fbpx

Entrevista a Alex Caminals – Análisis de datos

Entrevista a Alex Caminals – Análisis de datos

Entrevista a Alex Caminals – Análisis de datos 1980 1481 Ángel Herraiz

1.

P: Presentación del entrevistado/a

R: Soy ingeniero informático de carrera. Empecé a trabajar a jornada completa cuando aún estaba en el cuarto curso en la universidad. Como ves, me van los retos.

Mi primer trabajo, como desarrollador de aplicaciones, me abrió la puerta a trabajar con bases de datos. Pronto me convertí en un experto en el tratamiento de datos. Y cuando, al cabo del tiempo, tuve la oportunidad de dar el salto a un nuevo trabajo, con una posición centrada en la gestión y el tratamiento de datos no lo dudé ni un momento.

No tenía muy claro dónde me metía. Acababa de entrar en el mundo del Business Intelligence. Resultó ser algo fascinante. Además, como consultor, tuve la oportunidad de trabajar en multitud de proyectos, empresas y sectores. Y debido al carácter internacional de la empresa, la mayoría de los proyectos los poder realizar con equipos internacionales, aprendiendo diferentes maneras de trabajar y gestionar proyectos.

Trabajé como consultor durante casi once años, siendo el cuarto empleado al principio y dejando una plantilla de más de 30 personas al dejar la empresa. Mi crecimiento personal y el de la empresa me permitieron ir creciendo en el seno de esta, gestionando proyectos y formando a los nuevos empleados a medida que éstos se iban incorporando. Este hecho me abrió las puertas a trabajar como formador, circunstancia que a la postre acabaría abriendo una nueva línea de negocio empresa, ofreciendo formaciones a clientes.

Después de once años como consultor, decidí cambiar de lado y trabajar para una empresa de servicios online. Fue una experiencia muy interesante ya que él no conocer la realidad con la cual había trabajado pero desde otra perspectiva.

Debido a las pocas oportunidades de crecimiento, decidí volver a la consultoría. Pero esta vez, centrado en el área de formación de Business Intelligence. Como ves, estaba tocando todas las teclas. Ahora sólo me faltaba la última: convertirme en empresario.

Finalmente, en la primavera de 2015, decidí fundar mi propia empresa: StraBIA (Strategic BI Advisors). Con ella, ofrezco servicios expertos en el área del Business Intelligence, Big Data y Analytics. Estos servicios van desde la asesoría y consultoría, la gestión de proyectos, el análisis predictivo, la auditoría de plataformas BI y la consultoría técnica, hasta la formación y evangelización del BI.

Es todo un reto, pero disfruto con mi trabajo. Y me gusta ver que mis clientes quedan satisfechos y ven que sus objetivos se ven cumplidos.

2.

P: Business intelligence,  data mining, big data, ¿Es que no hay palabras en español para entender esto?

R: La verdad es que sí, existen palabras en español para todos estos términos: “Business Intelligence” se traduce como “Inteligencia de negocio”, “Data mining” como “Minería de datos” y de “Big Data” he visto alguna traducción como “Datos masivos”. Pero lo cierto es que la mayoría de la gente utiliza los términos en inglés. Creo que el motivo es bastante obvio. Estamos hablando de términos nuevos que llegan a nuestras vidas sin haber podido ser asimilado por la sociedad. Importando esos términos se asientan en nuestro vocabulario. Las traducciones no dejan de ser meras traducciones que alguien acuña para referirse a eso con vocablos de la propia lengua. Abrir un paréntesis, esto me hace pensar en las palabras “programari” y “maquinari” en catalán, que se utilizan para referirse a los términos en inglés “software” y “hardware”. En castellano vendrían a ser “programario” y “maquinario”. Sin que nadie se ofenda, comentando este tema con profesionales de la tecnología, la gente se parte de risa al escuchar estas nuevas palabras.

Lo cierto es que este mundo avanza tan rápido que van apareciendo multitud de términos que a veces, hasta para los tecnólogos, es difícil asimilar. Cuando doy una formación, a mí siempre me gusta empezar por el principio, para dejar las cosas bien claras y que nadie se me pierda por el camino. Por tanto, el primer término a tener en cuenta es: Análisis de datos (“Data Analysis”).

El análisis de datos consiste en obtener respuestas a partir de grandes volúmenes de datos. Empezaré con un ejemplo que no es de análisis de datos. Por ejemplo, cuando un comercio recibe a un cliente que quiere hacer una devolución y debe encontrar una transacción en su sistema de ventas a partir del número de ticket, no estamos hablando de análisis. Estamos accediendo a los datos de un aplicativo de ventas a partir de un código que identifica una única transacción de venta, y el resultado es un único digámosle elemento de información (la venta que estamos buscando en concreto) que puede contener diversos productos. Pero la venta es única. Y la podemos encontrar fácilmente mediante una consulta simple en nuestro aplicativo de ventas.

