÍA DE LOS LÍDERES DE HOY EN DÍA están haciendo grandes esfuerzos para convertir los datos en una fuente de ventaja competitiva. Pero esas iniciativas pueden fracasar rápidamente si las organizaciones no se aseguran de que el duro trabajo que hacen hoy sea reutilizable mañana. Las empresas que gestionan sus datos como un producto se encontrarán con una importante ventaja en el mercado en los próximos años, gracias al aumento de la velocidad y la flexibilidad y a las nuevas oportunidades que ese enfoque puede desbloquear.