No es solo más tecnología)

Cuando enseñé mi primera clase en el programa MS in Analytics en la Escuela de Ingeniería de la Universidad Northwestern, noté una brecha en la forma en que se capacitaba a los aspirantes a científicos de datos. Sus habilidades técnicas eran excelentes, pero sentí que necesitaba ayudarlos a estructurar su pensamiento en torno a lo que hacen y por qué lo hacen.

La respuesta fue levemente positiva. Confirmó lo que sospechaba: que construir la próxima generación de líderes de datos requiere algo entre habilidades técnicas y capacitación en liderazgo. Por el contrario, requiere habilidades específicas de datos y valor agregado que comunican y elevan el valor de su trabajo.

Desarrollé un marco de cuatro puntos que puede ayudar a los profesionales de datos a dar forma y organizar su pensamiento y, como resultado, facilitar una mejor comunicación y colaboración con los líderes empresariales. No se trata solo de “hablar de negocios”, se trata de desarrollar un lenguaje de datos compartidos que empodere a los líderes empresariales, elevando así el valor del trabajo de los equipos de datos.

Al categorizar sus proyectos y actividades en uno (o más) de estos cuatro puntos, los científicos de datos pueden describir mejor lo que están haciendo y por qué.

Cuatro formas en que la analítica ayuda a las empresas

Planificación – Podría decirse que esta es la forma más sencilla de utilizar análisis y predicciones avanzados. Los científicos de datos construyen modelos para predecir lo que sucederá para que el negocio pueda estar preparado. Por ejemplo, la agregación de conversiones previstas y el tamaño del negocio en un canal de ventas puede generar un pronóstico de ventas preciso y flexible. Incluir la retención de clientes existente y el gasto previsto generaría una previsión de ingresos. El objetivo es generar pronósticos precisos y prepararse para las tendencias emergentes.

seleccionando – Esto describe la selección que es una parte importante del análisis, es decir, la selección de grupos óptimos para propósitos comerciales específicos. Por ejemplo, los equipos deportivos profesionales intentan predecir las lesiones y el rendimiento de los jugadores para poder cambiar o seleccionar la combinación correcta de atletas. Otro ejemplo es cuando las empresas buscan identificar los factores que predicen el valor del cliente y luego intentan adquirir más clientes de alto valor. Cuando las empresas utilizan análisis para la selección, no están tratando de cambiar los comportamientos individuales. Aceptan estos comportamientos como fijos y simplemente crean grupos (equipos, bases de clientes, etc.) que reflejan los comportamientos que desean.

apuntando – Los líderes empresariales sin duda estarán felices de escuchar eso. Esto implica aumentar el valor comercial de una población existente, como clientes o empleados. La segmentación implica cambiar los comportamientos individuales en función de una predicción de lo que es probable que suceda; por ejemplo, predecir la probabilidad de retención de clientes e intervenir con personas seleccionadas de alto riesgo.

ideación – Finalmente, los modelos nos ayudan a identificar los factores que pueden impulsar mejores resultados comerciales. Esto podría significar usar los resultados del modelo para pensar en cómo aumentar el tráfico de clientes, cómo hacer que un sitio sea más «pegajoso», cómo mejorar la experiencia del empleado o del cliente, e innumerables otros problemas comerciales.

Usando este marco de cuatro puntos, los profesionales de datos se vuelven más claros en su pensamiento y, como resultado, en su comunicación. En lugar de ser simplemente «impulsado por datos» e involucrado en la experiencia técnica, el equipo de datos cambia a un pensamiento basado en evidencia. Al presentar los resultados a los líderes empresariales, el equipo de datos brinda respuestas basadas en evidencia que les permiten discutir soluciones, oportunidades y obstáculos. Literalmente cambia la conversación, lo que permite a los líderes empresariales integrar análisis en sus procesos comerciales.

Además, este marco ayuda a responsabilizar al equipo comercial. Es posible que los equipos comerciales no entiendan el modelado de datos, pero sí entienden lo que significa «planificar, seleccionar, dirigir e idealizar». El lenguaje compartido proporciona un terreno común para lograr objetivos comerciales específicos.

Por ejemplo, recientemente realicé esta capacitación para un equipo de ciencia de datos en una empresa de software B2C. Los científicos de datos responsables del éxito de los clientes identificaron hábilmente los factores que predecían una baja participación de los usuarios, descubriendo un segmento de clientes con mayor riesgo de descontento. Pero esos resultados no se compartieron con los datos de marketing y ventas ni con los equipos de liderazgo, quienes idealmente podrían considerar si estos clientes valen el costo de adquisición en primer lugar. Compartir estos conocimientos entre áreas funcionales llevó a los equipos a imaginar cómo impulsar la adquisición de clientes de alto valor. Fue un momento poderoso de logro y conexión entre los científicos de datos y los equipos comerciales.

Frameworks Ayuda Colaboración

Como muestra este ejemplo, la adopción de marcos y lenguaje compartidos puede arrojar luz sobre cuándo y cómo la analítica ofrece valor empresarial. Otro marco que uso con mis estudiantes y clientes es «EDSEL», un acrónimo que representa cinco elementos clave del éxito analítico: oportunidad económica, suficiencia de datos, sistemas, experiencia y liderazgo. Esto es más que un acrónimo ingenioso; pone a los analistas de datos y a los equipos de negocios en la misma sintonía, para buscar y aprovechar sin descanso las oportunidades económicas.

La excelente comunicación entre los científicos de datos y los líderes empresariales no se trata solo de transmitir resultados a través de una visualización elegante. Los marcos responden al panorama general: ¿Por qué nos enfrentamos a este problema o buscamos esta oportunidad? Estos marcos también abordan la frustración que sienten muchos científicos de datos por la falta de apoyo de los líderes empresariales porque su trabajo no se comprende y, por lo tanto, no se valora.

Este es un punto crucial para los líderes empresariales de hoy. La capacitación y el soporte que elevan el valor de los datos mejoran la satisfacción laboral de los científicos de datos (son muy apreciados como socios para resolver problemas) y son la base para construir la próxima generación de líderes de datos.

Con el apoyo y la formación adecuados de los profesionales de datos, el resultado es una mayor transparencia y colaboración centrada en la captura de valor. Este es el resultado que separa a los líderes de datos de los técnicos: encontrar y materializar oportunidades económicas que reflejen los objetivos y estrategias comerciales.

El profesor Joel Shapiro es el creador de Análisis impactanteun programa de capacitación y desarrollo para equipos comerciales y de datos, y profesor asociado clínico en la Escuela de Administración Kellogg de la Universidad Northwestern.