Pero ¿qué sucede cuando queremos saber el total de ventas del año en curso? En este caso, debemos acceder no solamente a un único elemento de información (una venta), sino que debemos consultar todas las ventas del año en curso, que pueden ser muchas. ¿Qué significa “muchas”? El rango puede variar en función del negocio: Miles, decenas de miles, centenares de miles, millones… Ahí es donde aparece el análisis de datos.

Estos cálculos no acostumbran a ser eficientes para volúmenes de datos altos, con lo cual, un aplicativo transaccional no suele ser una opción válida para proporcionar respuestas a este tipo de preguntas.

Por tanto, podemos decir que el análisis de datos consiste en realizar cálculos a partir de volúmenes de datos grandes.

Necesitamos, pues, algo que nos permita trabajar con grandes volúmenes de datos de manera eficiente (no queremos realizar una consulta y tener que irnos a comer para, con suerte, tener la respuesta al volver). Y ahí es donde entra el Business Intelligence.

El Business Intelligence es un conjunto de técnicas de diseño de software, soportado por unas herramientas específicas, que permiten realizar consultas sobre grandes volúmenes de datos de manera eficiente.

Hay que tener en cuenta que, al igual que me puedo comprar un coche deportivo para una finalidad específica, y un todo terreno para otra, los aplicativos transaccionales y el Business Intelligence también tienen sus finalidades específicas. Un aplicativo transaccional tiene un tiempo de respuesta mínimo en el tratamiento de transacciones (de venta, compra, producción, etc.), mientras que para el análisis de datos, el tiempo de respuesta puede llegar a ser pésimo. Y lo mismo ocurre al revés: No podemos utilizar técnicas de Business Intelligence para diseñar un aplicativo transaccional, ya que éste podría ser extremadamente lento.

El término Data Mining,  nació para acuñar el conjunto de técnicas de análisis de datos utilizados para permitir descubrir información que podría permanecer oculta al ojo humano. Su traducción puede ayudarnos a entender a qué me refiero. “Minería de datos” indica que, tal y como se hace en las minas, se escarba dentro de los datos para obtener una información oculta que puede ser útil. Pongamos un ejemplo: Si tenemos datos de las ventas de un comercio (una cadena de zapaterías), éstos pueden incluir información sobre la fecha en que se realiza la venta, el cliente, el vendedor, el establecimiento y el producto (por limitar la información). Un ejemplo de informe sería el de ingresos por línea de producto (e.g. Hombre, mujer y niño) en lo que va de año. Otro podría ser el de las ventas por día de la semana. O hasta el de ventas por establecimiento. Pero seguro que a nadie se le ocurriría un informe de ventas por distancia desde el establecimiento hasta el domicilio del vendedor. Y quizá ese informe arrojaría una conclusión del tipo “Los vendedores que viven a menos de 15 minutos a pie del establecimiento, obtienen ventas por un valor un 12% superior al resto de vendedores”. El Data Mining está para descubrir patrones ocultos en los datos que normalmente no serían analizados por una persona. El Data Mining, nos permite obtener correlaciones entre diferentes datos a partir de cálculos estadísticos y algoritmos de Inteligencia Artificial. Pero éste es un tema que daría para otro progama. Mejor dejarlo aquí.

Finalmente, Big Data. El gran boom. Lo más. Todo el mundo habla de Big Data, pero poca gente fuera del mundillo tiene claro qué es. En pocas palabras, Big Data es un conjunto de técnicas y programas que nos permiten llevar el análisis de datos más allá de donde el Business Intelligence lo había podido llevar. Sin tomar las cifras como absolutas, podemos decir que el Business Intelligence puede empezar a ser ineficiente al rebasar la frontera del Terabyte de información (1 TB = 1.000 Gigas = 1.000.000 Megas). Y aquí es donde aparece Big Data. Imagínate que quieres averiguar el número de palabras que tienen 9 letras de un diccionario. Si utilizaras un modelo de consulta como el del Business Intelligence, deberías leerte todo el diccionario e ir contando las palabras de 9 letras a medida que vas avanzando. ¡Quizá podrías quedarte aquí hasta el próximo programa de radio! Pero si utilizaras un modelo de consulta con técnicas de Big Data, tendrías un grupo de gente (pongamos 4 personas más) trabajando contigo. Tan solo tendrías que partir ese diccionario en trozos, darle a cada uno de ellos un trozo, ¡y a contar palabras! Finalmente, tan solo deberás sumar los resultados de cada uno de tus colaboradores para obtener el resultado final. Está claro que, a pesar de tener un par de tareas extras (dividir y repartir el trabajo, y sumar los resultados parciales), el rendimiento sería mucho mejor. Y ahora imagínate que este grupo de gente no es solo de 4 personas sino de 99. Pasarías de 5 a 100 personas trabajando, con lo cual tu rendimiento aumentaría en un factor de 1:20. Así es como trabaja Big Data básicamente. Y esto le permite trabajar con ingentes cantidades de datos.

Además, el uso de nuevas técnicas, le permite trabajar con una velocidad de proceso que permite el análisis en tiempo real (tenemos respuestas casi instantáneas sobre cosas que acaban de suceder ahora mismo), y trabajar con tipos de datos que hasta ahora no podían ser analizados, como las imágenes, los audios, los vídeos, los datos geográficos, etc.

Big Data no es la panacea. Tampoco es algo que debamos aplicar siempre. De hecho, nos ayuda a superar la barrera del Business Intelligence cuando éste se queda corto para el análisis de datos que queremos realizar. En concreto, Big Data tiene razón de implementarse cuando en nuestros requerimientos hallamos alguna de las 3 V’s (las tres uves):

  • Volumen: Grandes volúmenes de datos. Típicamente más allá del Terabyte.
  • Velocidad: Necesidad de tratar el dato de manera casi inmediata.
  • Variedad: Tipos de datos complejos como imágenes, sonidos, vídeo, geoposicionales, etc. Los tradicionales como números, letras y fechas son tratados por un Business Intelligence tradicional sin ningún tipo de dificultad.

Un ejemplo de necesidad de Big Data sería el de un sistema de reconocimiento facial y de voz en un aeropuerto que nos permitiera detectar movimientos de entrada y salida de personas buscadas por la policía. En este caso, los volúmenes de información pueden ser inmensos, al contener grandes cantidades de imágenes, vídeos y grabaciones de voz de las personas en búsqueda. La velocidad de respuesta necesaria es evidentemente de tiempo real (podemos crear un caos de colas en el aeropuerto si el sistema va lento). Y los datos a tratar y citados anteriormente son, evidentemente, complejos.

3.

P: ¿Este tipo de conceptos suenan todos dirigidos a grandes empresas, tienen alguna utilidad para la PYME? ¿Está al alcance real de una PYME el poder analizar sus datos o le cuesta más el análisis que lo que va a sacar de él?

R: El análisis de datos es beneficioso para todas las empresas. Y aplicar técnicas y herramientas especializadas de tratamiento de datos es el camino que seguir. El Business Intelligence o el Big Data son solamente maneras de tratar los datos, aunque no los únicos. De hecho, la mayoría de las empresas ya analizan datos, a su manera. ¿Quién no ha utilizado nunca una hoja de cálculo (un Excel)? Podemos utilizar las funcionalidades de filtrado de datos en una tabla y la de generar fórmulas para sumar el valor de una columna, a la vez que vamos filtrando por los valores de otra. Por ejemplo, queremos ver las ventas del producto A del mes pasado. Y ahora queremos ver las del producto B en el mes en curso. Pero en el momento en que el tratamiento de los datos y la generación de cálculos a partir de ellos, no nos alcanza, debemos buscar otra manera de responder a esas preguntas que genera nuestro negocio. Y ahí es donde entran, primero el BI, y luego el Big Data.

Respondiendo a tu segunda pregunta, ante toda inversión debemos intentar obtener su ROI (“Return Of Investment” o retorno de inversión). Es importante tener en cuenta que, un primer proyecto de lo que sea, va a tener unos costes iniciales asociados al propio arranque, que pueden ser altos. Pero esa inversión puede distribuirse en varios proyectos si hacemos un plan a medio o largo plazo. Y eso hará que el ROI pueda ser positivo.

Mi experiencia al tratar con diversos tipos de organizaciones me ha enseñado que la inversión inicial es uno de los principales motivos que frenan a las empresas a la hora de decidirse a dar el paso para coger el tren del BI. Es por eso que siempre hablo de la necesidad de definir una estrategia de Analytics, con diferentes proyectos a lo largo del tiempo que aportarán mejoras a los procesos de la empresa. Además, el BI debe verse como algo transversal dentro de una organización. No puede asociarse a un departamento concreto (e.g. Comercial), puesto que las áreas que pueden beneficiarse abarcan la amplia totalidad de una organización. Cierto es que, al principio, puede ser interesante identificar Quick wins para obtener resultados de manera rápida y con un coste menor. Esto puede ayudar a convencer a las personas que deben apostar por el BI, pero puede ser contraproducente, ya que de esta manera una empresa podría acabar con un conjunto de proyectos inconexos, alejados de una estrategia común. Y a largo plazo, esta situación es contraproducente.


4.

P: ¿Y exactamente, pensemos en un negocio concreto, como un restaurante, que datos podría obtener y en que le podría ayudar a mejorar su ventaja competitiva?     

R: Me gusta este ejemplo. Veamos qué datos puede recoger un restaurante:

  • Compras
  • Tickets de comidas (ventas)
  • Recursos humanos
  • Horarios de apertura del restaurante a clientes
  • Ocupación de las mesas (número de comensales, hora de entrada y salida)
  • Reservas
  • Visitas a su página web

Podríamos buscar más fuentes de datos, pero creo que con esto ya tenemos suficiente.

Quiero dejar bien claro que el análisis de datos nos proporciona información acerca de qué sucede, pero no del porqué de las cosas. Veamos un ejemplo de ello:

Analizando los pedidos de las mesas podemos observar que los jueves por la noche, el risotto con gambas tiene muy poca salida. Una decisión a tomar podría ser hacer un pedido inferior de gambas los jueves, para no tener un género sin utilizar. El motivo de esa poca salida del risotto no los sabemos. Alguien podría pensar que, como es jueves, mucha gente puede comer paella para comer, y eso invita a no repetir por la noche. Quizá ese es el motivo. Pero conocer el motivo, si no podemos influir en él, normalmente no cambia las decisiones a tomar en un negocio.

Otro ejemplo. Analizando los datos de ocupación de mesas, tickets de comidas, compras, recursos humanos y horarios de apertura del restaurante, podríamos detectar que abrir el viernes al mediodía no nos es rentable económicamente. Podría ser porque los viernes mucha gente hace jornada intensiva y comen tarde en casa. En este caso, quizá sería mejor no abrir los viernes al mediodía. Pero también podríamos hacer los siguiente: Preguntar a nuestros clientes habituales porqué el viernes no vienen a comer. Esa información (la encuesta es una fuente de datos, como cualquier otra), podemos analizarla para acabar tomando decisiones basadas en hechos reales (el motivo real de los clientes habituales), y no en suposiciones. Si de esa encuesta se desprende que los viernes, los clientes habituales prefieren tomar un bocadillo durante un cuarto de hora a la una, para así poder irse a casa a las tres, quizá la oportunidad para el restaurante es la de ofrecer bocadillos variados para llevar.

Otro ejemplo es el del uso de la página web. Cuando un usuario visita una página web, su comportamiento (tiempo en cada página, enlaces visitados, etc.) puede guardarse para ser analizado posteriormente. De esta manera, podemos ver los puntos de interés de los visitantes a nuestra página web. Eso nos permite tener información muy valiosa, e incluso puede hacer que personalicemos la información que los visitantes verán, para así intentar cerrar reservas o ventas durante esa visita a nuestra web.


5.

P: Pongamos otro ejemplo, un centro médico ¿Cómo le podría ayudar?

R: Pongamos el caso de una clínica para tratamientos de belleza. Todos sabemos que es más difícil captar un cliente nuevo que retener a uno existente. Por tanto, es importante poder ofrecer a los clientes aquello que pueden comprar con más probabilidad. Up-sell y cross-sell son dos palabras que nos hablan de vender algo más a nuestros clientes, ya sean productos más caros (ofreciendo un servicio de mayor calidad al incialmente elegido), o otros productos.

Pongamos un ejemplo. Cuando compramos una noche de hotel, siempre recibimos ofertas de este tipo. Un up-sell sería incluir el desayuno, comprar un bono de Wi-Fi, etc. Un cross-sell sería incluir el alquiler de un coche, la compra de una excursión, el transporte desde el aeropuerto, el transporte de las maletas a otra destinación después de dejar el hotel…

En nuestro escenario de una clínica para tratamientos de belleza, podríamos hacer lo mismo. Pero claro, hay que hacerlo bien. Ese centro médico dispone de datos sobre sus clientes (domicilio, histórico de servicios, histórico de aceptación de up-sell y cross-sell, etc.), con lo que puede encontrar patrones que le guien a la hora de ofrecer esas opciones adicionales. Por ejemplo, un cliente que solamente gasta en paquetes básicos de bajo coste y que vive en un piso de 60 m2 y llega en autobús o metro, posiblemente no es un cliente potencial para ofrecerle servicios de alto coste económico), mientras que un cliente que viva en una casa en la zona alta y que se desplace en coche o taxi a nuestro centro, puede ser más indicado para este tipo de ofertas.

He introducido un tema muy importante sobre la existencia de datos que quiero recalcar: Los datos están ahí fuera. Si no los tenemos, podemos obtenerlos. Alguien podría pensar que cómo podemos saber si alguien vive en una casa o un piso de 60 m2. Es muy fácil. A partir del domicilio, puedo cruzar esa información con la del catastro (Datos Abiertos de dominio público, Open Data). Y el cómo saber el medio de transporte es bien sencillo. Una pequeña encuesta o una pregunta a la hora de atender al cliente bastan para obtener ese dato. Y de esta manera estamos enriqueciendo nuestra base de datos con información que, bien usada, puede resultar muy útil.

Pero volvamos al centro médico. ¿Qué vamos a ofrecer a nuestro cliente? No hace falta rebanarse los sesos, ya que disponemos de un histórico de servicios de clientes. Y sabemos que muchos de los clientes que eligieron el servicio A, al cabo de tres meses eligieron el servicio B. Eso es lo que se llama un sistema de recomendación. Es lo que nos encontramos en sitios web como Amazon, por citar a un gigante. Pero eso mismo también lo podemos aplicar a menor escala. Si una empresa ofrece a un cliente lo que otros clientes han acabado eligiendo, hay grandes posibilidades de que eso también le interese.

6.

P: Y te pongo otro más difícil aún, una peluquería

R: Precisamente hace unas semanas alguien me contó un caso de una peluquería que me gustó mucho por su simplicidad.

El propietario, independientemente de si hay reservas o no, siempre ha apuntado el nombre del cliente. Cuando hubo amasado una buena cantidad de datos, se dedicó a analizarlos para ver la frecuencia con la que los clientes iban a la peluquería. Esto mostró algunos “agujeros”. Es decir, clientes que fueron a otra peluquería en algún momento. Su decisión fue la de crear un sistema muy simple de alarmas según el cual, cuando se acercaba el día en que a un cliente le “tocaba” ir a la peluquería, éste recibía un mensaje de “su peluquero”, con una oferta especial. Esta oferta, además, era para el día y horario habitual en el que el cliente acostumbraba a ir a la peluquería (e.g. Miércoles por la mañana). De esta manera tan barata y sencilla, el peluquero consiguió aumentar el número de servicios, fidelizando a sus clientes por el buen servicio prestado.

7.

P: Y vámonos al sector productivo. ¿Y en una fábrica?  

R: En una fábrica, todo tiene que funcionar como un engranaje. La producción tiene que alinearse al stock del almacén, y este a las ventas. Si somos capaces de identificar patrones de estacionalidad en las ventas, producción debería adelantarse a éstas. Pero también las compras de materia prima o componentes, los recursos humanos necesarios para adaptarse a una sobreproducción, etc. De hecho, podríamos ser capaces de predecir aumentos y descensos en estas áreas de la empresa en función de lo sucedido en el pasado. De esta manera, al lanzar una campaña de marketing, ésta podría modificar procesos internos para no impactar de manera negativa en los procesos de la empresa. Porque a veces, podemos morir de éxito. Y el BI puede ayudarnos a predecir esas situaciones para no padecer situaciones que acaben siendo perjudiciales (máquinas estropeadas por sobreproducción, lentitud en el envío de pedidos, mala atención al cliente por sobresaturación, etc.).

Esta interconexión de procesos, se da en todas las empresas. El gran error de muchas de ellas es el tratar la información como silos, sin compartir esta información. Las empresas que hacen eso, no tienen una visión completa (lo que se conoce como visión 360°) de la realidad de la empresa. Un ejemplo es el de los clientes: El equipo comercial necesita saber no solo el historial de ventas, sino también cómo reacciona a las campañas de marketing, su interacción con atención al cliente, la efectividad en el transporte de envíos, historial de devoluciones, etc. Solo a partir de ésta y otra información, el comercial podrá tener una visión global del cliente y podrá ofrecerle productos interesantes para el cliente.

8.

P: Y en a la realidad virtual del negocio on-line…. ¿Si tienes una web, como te puede ayudar?

R: Tal y como he dicho anteriormente, actualmente se puede hacer un gran seguimiento de cómo un usuario navega por un sitio web. Y hablando de comercio electrónico, esto es muy importante. Podemos identificar los “caminos” que hacen los usuarios en un sitio web. Es decir, desde qué página nos llega, cuál es la primera página de nuestro sitio web que visita, la siguiente, la siguiente… y la última. Podemos saber en qué enlaces hace click y medir la efectividad de éstos, el tiempo que está en cada página, etc. Y, claro, si el usuario acaba comprando o no, qué productos, qué importe, cuál es el usuario que está navegando, qué perfil tiene… Todo esto nos puede servir para identificar los caminos que hay que potenciar, ya que acaban produciendo un mayor beneficio.

Esto afecta también a las campañas de marketing. Un ejemplo muy evidente es el de un cliente que tuve, que utilizaba campañas de marketing específicas para hombres y mujeres. A los hombres les presentaba productos que típicamente gustan a los hombres (coches deportivos, tecnología…), mientras que a las mujeres les ofrecía productos más en su línea (tratamientos de belleza y salud…). Esto hacía que los usuarios hiciesen click en los anuncios y entrasen en el sitio web. Una vez ahí, en función del perfil del usuario y su histórico de clicks en otras ocasiones, se le presentaban ofertas que le pudiesen interesar (algunas de las cuales ya había visitado pero que no habían acabado en venta). De hecho, hasta se le recordaba que había estado mirándose cierto producto, y que ahora podía cerrar la compra en un solo click. Como puedes ver, todo facilidades para llegar al objetivo de cerrar una venta. Pero sin información tratada y analizada de manera eficiente, esto no sería posible.

9.

P: ¿Cuándo realizas proyectos de consultoría para empresas, analizáis sus datos de sus aplicaciones o les recomendáis que implementen nuevas aplicaciones?

R: En un proyecto de consultoría, partimos de una base: los requerimientos del cliente. Si los datos de los que dispone permiten conseguir sus objetivos analíticos, no hace falta modificar ningún proceso ni obtener nuevos datos. Sin embargo, dentro del proceso de consultoría, siempre hay recomendaciones que incluyo en mis conclusiones, para permitir que mis clientes obtengan un valor añadido. Estos datos pueden significar una mejor visión de la realidad, o pueden llegar a permitir una mejor predicción de los resultados de ciertos procesos, por poner algún ejemplo. Pero en todo caso, la decisión final está en el cliente.

Si el cliente carece de datos, es mucho más complejo. Pero el proceso es el mismo. Primero obtenerlos y después tratarlos para poder obtener unas respuestas que nos permitan tomar decisiones que aporten un valor añadido al día a día de la empresa.

10.

P: ¿Cuánto puede costar un análisis puntual y cuanto un servicio de mantenimiento para comprender mejor a nuestros clientes y procesos?

R: Lo más importante que debe hacer una empresa cuando quiere entrar en el mundo del análisis de datos es tener claro el punto de partida, las posibilidades que le ofrece el BI y los objetivos que quiere conseguir. Mi experiencia de más de 15 años como consultor me ha hecho ver que sin un análisis inicial que abarque, como mínimo, estos tres puntos, un proyecto de introducción del BI en una organización tiene grandes posibilidades de fracasar.

El tiempo requerido para un estudio inicial va a depender del nivel de disponibilidad de información de la empresa. Es decir, cuando el consultor llega a la empresa con una serie de preguntas dentro de un guión preestablecido, ¿va a obtener respuestas claras y concisas? ¿Va a haber interlocutores capacitados para proporcionar esas respuestas? Si no es así, el consultor deberá invertir tiempo en la búsqueda de esas respuestas.

En mi empresa, StraBIA, nos gusta ofrecer un modelo de consultoría donde se involucre al cliente, en vez de bombardearlos con una batería de preguntas, obtener respuestas, desaparecer y llegar al cabo de unos días con un documento de conclusiones, un plan de proyecto y un presupuesto. Cuando involucramos al cliente en la estrategia de BI de la empresa, estamos formando al cliente, que generalmente pasa de desconocer este campo a tener un conocimiento suficientemente bueno como para entender los puntos clave en la definición de una estrategia de BI, y el porqué de las preguntas que realizamos. Al hacer esto, ganamos un aliado en la empresa, que nos ayudará a obtener información de mayor calidad para así poder ofrecer un mejor servicio a nuestro cliente.

Hablar de cifras es realmente complicado si no se conoce la empresa. En estos casos, lo que personalmente me gusta hacer, es hablar con el cliente para que me explique lo que están buscando y me permita conocer un poco su empresa. A partir de eso, podemos definir el abasto del análisis inicial, para poder acabar dando un presupuesto ajustado a cada cliente.

11.

P: ¿Cuál es la tendencia que ves en este campo? Es de esperar que vaya a más. ¿A qué punto crees que puede llegar en un futuro a medio plazo?

R: La tendencia que se observa a nivel mundial es el crecimiento de la inversión en esta área. Las empresas que se dedican desde hace años a la investigación tecnológica y a las prospecciones de futuro, llevan años previendo el crecimiento en la área de Analytics. Y la realidad les da la razón.

No dudo de que es algo que las empresas deberán incorporar para sobrevivir en el futuro, ya que si una empresa no invierte en mejorar su toma de decisiones pero sí la competencia, ésta acabará obteniendo mejores resultados y creciendo, pudiendo así competir más eficientemente, y ganando la carrera por conquistar el mercado.

Hay que tener en cuenta que este mundo aún está en constante evolución. Lo que ayer era lo mejor, hoy está anticuado. Por tanto, las empresas aún están a tiempo para subirse al tren del Analytics. Pero esperar mucho puede hacer que sea demasiado tarde.

Es un proceso que requiere tiempo y refinamiento si se desea hacer bien y así poder obtener buenos resultados. Los quick wins no van a solventar todos los problemas ni van a darnos todas las respuestas. Por eso es necesario tener una estrategia de tratamiento de datos y toma de decisiones. Y esta estrategia, marcada por una serie de proyectos estratégicos deberá ser revisada periódicamente para comprobar que se obtienen los resultados esperados, cuantificando las posibles desviaciones y analizando los posibles cambios de rumbo en función de los cambios tecnológicos que hayan podido suceder y de los cambios en los objetivos de la empresa.

12.

P: ¿Qué cualidad crees que es la más importante en una empresa para poder implementar una solución analítica para la toma de decisiones?

R: La más importante es la que no sale en ningún manual. Las consultoras te hablarán de cosas como estar preparado tecnológicamente, tener personal con conocimientos de BI, tener presupuesto. Todo eso tiene su grado de importancia. Pero el elemento esencial es creer en los datos. Si una empresa (y con ello me refiero a sus empleados), no confía en que los datos pueden ofrecerle una información con un grado de veracidad superior a sus creencias, una solución analítica no servirá de nada. Un proyecto que haya sido implementado cumpliendo todos los requerimientos, en el presupuesto y entregado en la fecha de entrega planificada, si no es adoptado por los usuarios, es un fracaso.

Por tanto, si los empleados de la empresa desconfían mayoritariamente de una solución de este tipo, el riesgo de implementarla es muy elevado. En este caso, es muy recomendable empezar un proceso de evangelización de empleados clave dentro de la empresa, para que puedan cambiar la visión general que hay sobre el BI en la organización.

13.

P: ¿Cómo podemos relacionar los temas clave de este programa, Liderazgo y Estrategia, con una solución analítica?

Lo podemos relacionar de muchas maneras, pero quisiera citar dos que son muy importantes:

  • Un líder debe tomar decisiones que sean acertadas. Puede equivocarse, pero para mantener el estatus de líder, es preferible que esas decisiones sean positivas para una organización a que sean perjudiciales. Una solución analítica nos ayuda a tener una visión más clara de la realidad, con lo cual estaremos más informados y más preparados para tomar decisiones. Por tanto, esas decisiones tendrán una mayor probabilidad de aportar resultados positivos a la empresa.
  • Relacionado con el comentario sobre la desconfianza de los empleados a la implantación de una solución analítica, hay varias maneras de solucionar ese tema. Pero el más eficiente es que los empleados vean que los niveles superiores de la empresa confían en esta solución, y que aporta beneficios a todos los niveles de la empresa. Un líder tiene que dar ejemplo. Un líder no debería imponer una solución de BI a sus empleados sin utilizar él/ella mismo/a esa misma solución. Es como el jefe de la tribu que iba el primero en la batalla. Es otra época, pero viene a ser lo mismo. Cuando el líder apuesta por una tecnología, debe usarla y mostrar a sus empleados que es efectiva y buena para todo el grupo. Al hacer esto, se ganará el respeto del grupo y hará que éste confíe tanto en el líder como en la solución analítica.

14.

P: ¿Analizar datos solamente sirve para saber qué ha sucedido en el pasado?

R: En absoluto. El análisis de datos nos permite obtener respuestas a tres niveles diferentes. En este caso hablamos de soluciones analíticas con modelo:

  • Descriptivo: Nos muestra, nos describe qué ha sucedido en el pasado. Este es el primer nivel de análisis. El que utilizan la gran mayoría de organizaciones.
  • Predictivo: Permite hacer predicciones de hechos futuros a partir de lo que ha sucedido en el pasado. Este es un nivel superior en la escala de complejidad. Pero claro, los beneficios son evidentes.
  • Prescriptivo: Realiza recomendaciones de acciones a realizar para poder obtener los resultados esperados. Este es el nivel más elevado en la escala de complejidad. Pero también es evidente que los beneficios son mayores que en el modelo predictivo.

Pongamos como ejemplo una academia de idiomas. En este caso veamos tres ejemplos de análisis, uno para cada modelo analítico:

  • Descriptivo:
    • El porcentaje de matriculaciones de mujeres interesadas en realizar un curso de inglés, con domicilio a menos de 5 Km. de la academia es del 23%.
    • El porcentaje de matriculaciones de mujeres interesadas en realizar un curso de inglés, con edad entre 18 y 25 años es del 31%.
    • El porcentaje de matriculaciones en otros cursos de estudiantes que ya han realizado un curso en la academia es del 40%.

En este caso, el usuario suele elegir los análisis a obtener, que le proporcionarán información que el usuario considera interesantes para una toma de decisiones informada.

Sin embargo, este análisis descriptivo no suele ir al detalle de los datos, ya que esto podría suponer mostrar miles de datos en pantalla, que a la postre resultarían imposibles de entender por la mente humana.

  • Predictivo:
  • La probabilidad de que una mujer que nos llama interesada en un curso de inglés, con domicilio a menos de 5 Km. de la academia y 23 años, con estudios universitarios, con una filología, en paro, interesada en horarios de mañana, es del 68 %.

En este caso, un análisis predictivo puede utilizar toda la información disponible si ésta es relevante (lo decide un modelo complejo, basado en técnicas estadísticas o de Inteligencia Artificial).

El usuario final tan solo recibe una probabilidad de que algo suceda. En este caso, el modelo predictivo es para identificar si el interesado acabará matriculándose o no de un curso.

Podríamos crear diferentes modelos predictivos para resolver distintas preguntas.

  • Prescriptivo:
    • Para conseguir que una mujer como la del ejemplo anterior se acabe matriculando del curso de inglés, es recomendable ofrecerle el acceso al catálogo de ejercicios online de manera gratuita (en vez de como un up-sell opcional). Al hacer esto, su probabilidad de matricularse pasará del 68% al 93%.

En otros casos, es posible que la prescripción para aumentar esa probabilidad sea diferente (e.g. Ofrecer un 10% de descuento si se matricula también del siguiente curso trimestral, 2 horas de tutoría personal con un profesor nativo, etc.), puesto que ésta dependerá de los datos de cada caso.

15.

P: Si hubierais de resumir los más importante del BI para que los líderes, emprendedores o empresarios que nos escuchan los tengan en cuenta, ¿qué les dirías?

R: El BI permite analizar una gran cantidad de datos, ofreciendo la posibilidad de visualizar información que tiende a estar oculta entre los datos de una organización. Esto permite a las personas poder tomar mejores decisiones a todos los niveles de la organización (estratégico, táctico y operativo).

El BI no es el futuro sino que es el presente. Quien se ancla al pasado, antes de poder zarpar tiene que llevar la áncora, eso es, realizar un proyecto, cosa que requiere su tiempo. Quizá ese tiempo sea demasiado caro en el futuro.

16.

P: ¿Tú ofreces servicio de consultoría en BI como free-lance? ¿Si alguien quisiera encontrarte dónde puede hacerlo?

R: En efecto, trabajo como free-lance con mi propia empresa. En función de los proyectos que asumo, su carga y los roles que necesito para llevarlos a cabo, contacto con mis colaboradores para llevarlos a cabo. Todos ellos son free-lance también, con una amplia experiencia profesional. Es un modelo que me permite ofrecer a mis clientes unos resultados con una calidad de primer nivel. Todo ello sin caer en la obligación de encontrarles proyectos que quizá no se adapten a sus intereses, cosa que sucede generalmente cuando tienes trabajadores en plantilla y un sueldo que pagar a final de mes.

Si alguien está interesado en hablar conmigo, estaré encantado de hacerlo. De hecho, tengo un secreto que confesarte: Aunque no salga ningún proyecto de una conversación con un cliente potencial, el mero hecho de poder hablar de BI con alguien y poder darle un par de consejos, ya me deja contento. Ya sé que comercialmente puede que no sea muy eficiente, pero es lo que hay. Me gusta este mundo.

Para contactar conmigo, pueden hacerlo por: